【技术实现步骤摘要】
本专利技术涉及电力系统异常检测，特别是涉及一种电力系统电压电流信号异常频率成分检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、近年来，以风能、光能为代表的新能源发电并网容量正在不断上升，风光新能源具有随机性、波动性等特征，从而给电力系统的电压电流信号注入了变化快且无规律的成分。另外，以数字化家电、电力电子设备为代表的非线性用电器的增多，也给电力系统带来了谐波污染、电压波动与闪变等问题。为了解决这些电能质量问题，需要能够良好地感知和分析电力系统电压电流信号异常成分的方法。
3、目前，电力系统常用的数据异常检测方法有基于统计估计法的异常检测、基于机器学习的异常检测、基于神经网络的异常检测等。
4、不过，现有的电力系统异常检测方法大多都是针对功耗、工频电压电流有效值等时间分辨率较低的物理量，对电压电流信号的瞬时特性、宽频特性关注度不高；但是，目前电力系统的电压电流信号也出现了明显的畸变和波动现象，从时频分析的角度可以将这些现象解释为某时间段内，信号出现了异常的频率成分。所以，需要一种能够识别和提取电力系统电压电流信号异常频率成分的方法。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种电力系统电压电流信号异常频率成分检测方法及系统，将连续小波变换的特征提取能力与深度卷积生成对抗网络的特征学习能力相结合，提高电力系统电压电流信号异常频率成分识别和提取的准确率。
2、为了
3、第一方面，本专利技术提供一种电力系统电压电流信号异常频率成分检测方法，包括：
4、获取电力系统正常状态的电力信号，对电力信号进行连续小波变换后得到时频谱训练集，利用时频谱训练集训练深度卷积生成对抗网络；
5、获取电力系统的待测电力信号及其待测时频谱；
6、利用训练后的深度卷积生成对抗网络将初始高斯噪声生成初始虚拟时频谱，根据初始虚拟时频谱与待测时频谱间的损失值调整初始高斯噪声，直至损失值达到最小，获取此时的最小损失值及调整后的虚拟时频谱；
7、根据最小损失值和第一阈值的比较结果，判断待测电力信号是否异常；
8、当待测电力信号异常时，确定待测时频谱和虚拟时频谱的异常权重矩阵，遍历异常权重矩阵中的元素，以超过第二阈值的元素为异常元素，根据异常元素所在列数确定异常时间，根据异常元素所在行数确定异常频率。
9、作为可选择的实施方式，对电力信号进行连续小波变换后得到时频谱训练集的过程包括：
10、使用时间窗口将电力信号截取为若干段，且相邻截取窗口间存在重叠宽度；
11、对每段电力信号进行连续小波变换处理，得到二维复数矩阵；
12、对二维复数矩阵进行边缘裁剪，每边裁剪的列数为时间窗口重叠宽度内采样点数的
13、对裁剪后的二维复数矩阵的每个元素取其幅值，得到二维实数矩阵，即时频谱训练集。
14、作为可选择的实施方式，利用时频谱训练集训练深度卷积生成对抗网络的过程包括：将时频谱训练集的各行所对应频率划分为x个频段；将时频谱训练集的每个元素根据其行数所对应的频率划分到相应频段上，对各个频段中的元素进行最大最小值归一化处理，利用归一化处理后的时频谱训练集训练深度卷积生成对抗网络。
15、作为可选择的实施方式，损失值d为：
16、
17、其中，为待测时频谱中第i行第j列的元素，为虚拟时频谱中第i行第j列的元素，m、l为行数和列数。
18、作为可选择的实施方式，判断待测电力信号是否异常的过程包括：将最小损失值与第一阈值进行比较，若最小损失值小于第一阈值，则当前待测电力信号正常，否则发生异常，继续进行异常频率成分的提取。
19、作为可选择的实施方式，异常权重矩阵wm×l为：
20、
21、其中，为待测时频谱，为虚拟时频谱，为待测时频谱中第i行第j列的元素，为虚拟时频谱中第i行第j列的元素，m、l为行数和列数。
22、作为可选择的实施方式，所述第二阈值为根据异常权重矩阵中不同的元素设置不同的阈值。
23、第二方面，本专利技术提供一种电力系统电压电流信号异常频率成分检测系统，包括：
24、训练模块，被配置为获取电力系统正常状态的电力信号，对电力信号进行连续小波变换后得到时频谱训练集，利用时频谱训练集训练深度卷积生成对抗网络；
25、实时获取模块，被配置为获取电力系统的待测电力信号及其待测时频谱；
26、反向传播模块，被配置为利用训练后的深度卷积生成对抗网络将初始高斯噪声生成初始虚拟时频谱，根据初始虚拟时频谱与待测时频谱间的损失值调整初始高斯噪声，直至损失值达到最小，获取此时的最小损失值及调整后的虚拟时频谱；
