CN106940407A - 一种配电网系统电能质量扰动定位与识别方法 - Google Patents

一种配电网系统电能质量扰动定位与识别方法 Download PDF

Info

Publication number
CN106940407A
CN106940407A CN201710152582.9A CN201710152582A CN106940407A CN 106940407 A CN106940407 A CN 106940407A CN 201710152582 A CN201710152582 A CN 201710152582A CN 106940407 A CN106940407 A CN 106940407A
Authority
CN
China
Prior art keywords
wavelet
disturbance
electrical energy
power quality
energy power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710152582.9A
Other languages
English (en)
Inventor
易灵芝
桂庆忠
李青平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN201710152582.9A priority Critical patent/CN106940407A/zh
Publication of CN106940407A publication Critical patent/CN106940407A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于提升小波和改进BP神经网络的电能质量扰动定位与识别方法。它包括以下步骤：用Euclidean分解算法得到db4小波提升方案；对扰动信号进行提升小波分解；结合模极大值对扰动突变点峰值进行定位检测；利用自适应学习率和增加动量项相结合的方法对BP神经网络改进并进行扰动识别。本发明能更好地获取扰动时刻信息，定位快速且精度高，能有效地克服传统BP神经网络易陷入局部极小点和收敛速度慢的缺点，对配电网系统电能质量扰动识别率高。

