CN106680576B - 基于分块时频谱和深度学习算法的配电网内部过电压识别方法 - Google Patents

Abstract

本发明涉及一种基于分块时频谱和深度学习算法的配电网内部过电压识别方法，首先获取过电压信号；然后分解过电压信号；接着对各分量按照设定的频带进行带通滤波，构造时频矩阵；然后获取分块时频谱图；最后采用深度学习算法进行分类识别。本发明采用分块时频谱图作为深度学习算法的输入，能够自主学习各类过电压的特征，实现配电网内部过电压的分类识别。

Description

基于分块时频谱和深度学习算法的配电网内部过电压识别 方法

技术领域

本发明涉及配电网领域，特别是一种基于分块时频谱和深度学习算法的配电网内部过电压识别方法。

背景技术

电网安全可靠运行是国计民生科学发展的重要保障。随着我国坚持智能电网的迅速发展，对配电网供电可靠性及电能质量的要求越来越高。运行经验表明，过电压是影响配电网安全运行的重要因素之一。配电网内部过电压持续时间较长，对配电网的安全可靠运行具有极大的威胁。因此，及时检测配电网出现的过电压，准确区分过电压类型，对于配电网灾害预防和故障分析是十分必要的。

国内外对于过电压的分类识别研究的核心步骤是特征量的提取。由于过电压类型的多样性，往往需要寻求多个特征量方可表征过电压信号的特征模式，达到识别的目的，且应用于配电网过电压分类识别问题的分类算法主要都是采用较为成熟的机器学习算法，这些算法不具备自我学习的能力。深度学习算法可以从大量未标记数据中进行自我学习，防止出现过拟合或者陷入局部最优解的情况。最新的研究成果显示，深度学习算法在多个领域改善了分类识别的性能，其在电力系统分类识别问题中有良好的应用前景。

发明内容

有鉴于此，本发明的目的是提出一种基于分块时频谱和深度学习算法的配电网内部过电压识别方法，采用分块时频谱图作为深度学习算法的输入，能够自主学习各类过电压的特征，实现配电网内部过电压的分类识别。

本发明采用以下方案实现：一种基于分块时频谱和深度学习算法的配电网内部过电压识别方法，具体包括以下步骤：

步骤S1：获取过电压信号；

步骤S2：利用局部特征尺度分解方法分解步骤S1获取的过电压信号；

步骤S3：按照设定的频带对步骤S2中的过电压信号进行带通滤波，构造时频矩阵；

步骤S4：获取分块时频谱图；

步骤S5：采用深度学习算法对步骤S4获得的分块时频谱图进行分类识别。

进一步地，所述步骤S1具体为：截取过电压发生前的0.5个周波至过电压发生后的4.5个周波共5个工频周波的三相电压和零序电压的仿真波形。

进一步地，步骤S3具体为：设过电压信号经希尔伯特带通滤波后分解为m个子频带，各个波形采样点数均为n，各个子频带波形的数据点为a_ij(i＝1,2,...,m；j＝1,2,...n)，构造时频矩阵为：

进一步地，所述步骤S4具体包括以下步骤：

步骤S41：设过电压信号被分解为m个频带，每个频带n个数据点，将时频矩阵中各个频带序列按时间进行Z等分，即对每一行序列按时间进行Z等分，得到Z个时频区域，称为时频块，每个时频块含有P个数据点，其中P＝n/Z，第m个频带中第z个时频块的能量的计算公式为：

其中：表示第m个频带第z个时频块中第y个数据点的幅值，Δt表示两个数据点间的时间间隔，即采样周期；

步骤S42：每个过电压信号的分块时频谱矩阵为：

步骤S43：将4个过电压波形对应的分块时频谱按三相电压、零序电压的顺序从上至下拼接，即可得到总的分块时频谱E_total，作为过电压识别的特征量，其总的分块时频谱E_total表达形式为：

其中，分别表示A相电压信号、B相电压信号、C相电压信号、零序电压信号的分块时频谱矩阵。

进一步地，所述深度学习算法采用卷积神经网络。

与现有技术相比，本发明有以下有益效果：

1、本发明利用局部特征尺度分解、希尔伯特带通滤波算法分频带重构的的信号，再进行分块时频谱图的获取，可完备地描述过电压信号在各个子频带内的时频特征。

2、本发明结合深度学习算法进行过电压类型识别，不需要进行多个特征量的提取，深度学习算法可以自主学习各类过电压分块时频谱图的特征，训练完成即可进行过电压识别。

3、本发明的抗噪性能良好，实测波形和仿真波形均能取得良好的效果，能够较准确地识别单相金属性接地、间歇性弧光接地、高频谐振、基频谐振、分频谐振五类配电网暂时过电压类型。

附图说明

图1为本发明算法流程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1所示，本实施例提供了一种基于分块时频谱和深度学习算法的配电网内部过电压识别方法，具体包括以下步骤：

