【技术实现步骤摘要】
本专利技术涉及电能质量分析的，尤其涉及一种电能质量分析方法及装置。
技术介绍
1、随着电敏感设备的日益增多，许多精密设备对电能质量的要求也越来越高。为了提高电能质量，就需要对影响电能质量的电力系统中的各种信号进行分析处理。扰动检测是电能质量分析中一个重要的环节，随着电力系统对电能质量要求的不断提高，新型的信息技术和优化的数学变化方法同时应用到电能质量扰动信号的检测中，并取得了丰硕的研究成果。
2、目前，对电能质量扰动信号的检测方法主要有如下几个方面：瞬时无功功率理论、动态测度理论等时域分析法；频率扫描、谐波潮流计算等频域分析法；以短时傅立叶变换、s变换、小波变换等为代表的变换域方法。短时傅里叶变换虽然具有时间局部性，但是存在需要选择窗口类型和宽度的缺陷，而且其时窗宽度是固定的，不能适应变化的信号。虽然s变换的高斯窗宽会随着频率变化，但是却一直与频率成反比，使其时频分辨率不能调节。小波变换具有时频局部化的特点，特别适合突变信号和不平稳信号分析，但分析结果与小波基的选择关系很大，缺乏自适应性且运算量较大，而且小波变换不能单独提取任意频次的信号。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、为解决上述技术问题，本专利技术提供如下技术方案，包括：采集多个时间段内的电能信号，采样频率设置为5khz；对电能信号进行n层小波分解，并分别计算电能信号在第n-2层和第n层的小波包能量值；对所述小波包能量值进行归一化处理，获得特征向量；将所述特征向量输入至
3、作为本专利技术所述的电能质量分析方法的一种优选方案，其中：所述小波分解包括：将morlet小波函数与所述电能信号进行卷积运算，获得不同频率的小波分解系数，并分别计算电能信号在第n-2层和第n层的小波包能量值：
4、en=∑an；
5、式中：en为第n层的小波包能量值，an为第n层的小波分解系数；
6、en-2=∑bn-2；
7、式中：en-2为第n-2层的小波包能量值，bn-2为第n-2层的小波分解系数。
8、作为本专利技术所述的电能质量分析方法的一种优选方案，其中：所述小波分解包括：第一神经网络包括输入层、多个卷积层、通道注意力模块、aspp模块和输出层；所述多个卷积层包括1个卷积核尺寸为3*3的卷积层，和3个卷积核尺寸为1*1的卷积层；所述通道注意力模块包括全局平均池化层、全局最大池化层和多层感知机；所述卷积核尺寸为3*3的卷积层的输出端接有所述通道注意力模块，所述通道注意力模块的输出端与卷积核尺寸为1*1的卷积层连接；所述aspp模块包括第一空洞卷积层、第二空洞卷积层、第三空洞卷积层和第四空洞卷积层，第一空洞卷积层、第二空洞卷积层、第三空洞卷积层和第四空洞卷积层的采样率分别为6、12、18和24，卷积核尺寸均为3*3。
9、作为本专利技术所述的电能质量分析方法的一种优选方案，其中：所述小波分解包括：还包括：第一神经网络的输入与输出的关系如下式：
10、；
11、式中，yi为第一神经网络的第i个输出，k为电能信号的样本数量，w为神经元间连接的权值，xi为第一神经网络的第i个输入，b为偏置，f（x）为激活函数，所述激活函数为softplus函数。
12、作为本专利技术所述的电能质量分析方法的一种优选方案，其中：所述小波分解包括：所述训练包括：选取分类交叉熵损失函数作为第一神经网络的目标损失函数l，采用adagrad优化器对第一神经网络进行迭代训练，设置初始学习速率，不断调整权值w和偏置b，直至目标损失函数值达到最小，所述损失函数l为：
13、l=-[yilog(pi)+(1-yi)log(1-pi)]；
14、式中，yi为第一神经网络的第i个输出，pi为第一神经网络的第i个期望输出。
15、作为本专利技术所述的电能质量分析装置的一种优选方案，其中：包括：采集单元，被配置为执行采集多个时间段内的电能信号，采样频率设置为5khz；特征提取单元，被配置为执行对电能信号进行n层小波分解，并分别计算电能信号在第n-2层和第n层的小波包能量值，而后对所述小波包能量值进行归一化处理，获得特征向量；网络训练单元，被配置为执行将所述特征向量输入至第一神经网络，以对第一神经网络进行训练，获得第二神经网络；识别单元，被配置为执行将所述电能信号输入至所述第二神经网络，识别其扰动类型；所述扰动类型包括：电压暂降，电压暂升、暂态脉冲、电压中断、陷波、简谐波、无扰动。