Description

一种配电网系统电能质量扰动定位与识别方法
技术领域
本发明涉及一种电能质量扰动定位与识别方法，特别涉及一种基于提升小波和改进BP神经网络的配电网系统电能质量扰动定位与识别方法。
背景技术
近年来，电力电子设备的广泛应用使得配电网系统中电能质量扰动问题日益突出。因此，如何提高电能质量成为目前配电网系统等相关领域的热点课题。配电网电能质量扰动的研究和治理受到了越来越多的重视，而快速、准确地对配电网电能质量扰动定位与识别是其中的重要环节也是评价和改善电能质量的重要措施。
国内外对配电网系统电能质量扰动定位与识别已展开广泛而深入的研究和探讨，产生了许多方法，如短时傅立叶变换，S变换，小波变换和广义S变换等技术，但都存在各自的不足。短时傅立叶变换由于其时间窗长度和形状相对固定，不能同时体现高频及低频的特征，存在局限性；用S变换法对电能质量扰动进行检测与分类，检测定位精度较高，分类相对准确，但S变换运算量较大，实时性难保证；小波变换能较好地定位与识别电能质量扰动，但采用的是传统小波，运算速度较慢，定位耗时较长；用广义S变换法来定位与识别电能质量扰动，定位精度和扰动识别率较高，但定位方法复杂，计算量大。
发明内容
为了解决配电网系统电能质量扰动定位与识别存在的技术问题，本发明是提供一种速度更快、实时性更强且定位精度高的配电网系统电能质量扰动定位与识别的方法。
本发明解决上述技术问题的技术方案是：
用Euclidean分解算法得到db4小波提升方案；
对扰动信号进行提升小波分解；
结合模极大值对扰动突变点峰值进行定位检测；
利用自适应学习率和增加动量项相结合的方法对BP神经网络改进并进行扰动识别。
本发明的技术效果在于：本发明通过对配电网系统电能质量扰动信号的多分辨率db4提升小波分解，得到其高、低频分解系数序列，然后利用模极大值来定位分析电能质量扰动起止时刻，提高了配电网系统电能质量扰动定位精度和速度，实时性更强，再通过自适应学习率和增加动量项相结合的方法对BP神经网络改进，降低了陷入局部极小点的概率，提高了网络收敛速度。
附图说明
图1是本发明的流程图
图2是本发明中提升小波的前、逆向环节
图3是本发明中提升小波的分解和重构模型
图4是本发明中使用的BP神经网络结构
图5是本发明中传统BP学习算法改进流程。
具体实施方式
下面结合附图，对本发明作进一步的详细说明。
本发明对配电网系统电能质量扰动定位与识别的具体过程如图1所示。
如图2所示，小波的提升过程由分解、预测和更新三个步骤组成：
步骤一：分解，将原始信号x(n)(aj(n))按奇偶性分解成偶数序列xe[n]和奇数序列xo[n]两个较小子集。
步骤二：预测，根据奇偶序列相关性，利用偶数序列xe[n]的预测值P(xe[n])来预测奇数序列xo[n]，用奇数序列的实际值与预测值做差得到小波系数dj-1[n]。
dj-1[n]＝xo[n]-P[xe(n)] (1)
步骤三：更新，用步骤二中得到的小波系数dj-1[n]对偶数序列xe[n]更新，得到尺度系数aj-1[n]。
aj-1[n]＝xe[n]+U(dj-1[n]) (2)
db4小波具有良好的消失矩、正则度、对称性和紧支撑性。因此，选db4小波采用Euclidean分解算法进行提升，而实现小波提升的关键在于分解小波滤波器的多相矩阵及其逆矩阵得到提升因子s(z)、t(z)。具体Euclidean分解实现过程如下：
记小波滤波器的多相矩阵为Q(z)，即：
对ue(z)和uo(z)进行Euclidean分解可得：
式(4)中n∈2k+1，k为整数。
令m＝(n+1)/2，若1≤i≤m-1时，则ti(z)＝q2i-1(z)，si(z)＝q2i(z)；若i＝m，ti(z)＝qn(z)，si(z)＝k2s(z)。因此有：
根据上述方法对db4小波进行提升，可得db4小波提升方案，即：
根据和Qts(z)构造出的db4提升小波分解模型及其重构模型如图3所示。
设θ(t)为一低通平滑函数且满足和取θ(t)为高斯函数即设θ(t)一阶可导，其导数为
则θ(t)的一阶导数Ψ′(t)满足小波允许性条件所以Ψ′(t)可以用做小波母函数。若记则θs(t)表示θ(t)在尺度因子s下的伸缩，以Ψ′(t)为小波母函数，信号x(t)在尺度为s，位移为t处的小波变换为
由式(8)可知，Ws′x(t)是信号x(t)在尺度s下由θ(t)平滑后再取一阶导数。信号x(t)的小波变换Ws′x(t)模的局部极大值点反映了信号x(t)的扰动突变点，因此可以用小波变换模极大值点来定位扰动信号突变点。
本发明的具体扰动信号定位步骤如下：
步骤一：绘制原始信号并采样，采样频率fs为10kHz，即每个周期采样200个点；
步骤二：小波分解，分别对扰动信号进行db4提升小波和db4小波4层分解，得到第一层高频系数d1t和d1；
步骤三：判断突变点，求d1t、d1模极大值点及其对应位置，d1t、d1模极大值所在点位置即为电能质量扰动信号突变点；
步骤四：定位起止时刻，d1t、d1模极大所对应的时刻即为电能质量扰动发生或结束时刻。
本发明采用研究最为成熟、应用最为广泛的BP神经网络来设计配电网系统电能质量扰动信号识别模型，其结构如图4所示。
BP神经网络是一种由输入层、中间层和输出层组成的按误差逆向传播算法训练的多层前馈神经网络。
输入层：前面对扰动信号进行了4层db4提升小波分解，得到5层分解系数序列，共5种扰动，分别是电压骤升、电压中断、电压骤降、脉冲瞬变和谐波扰动，输入变量共25个。
输出层：由于电能质量扰动识别模型是对电压骤升、电压中断、电压骤降、脉冲瞬变和谐波扰动进行识别。因此，输出为其对应的识别率，共5个。
中间层：中间层神经元的个数一般可以根据Kolmogorov定理来确定。若输入层变量个数为n，则中间层神经元个数为2n+1，共51个。
针对传统BP神经网络存在易陷入局部极小点、收敛速度慢等问题，本发明将增加动量项和自适应学习率的BP学习算法相结合来改进传统BP神经网络，以降低陷入局部极小点的概率，提高收敛速度和识别精度。传统BP学习算法具体实现步骤如下：
步骤一：连接权值w初始化，设定当前迭代t；
步骤二：输入训练样本P，设定当前输入p，计算各层输入误差和反向传播误差；
步骤三：判断P与p的大小。若p≥P，跳转到步骤四；若p＜P，则p＝p+1，跳转到步骤二；
步骤四：根据各层连接权值调整公式调整连接权值；
步骤五：根据步骤四得到的新连接权值，计算各层输出误差、反向传播误差和网络总误差E(t)；
步骤六：判断网络总误差E(t)和系统允许误差ε、当前迭代t和最大训练次数T的大小，若E(t)＜ε或者t＞T，则结束训练；反之，则跳转到步骤二进行新一轮训练。
自适应学习率的BP学习算法根据更新后的连接权值是否降低了网络总误差E(t)来自动调整学习率参数，网络收敛速度大幅提高。学习率η(t)的调整公式如下：
增加动量项的BP学习算法是通过当前误差曲面的负梯度变化量和前一次迭代修正所采纳的权值变化来获取权值的改变量，如公式(10)。通过动量项的作用可有效提高收敛速度，并有助于网络从误差曲面的极小值中跳出。
w(t)＝ΔwBP(t)+δ[w(t-1)-w(t-2)] (10)
式中：w(t)为第t次迭代误差；ΔwBP(t)为传统BP学习算法第t次迭代的权值改变量；动量因子δ通常取0.95。传统BP学习算法改进流程如图5所示。
由图5可知，与传统BP学习算法相比，改进BP学习算法对输入层、中间层和输出层的权值调整进行了改进，先根据式(9)调整动态学习率，然后根据式(10)调整各层连接权值。
最后，利用基于改进BP神经网络的配电网系统电能质量扰动识别模型就可对扰动进行快速精确的识别。