步骤S1：获取过电压信号：截取过电压发生前的0.5个周波至过电压发生后的4.5个周波共5个工频周波的三相电压和零序电压的仿真波形；

步骤S2：利用局部特征尺度分解方法分解步骤S1获取的过电压信号；

步骤S3：按照设定的频带对步骤S2中的过电压信号进行带通滤波，构造时频矩阵；

步骤S4：获取分块时频谱图；

步骤S5：采用深度学习算法对步骤S4获得的分块时频谱图进行分类识别。其中，所述深度学习算法采用卷积神经网络。

在本实施例中，首先利用仿真软件搭建的过电压模型获取内部过电压的波形，截取预设的过电压波形区间，为了截取完整的分频谐振波形，截取区间设置为5个工频周波；然后，利用局部特征尺度分解对内部过电压进行分解，结合希尔伯特带通滤波算法获取不同频带的信号分量，并构造时频矩阵，对该矩阵进行分块，将同一组的过电压分块时频矩阵进行拼接，获取分块时频谱图，作为卷积神经网络的训练样本和测试样本，从而实现对内部过电压过电压的有效辨识。

在本实施例中，局部特征尺度分解方法是非线性、非平稳信号的自适应时频分析方法。该方法继承了目前广泛应用的经验模态分解法的优点，并改善了经验模态分解法的端点效应、模态混叠和分解速度等问题，用于内部过电压信号的分解极具优势。具体为：利用局部特征尺度分解方法进行波形分解，得到若干个内禀尺度分量，具体步骤为：

首先，满足以下两个条件的单分量信号可被称为内禀尺度分量：

(Ⅰ)信号数据的任意两个相邻极值点符号互异；

(Ⅱ)信号数据的任意两个相邻极大(或小)值点确定的直线在二者之间的极小(或大)值点所对应的横坐标处的函数值与该极小(或大)值点的比值保持不变；

根据上述两个条件，将过电压信号进行局部特征尺度分解，分解成若干个内禀尺度分量和一个残余项之和，即其中，x(t)为原始信号，n为内禀尺度分量的个数；isc_i(t)为第i个内禀尺度分量；r(t)为剩余分量。

在本实施例中，希尔伯特带通滤波算法本身具有良好的滤波效果，因此噪声对于本发明实施例识别效果的影响十分微弱，本实施例具有良好的抗噪性能。具体为：

对内禀尺度分量进行希尔伯特变换，得到二维Hilbert能量谱图，该图中数据点的灰度值表示对应IMF分量在时域上的瞬时能量。对各个内禀尺度分量分量做希尔伯特变换，第i个内禀尺度分量变换公式为：

构造相应的解析信号Y_i(t)为：

Y_i(t)＝isc_i(t)+jH[isc_i(t)]；

则第i个内禀尺度分量瞬时频率函数f_i(t)为：

根据需要选取合适的频带宽度Δf，以此对频谱图中的瞬时频率进行等间隔区域划分，则第i个区域的频率范围为[(i-1)Δf,iΔf]，将所有IMF分量不在该频率范围内的瞬时能量点灰度值都置为零，其余在该频率范围内的瞬时能量点灰度值保持不变，即可得到所有IMF分量在该频带的成分。最后将经第i个频带滤波后的所有IMF分量叠加，可得到原始信号在该频带内的分量，同理可得到其他频带内的分量，将各个频带按顺序存储，即可得时频矩阵。假设过电压信号经希尔伯特带通滤波后分解为m个子频带，各个波形采样点数均为n，各个子频带波形的数据点为a_ij(i＝1,2,...,m；j＝1,2,...n)，则可得到时频矩阵为：

在上述实施例中，分块时频谱图作为卷积神经网络的输入，可以反映不同过电压信号的时频特征。具体为：

设过电压信号被分解为m个频带，每个频带n个数据点。将时频矩阵中各个频带(每一行)序列按时间进行Z等分，得到Z个时频区域，称为时频块，每个时频块含有P个数据点(P＝n/Z)，第m个频带中第z个时频块的能量计算公式为：

其中：表示第m个频带第z个时频块中第y个数据点的幅值，Δt表示两个数据点间的时间间隔，即采样周期。

每个过电压信号的分块时频谱矩阵为：

将4个过电压波形对应的分块时频谱按三相电压、零序电压的顺序从上至下拼接，即可得到一组过电压信号的分块时频谱E_total，其矩阵表达形式为：

在本实施例中，采用7层卷积神经网络(CNN)，包含1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层。利用反向传播(BP)算法对所设计的卷积神经网络进行训练。具体为：

(1)初始化CNN网络结构，包括每个卷积层的卷积核大小、数量和输出特征图数量(卷积步长默认为1)，每个下采样层的采样窗口大小、下采样方式、下采样步长等，设置每批迭代样本数量、迭代上限次数等；

