一种配电网多谐波源识别方法及系统技术方案

本发明专利技术提供一种配电网多谐波源识别方法，包括获取多个谐波源在PCC节点所叠加产生的谐波电压信号，并测量出谐波电压值；分离谐波电压信号中的快速变化分量和缓慢变化分量，并基于快速变化分量，估计出PCC节点注入的谐波电流值；将所得到的谐波电流值及谐波电压值导入预先训练好的互信息深度学习模型中，得到各谐波源发射的谐波电流与PCC节点谐波电压之间的互信息值，并根据所得到的各互信息值，识别出主谐波源。实施本发明专利技术，能够解决现有方法难以对复杂配电网中多谐波源进行有效识别和定位的问题。的问题。的问题。

【技术实现步骤摘要】
一种配电网多谐波源识别方法及系统


[0001]本专利技术涉及电力系统检测
，尤其涉及一种配电网多谐波源识别方法及系统。

技术介绍

[0002]近年来，新型电力系统建设不断推进，电网面对的挑战更加复杂多元，特别是“双高”特征导致电能质量问题叠加、特征更加复杂化，对电能质量提出了更高的要求。随着分布式发电与电力电子设备高密度接入电网，谐波源数目激增，运行状态多变，使得谐波污染日益严重。因此，谐波源定位与识别对于明确谐波污染源头具有重要的作用，是谐波责任划分和解决经济纠纷的前提。
[0003]传统的谐波源识别多从电力学角度出发，基于机理模型，主要采用等效电路模型、基于谐波状态估计及基于谐波阻抗的方法等。但是，这些方法受制因素较多，难以对复杂配电网中多谐波源进行有效识别和定位。
[0004]因此，亟需一种新的配电网多谐波源识别方法，能够解决现有方法难以对复杂配电网中多谐波源进行有效识别和定位的问题。