Claims (4)

1.一种基于提升小波和改进BP神经网络的配电网系统电能质量扰动定位与识别方法，包括以下步骤：
用Euclidean分解算法得到db4小波提升方案；
对扰动信号进行提升小波分解；
结合模极大值对扰动突变点峰值进行定位检测；
利用自适应学习率和增加动量项相结合的方法对BP神经网络改进并进行扰动识别。
2.根据权利要求1所述的基于提升小波和改进BP神经网络的配电网系统电能质量扰动定位与识别方法，所述用Euclidean分解算法得到db4小波提升方案的步骤为：
步骤一：分解，将原始信号x(n)(aj(n))按奇偶性分解成偶数序列xe[n]和奇数序列xo[n]两个较小子集；
步骤二：预测，根据奇偶序列相关性，利用偶数序列xe[n]的预测值P(xe[n])来预测奇数序列xo[n]，用奇数序列的实际值与预测值做差得到小波系数dj-1[n]，公式为dj-1[n]＝xo[n]-P[xe(n)]；
步骤三：更新，用步骤二中得到的小波系数dj-1[n]对偶数序列xe[n]更新，得到尺度系数aj-1[n]，公式为aj-1[n]＝xe[n]+U(dj-1[n])。
3.根据权利要求1所述的基于提升小波和改进BP神经网络的配电网系统电能质量扰动定位与识别方法，所述结合模极大值对扰动突变点峰值进行定位检测的过程为：
设θ(t)为一低通平滑函数且满足和取θ(t)为高斯函数即设θ(t)一阶可导，其导数为则θ(t)的一阶导数Ψ′(t)满足小波允许性条件所以Ψ′(t)可以用做小波母函数，若记则θs(t)表示θ(t)在尺度因子s下的伸缩，以Ψ′(t)为小波母函数，信号x(t)在尺度为s，位移为t处的小波变换为其中Ws′x(t)是信号x(t)在尺度s下由θ(t)平滑后再取一阶导数，信号x(t)的小波变换Ws′x(t)模的局部极大值点反映了信号x(t)的扰动突变点。
4.根据权利要求1所述的基于提升小波和改进BP神经网络的配电网系统电能质量扰动定位与识别方法，所述利用自适应学习率和增加动量项相结合的方法对BP神经网络改进并进行扰动识别的特征为：
自适应学习率的BP学习算法根据更新后的连接权值是否降低了网络总误差E(t)来自动调整学习率参数，网络收敛速度大幅提高，学习率η(t)的调整公式如下：
增加动量项的BP学习算法是通过当前误差曲面的负梯度变化量和前一次迭代修正所采纳的权值变化来获取权值的改变量，通过动量项的作用可有效提高收敛速度，并有助于网络从误差曲面的极小值中跳出，公式为：w(t)＝ΔwBP(t)+δ[w(t-1)-w(t-2)]，式中：w(t)为第t次迭代误差；ΔwBP(t)为传统BP学习算法第t次迭代的权值改变量；动量因子δ通常取0.95。
CN201710152582.9A 2017-03-15 2017-03-15 一种配电网系统电能质量扰动定位与识别方法 Pending CN106940407A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710152582.9A CN106940407A (zh) 2017-03-15 2017-03-15 一种配电网系统电能质量扰动定位与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710152582.9A CN106940407A (zh) 2017-03-15 2017-03-15 一种配电网系统电能质量扰动定位与识别方法