(2)调整所有分块时频谱样本的图像大小为输入层要求的输入图像大小；把所有样本分为训练集、测试集；

(3)初始化参数，将各层权值ω、偏置项b等初始化为接近0的随机数；将超参数α、λ初始化为足够小的随机数，并设置随着训练次数增加时这两个参数的调整策略；

(4)定义各层之间的相关矩阵；

(5)开始训练网络，进行一次前向传播，按顺序计算出每层的激活值，然后计算输出层实际输出值与给定类型值的误差；

(6)将步骤(5)计算得到的误差值进行反向传播，分别计算每层权值和偏置项的调整量，并判断是否需要进行超参数的更新；

(7)根据步骤6)计算得到的调整量，调整各层权值和偏置项；

(8)重复步骤(5)～步骤(7)，直到误差满足精度要求或达到迭代次数上限；

(9)训练结束，保存训练结束时的各项最新参数。

本实施例采用以上技术之后，能够直接对内部过电压仿真波形进行辨识，也可直接对现场录波装置记录的过电压波形进行辨识，与工程实际紧密结合，可靠的反映电力系统实际运行中过电压的情况；在对过电压波形进行截取时，充分考虑不同过电压类型，恰当选取信号截取区间，防止有效信息数据丢失；本发明的突出优点是能够自主学习各类过电压的时频特征，不需要进行多个特征量的提取，打破类型识别特征量提取困难的壁垒。

特别的，本实例选取的过电压信号来源于PSCAD/EMTDC软件搭建10kV配电网模型用于获取过电压数据。训练样本和测试样本均为102个。

内部过电压的辨识步骤为：

(1)分块时频谱的获取。

根据本发明公开的内容，对五种内部过电压进行局部特征尺度分解，根据瞬时频率矩阵进行带通滤波，将每个ISC分量分解到6个频带：0～10Hz、10～20Hz、20～30Hz、30～40Hz、40～80Hz、80～600Hz，并将每个频带内的所有ISC分量叠加，获得时频矩阵；对时频矩阵分块求取能量值，获取五种内部过电压的分块时频谱。

(2)内部过电压类型辨识。

根据本发明公开的内容，输入层的输入图像为24×100的分块时频谱；卷积层1采用6个5×5的卷积核对输入图像进行卷积操作，卷积移动步长为1，输出6个20×96的特征图；下采样层1采用平均值下采样方式，采样窗口大小2×2，横纵步长均为2，输出6个10×48的特征图；卷积层2采用6×12＝72个5×5的卷积核对6个特征图进行卷积操作，卷积移动步长为1，获得12个6×44的输出特征图；下采样层2采用平均值下采样方式，采样窗口大小2×2，横纵步长均为2，输出12个3×22的特征图；全连接层将下采样层输出的12个特征图按列展开，并以此堆叠，形成792×1的特征向量，并与输出层全连接；输出层输出一个5×1的类型判别向量，输出结果中的每个元素值均在[0,1]，取最大值元素所在的位置编号作为最终判别的故障类型编号，其对应关系为1：分频谐振；2：单相金属性接地；3：间歇性弧光接地；4：高频谐振；5：基频谐振。设置每批迭代样本数量为34、迭代上限次数为3000。

辨识结果：识别正确率达94.12％。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (3)

1.一种基于分块时频谱和深度学习算法的配电网内部过电压识别方法，其特征在于：包括以下步骤：

步骤S1：获取过电压信号；

步骤S2：利用局部特征尺度分解方法分解步骤S1获取的过电压信号；

步骤S3：按照设定的频带对步骤S2中的过电压信号进行带通滤波，构造时频矩阵；

步骤S4：获取分块时频谱图；

步骤S5：采用深度学习算法对步骤S4获得的分块时频谱图进行分类识别；

其中，步骤S3具体为：设过电压信号经希尔伯特带通滤波后分解为m个子频带，各个波形采样点数均为n，各个子频带波形的数据点为a_ij(i＝1,2,...,m；j＝1,2,...n)，构造时频矩阵为：

其中，所述步骤S4具体包括以下步骤：

步骤S41：设过电压信号被分解为m个频带，每个频带n个数据点，将时频矩阵中各个频带序列按时间进行Z等分，即对每一行序列按时间进行Z等分，得到Z个时频区域，称为时频块，每个时频块含有P个数据点，其中P＝n/Z，第m个频带中第z个时频块的能量的计算公式为：

其中：表示第m个频带第z个时频块中第y个数据点的幅值，Δt表示两个数据点间的时间间隔，即采样周期；

步骤S42：每个过电压信号的分块时频谱矩阵为：

步骤S43：将4个过电压波形对应的分块时频谱按三相电压、零序电压的顺序从上至下拼接，即可得到总的分块时频谱E_total，作为过电压识别的特征量，其总的分块时频谱E_total表达形式为：

其中，分别表示A相电压信号、B相电压信号、C相电压信号、零序电压信号的分块时频谱矩阵。

2.根据权利要求1所述的一种基于分块时频谱和深度学习算法的配电网内部过电压识别方法，其特征在于：所述步骤S1具体为：截取过电压发生前的0.5个周波至过电压发生后的4.5个周波共5个工频周波的三相电压和零序电压的仿真波形。

3.根据权利要求1所述的一种基于分块时频谱和深度学习算法的配电网内部过电压识别方法，其特征在于：所述深度学习算法采用卷积神经网络。