16、作为本专利技术所述的电能质量分析装置的一种优选方案，其中：所述特征提取单元，具体被配置为执行：将morlet小波函数与所述电能信号进行卷积运算，获得不同频率的小波分解系数，并计算电能信号在第n-2层和第n层的小波包能量值：
17、en=∑an；
18、式中：en为第n层的小波包能量值，an为第n层的小波分解系数；
19、en-2=∑bn-2；
20、式中：en-2为第n-2层的小波包能量值，bn-2为第n-2层的小波分解系数。
21、作为本专利技术所述的电能质量分析装置的一种优选方案，其中：所述网络训练单元，具体被配置为执行：第一神经网络包括输入层、多个卷积层、通道注意力模块、aspp模块和输出层；所述多个卷积层包括1个卷积核尺寸为3*3的卷积层，和3个卷积核尺寸为1*1的卷积层；所述通道注意力模块包括全局平均池化层、全局最大池化层和多层感知机；所述卷积核尺寸为3*3的卷积层的输出端接有所述通道注意力模块，所述通道注意力模块的输出端与卷积核尺寸为1*1的卷积层连接；所述aspp模块包括第一空洞卷积层、第二空洞卷积层、第三空洞卷积层和第四空洞卷积层，第一空洞卷积层、第二空洞卷积层、第三空洞卷积层和第四空洞卷积层的采样率分别为6、12、18和24，卷积核尺寸均为3*3。
22、作为本专利技术所述的电能质量分析装置的一种优选方案，其中：所述网络训练单元，具体被配置为执行：第一神经网络的输入与输出的关系如下式：
23、；
24、式中，yi为第一神经网络的第i个输出，k为电能信号的样本数量，w为神经元间连接的权值，xi为第一神经网络的第i个输入，b为偏置，f（x）为激活函数，所述激活函数为softplus函数。
25、作为本专利技术所述的电能质量分析装置的一种优选方案，其中：所述网络训练单元，具体被配置为执行：选取分类交叉熵损失函数作为第一神经网络的目标损失函数l，采用adagrad优化器对第一神经网络进行迭代训练，设置初始学习速率，不断调整权值w和偏置b，直至目标损失函数值达到最小，所述损失函数l为：
26、l=-[yilog(pi)+(1-yi)log(1-pi)]本文档来自技高网...
【技术保护点】
1.一种电能质量分析方法，其特征在于，包括：
2.如权利要求1所述的电能质量分析方法，其特征在于，所述小波分解包括：
3.如权利要求1或2所述的电能质量分析方法，其特征在于，第一神经网络包括输入层、多个卷积层、通道注意力模块、ASPP模块和输出层；
4.如权利要求3所述的电能质量分析方法，其特征在于，还包括：
5.如权利要求4所述的电能质量分析方法，其特征在于，所述训练包括：
6.一种电能质量分析装置，其特征在于，包括：
7.如权利要求6所述的电能质量分析装置，其特征在于，所述特征提取单元，具体被配置为执行：
8.如权利要求6或7所述的电能质量分析装置，其特征在于，所述网络训练单元，具体被配置为执行：
9.如权利要求8所述的电能质量分析装置，其特征在于，所述网络训练单元，具体被配置为执行：
10.如权利要求9所述的电能质量分析装置，其特征在于，所述网络训练单元，具体被配置为执行：
【技术特征摘要】
1.一种电能质量分析方法，其特征在于，包括：
2.如权利要求1所述的电能质量分析方法，其特征在于，所述小波分解包括：
3.如权利要求1或2所述的电能质量分析方法，其特征在于，第一神经网络包括输入层、多个卷积层、通道注意力模块、aspp模块和输出层；
4.如权利要求3所述的电能质量分析方法，其特征在于，还包括：
5.如权利要求4所述的电能质量分析方法，其特征在于，所述训练包括：
6.一种电...
【专利技术属性】
技术研发人员：姚东方，田曙光，易怀权，郭鹏，
申请(专利权)人：南京灿能电力自动化股份有限公司，
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。