Publications (1)

Publication Number Publication Date
CN106940407A true CN106940407A (zh) 2017-07-11

Family

ID=59469698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710152582.9A Pending CN106940407A (zh) 2017-03-15 2017-03-15 一种配电网系统电能质量扰动定位与识别方法

Country Status (1)

Country Link
CN (1) CN106940407A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197073A (zh) * 2018-02-09 2018-06-22 国网江苏省电力有限公司电力科学研究院 一种改进的电动汽车充电电能信号特征分析方法
CN108710861A (zh) * 2018-05-23 2018-10-26 河海大学文天学院 一种电网扰动信号检测识别方法
CN108872743A (zh) * 2018-06-21 2018-11-23 中国人民解放军63892部队 一种基于小波变换的电能质量实时监测分析系统及方法
CN110059737A (zh) * 2019-04-11 2019-07-26 东南大学 基于集成深度神经网络的配电变压器连接关系辨识方法
CN110518625A (zh) * 2019-01-22 2019-11-29 电子科技大学 一种可变学习率bp-pid控制的并网逆变器直流分量抑制方法
CN110796167A (zh) * 2019-09-25 2020-02-14 武汉大学 基于提升方案深度神经网络的图像分类方法
CN113361427A (zh) * 2021-06-11 2021-09-07 温州大学 基于wt与ga-pnn的复合电能质量扰动分类方法
CN117310353A (zh) * 2023-11-30 2023-12-29 淮安苏达电气有限公司 一种变电站一、二次回路通流加压故障测试方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101267116A (zh) * 2008-03-20 2008-09-17 浙江工业大学 一种配电网电能质量扰动源自动定位方法
CN101566663A (zh) * 2009-06-04 2009-10-28 山东大学 一种配电系统电压跌落源定位方法
CN102288803A (zh) * 2011-05-16 2011-12-21 湖南大学 一种电能质量暂态扰动实时检测方法
CN104635114A (zh) * 2015-03-04 2015-05-20 江苏省电力公司常州供电公司 一种电能质量扰动源定位系统及定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101267116A (zh) * 2008-03-20 2008-09-17 浙江工业大学 一种配电网电能质量扰动源自动定位方法
CN101566663A (zh) * 2009-06-04 2009-10-28 山东大学 一种配电系统电压跌落源定位方法
CN102288803A (zh) * 2011-05-16 2011-12-21 湖南大学 一种电能质量暂态扰动实时检测方法
CN104635114A (zh) * 2015-03-04 2015-05-20 江苏省电力公司常州供电公司 一种电能质量扰动源定位系统及定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何巨龙等: "配电系统谐波扰动的定位与识别研究", 《电气技术》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197073B (zh) * 2018-02-09 2021-05-14 国网江苏省电力有限公司电力科学研究院 一种改进的电动汽车充电电能信号特征分析方法
CN108197073A (zh) * 2018-02-09 2018-06-22 国网江苏省电力有限公司电力科学研究院 一种改进的电动汽车充电电能信号特征分析方法
CN108710861B (zh) * 2018-05-23 2022-10-11 皖江工学院 一种电网扰动信号检测识别方法
CN108710861A (zh) * 2018-05-23 2018-10-26 河海大学文天学院 一种电网扰动信号检测识别方法
CN108872743A (zh) * 2018-06-21 2018-11-23 中国人民解放军63892部队 一种基于小波变换的电能质量实时监测分析系统及方法
CN110518625A (zh) * 2019-01-22 2019-11-29 电子科技大学 一种可变学习率bp-pid控制的并网逆变器直流分量抑制方法
CN110518625B (zh) * 2019-01-22 2023-07-25 电子科技大学 一种可变学习率bp-pid控制的并网逆变器直流分量抑制方法
CN110059737A (zh) * 2019-04-11 2019-07-26 东南大学 基于集成深度神经网络的配电变压器连接关系辨识方法
CN110796167A (zh) * 2019-09-25 2020-02-14 武汉大学 基于提升方案深度神经网络的图像分类方法
CN110796167B (zh) * 2019-09-25 2022-07-22 武汉大学 基于提升方案深度神经网络的图像分类方法
CN113361427A (zh) * 2021-06-11 2021-09-07 温州大学 基于wt与ga-pnn的复合电能质量扰动分类方法
CN113361427B (zh) * 2021-06-11 2024-03-15 温州大学 基于wt与ga-pnn的复合电能质量扰动分类方法
CN117310353A (zh) * 2023-11-30 2023-12-29 淮安苏达电气有限公司 一种变电站一、二次回路通流加压故障测试方法及系统
CN117310353B (zh) * 2023-11-30 2024-02-09 淮安苏达电气有限公司 一种变电站一、二次回路通流加压故障测试方法及系统