27、异常检测模块，被配置为根据最小损失值和第一阈值的比较结果，判断待测电力信号是否异常；
28、异常频率成分提取模块，被配置为当待测电力信号异常时，确定待测时频谱和虚拟时频谱的异常权重矩阵，遍历异常权重矩阵中的元素，以超过第二阈值的元素为异常元素，根据异常元素所在列数确定异常时间，根据异常元素所在行数确定异常频率。
29、第三方面，本专利技术提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
30、第四方面，本专利技术提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
31、与现有技术相比，本专利技术的有益效果为：
32、本专利技术提出一种电力系统电压电流信号异常频率成分检测方法及系统，针对电力系统的电压或电流信号，将连续小波变换的特征提取能力与深度卷积生成对抗网络的特征学习能力相结合，先利用连续小波变换提取正常信号的时频特征，再利用深度卷积生成对抗网络学习正常信号时频特征的分布规律，然后将待测电力系统信号的时频特征与深度卷积生成对抗网络学习到的正常信号的时频特征进行比对，无需提前获知不同异常工况的数据特征，只需与正常状态的特征进行对比即可，减少添加标签的时间及训练时间，提高异常检测的效率。
33、本专利技术提出一种电力系统电压电流信号异常频率成分检测方法及系统，利用连续小波变换提取时频特征，蕴含信号在时域与频域两个维度的信息，关注电压电流信号的瞬时特性与宽频特性，提高电力系统电压电流信号异常频率成分识别和提取的准确率。
34、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种电力系统电压电流信号异常频率成分检测方法，其特征在于，包括：
2.如权利要求1所述的一种电力系统电压电流信号异常频率成分检测方法，其特征在于，对电力信号进行连续小波变换后得到时频谱训练集的过程包括：
3.如权利要求1所述的一种电力系统电压电流信号异常频率成分检测方法，其特征在于，利用时频谱训练集训练深度卷积生成对抗网络的过程包括：将时频谱训练集的各行所对应频率划分为X个频段；将时频谱训练集的每个元素根据其行数所对应的频率划分到相应频段上，对各个频段中的元素进行最大最小值归一化处理，利用归一化处理后的时频谱训练集训练深度卷积生成对抗网络。
4.如权利要求1所述的一种电力系统电压电流信号异常频率成分检测方法，其特征在于，损失值D为：
5.如权利要求1所述的一种电力系统电压电流信号异常频率成分检测方法，其特征在于，判断待测电力信号是否异常的过程包括：将最小损失值与第一阈值进行比较，若最小损失值小于第一阈值，则当前待测电力信号正常，否则发生异常，继续进行异常频率成分的提取。
6.如权利要求1所述的一种电力系统电压电流信号
7.如权利要求1所述的一种电力系统电压电流信号异常频率成分检测方法，其特征在于，所述第二阈值为根据异常权重矩阵中不同的元素设置不同的阈值。
8.一种电力系统电压电流信号异常频率成分检测系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种电力系统电压电流信号异常频率成分检测方法，其特征在于，包括：
2.如权利要求1所述的一种电力系统电压电流信号异常频率成分检测方法，其特征在于，对电力信号进行连续小波变换后得到时频谱训练集的过程包括：
3.如权利要求1所述的一种电力系统电压电流信号异常频率成分检测方法，其特征在于，利用时频谱训练集训练深度卷积生成对抗网络的过程包括：将时频谱训练集的各行所对应频率划分为x个频段；将时频谱训练集的每个元素根据其行数所对应的频率划分到相应频段上，对各个频段中的元素进行最大最小值归一化处理，利用归一化处理后的时频谱训练集训练深度卷积生成对抗网络。
4.如权利要求1所述的一种电力系统电压电流信号异常频率成分检测方法，其特征在于，损失值d为：
5.如权利要求1所述的一种电力系统电压电流信号异常频率成分检测方法，其特征在于，判断待测电力信号是否异常的过...
【专利技术属性】
技术研发人员：高峰，陆文强，许涛，孟祥剑，
申请(专利权)人：山东睿燚新能源科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。