技术实现思路

[0005]本专利技术实施例所要解决的技术问题在于，提供一种配电网多谐波源识别方法及系统，能够解决现有方法难以对复杂配电网中多谐波源进行有效识别和定位的问题。
[0006]为了解决上述技术问题，本专利技术实施例提供了一种配电网多谐波源识别方法，所述方法包括以下步骤：
[0007]获取多个谐波源在PCC节点所叠加产生的谐波电压信号，并测量出谐波电压值；
[0008]分离所述谐波电压信号中的快速变化分量和缓慢变化分量，并基于所述快速变化分量，估计出PCC节点注入的谐波电流值；
[0009]将所得到的谐波电流值及所述谐波电压值导入预先训练好的互信息深度学习模型中，得到各谐波源发射的谐波电流与PCC节点谐波电压之间的互信息值，并根据所得到的各互信息值，识别出主谐波源。
[0010]其中，所述谐波电压信号是通过滤波器来分离出所述快速变化分量和所述缓慢变化分量。
[0011]其中，所述PCC节点注入的谐波电流值是通过FastICA算法来实现的；其中，
[0012]所述FastICA算法包括步骤：数据预处理及建立目标函数进行寻优。
[0013]其中，所述数据预处理包括去中心化处理和白化处理；其中，
[0014]所述去中心化处理是指将所有的采样信号减去其均值得到一组平均值为零的原始数据：其中，X(t
i
)为采样信号；
[0015]所述白化处理是对采样数据进行去相关的过程，使观测信号X具有单位方差：X＝
ED
‑
1/2
E
T
X；其中，由n个特征值组成；d
i
对应的特征向量是c
i
，E＝[c1,c2,...c
n
]；所述观测信号X＝AS，A为混合矩阵，S为PCC节点注入的谐波电流源。
[0016]其中，所述建立目标函数进行寻优的过程是找一个方向使得输出w
T
X(y＝w
T
X)的非高斯性最大；其中，
[0017]非高斯性由负熵的近似值来度量：N
g
(Y)＝{E[g(Y)]‑
E[g(Y
Gauss
)]}2，即求J
G
(w)＝[E{G(w
T
X)}]2最大值；其中，w是m维变量，表示解混矩阵W的一行；
[0018]所述目标函数定义为：根据Kunhn
‑
Tucker条件，转化为无约束的优化问题，使得所述目标函数变换为：F(w)＝E[G(w
T
X)]+C(||w||2‑
1)；其中，所述目标函数的最优解通过牛顿迭代法求取：
[0019]其中，所述互信息深度学习模型是基于神经网络构建而成的；其中，
[0020]所述神经网络包括输入层、多层隐藏层和输出层；其中，所述输入层接收所述谐波电流值Y和所述谐波电压值X的样本作为输入，隐藏层经过一系列非线性变换后得到输出层的结果Z。
[0021]其中，所述神经网络是通过执行以下步骤进行训练得到的，具体包括：
[0022]7.1初始化神经网络参数；
[0023]7.2从联合分布中抽取b个minibatch样本；其中，所述联合分布中抽取的b个minibatch样本记为(x
(1)
,y
(1)
),...,(x
(b)
,y
(b)
)服从联合概率分布
[0024]7.3从Y边缘分布中抽取b个样本；其中，所述Y边缘分布中抽取的b个样本记为服从联合概率分布
[0025]7.4评估互信息下界；其中，所述互信息下界计算公式为：
[0026]7.5用EMA修正偏差矫正梯度；其中，所述EMA修正偏差矫正梯度表示为：
[0027]7.6更新神经网络的参数；其中，所述更新的神经网络的参数为
[0028]7.7重复步骤7.1～步骤7.6，直至达到收敛条件为止。
[0029]其中，所述X和Y之间的互信息下界，利用使用对偶形式计算的KL散度进行计算：
[0030][0031]其中，T为所有使两个期望有限的定义在X
×
Y上的函数；且I(X；Y)≥I
θ
(X,Y)；为神经信息量，并通过提到梯度公式为
下降来最大化；
[0032]其中，所述互信息深度学习模型可以通过公式来表示，其中，表示分布P的在给定n个独立同布sample时的经验分布。
[0033]本专利技术实施例还提供了一种配电网多谐波源识别系统，包括：
[0034]谐波电压获取单元，用于获取多个谐波源在PCC节点所叠加产生的谐波电压信号，并测量出谐波电压值；
[0035]谐波电流估计单元，用于分离所述谐波电压信号中的快速变化分量和缓慢变化分量，并基于所述快速变化分量，估计出PCC节点注入的谐波电流值；
[0036]主谐波源识别单元，用于将所得到的谐波电流值及所述谐波电压值导入预先训练好的互信息深度学习模型中，得到各谐波源发射的谐波电流与PCC节点谐波电压之间的互信息值，并根据所得到的各互信息值，识别出主谐波源。
[0037]实施本专利技术实施例，具有如下有益效果：
[0038]1、本专利技术只需获取PCC节点谐波电压信号，利用FastICA算法估计谐波电流，并通过互信息深度学习模型进行互信息估计来识别主谐波源，从而使得操作简单，且在系统网络参数未知的情况下可对谐波电流源的位置进行识别，解决了现有方法难以对复杂配电网中多谐波源进行有效识别和定位的问题；
[0039]2、本专利技术中的FastICA算法估计谐波电流，不仅收敛速度快、分离效果好、迭代稳定、可进行非高斯独立分量的分离，还能提高谐波电流估计的准确性和可靠性；
[0040]3、本专利技术中的互信息深度学习模型使得计算简单，可以更好地适应电网中的复杂非线性关系，具有更强的普适性和可靠性。
附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网多谐波源识别方法，其特征在于，所述方法包括以下步骤：获取多个谐波源在PCC节点所叠加产生的谐波电压信号，并测量出谐波电压值；分离所述谐波电压信号中的快速变化分量和缓慢变化分量，并基于所述快速变化分量，估计出PCC节点注入的谐波电流值；将所得到的谐波电流值及所述谐波电压值导入预先训练好的互信息深度学习模型中，得到各谐波源发射的谐波电流与PCC节点谐波电压之间的互信息值，并根据所得到的各互信息值，识别出主谐波源。2.如权利要求1所述的配电网多谐波源识别方法，其特征在于，所述谐波电压信号是通过滤波器来分离出所述快速变化分量和所述缓慢变化分量。3.如权利要求1所述的配电网多谐波源识别方法，其特征在于，所述PCC节点注入的谐波电流值是通过FastICA算法来实现的；其中，所述FastICA算法包括步骤：数据预处理及建立目标函数进行寻优。4.如权利要求3所述的配电网多谐波源识别方法，其特征在于，所述数据预处理包括去中心化处理和白化处理；其中，所述去中心化处理是指将所有的采样信号减去其均值得到一组平均值为零的原始数据：其中，X(t
i
)为采样信号；所述白化处理是对采样数据进行去相关的过程，使观测信号X具有单位方差：X＝ED
‑
1/2
E
T
X；其中，由n个特征值组成；d
i
对应的特征向量是c
i
，E＝[c1,c2,...c
n
]；所述观测信号X＝AS，A为混合矩阵，S为PCC节点注入的谐波电流源。5.如权利要求3所述的配电网多谐波源识别方法，其特征在于，所述建立目标函数进行寻优的过程是找一个方向使得输出w
T
X(y＝w
T
X)的非高斯性最大；其中，非高斯性由负熵的近似值来度量：N
g
(Y)＝{E[g(Y)]
‑
E[g(Y
Gauss
)]}2，即求J
G
(w)＝[E{G(w
T
X)}]2最大值；其中，w是m维变量，表示解混矩阵W的一行；所述目标函数定义为：根据Kunhn
‑
Tucker条件，转化为无约束的优化问题，使得所述目标函数变换为：F(w)＝E[G(w
...

【专利技术属性】
技术研发人员：张华赢，钟隽，李艳，汪清，吴显，游奕弘，孙睿晨，董坤，王梓桐，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：