Similar Documents

Publication Publication Date Title
CN106940407A (zh) 一种配电网系统电能质量扰动定位与识别方法
Zhang et al. Multiscale attention-based LSTM for ship motion prediction
Li et al. Maximization of energy absorption for a wave energy converter using the deep machine learning
Li et al. The emerging graph neural networks for intelligent fault diagnostics and prognostics: A guideline and a benchmark study
Baghirli Comparison of Lavenberg-Marquardt, scaled conjugate gradient and Bayesian regularization backpropagation algorithms for multistep ahead wind speed forecasting using multilayer perceptron feedforward neural network
Quan et al. Particle swarm optimization for construction of neural network-based prediction intervals
Duan et al. A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error
CN107392364A (zh) 变分模态分解与深度信念网络的短期负荷预测方法
CN108764520B (zh) 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN111709315A (zh) 一种基于领域适配的水声目标辐射噪声识别方法
CN105488466B (zh) 一种深层神经网络和水声目标声纹特征提取方法
CN109034054B (zh) 基于lstm的谐波多标签分类方法
CN110443417A (zh) 基于小波变换的多模型集成负荷预测方法
CN111160176A (zh) 基于融合特征的一维卷积神经网络地面雷达目标分类方法
WO2011060730A1 (zh) 预测交通流的方法和装置
CN109242212A (zh) 一种基于变模式分解与长短记忆网络的风电预测方法
CN110707763A (zh) 一种基于集成学习的交直流配电网负荷预测方法
CN110222844A (zh) 一种基于人工神经网络的压缩机性能预测方法
Chinnathambi et al. Deep neural networks (DNN) for day-ahead electricity price markets
CN111506868B (zh) 一种基于hht权值优化的超短期风速预测方法
CN108647807A (zh) 河流流量的预测方法
CN109165737B (zh) 基于条件随机场和bp神经网络的孔隙度预测方法
CN114358389A (zh) 结合vmd分解和时间卷积网络的短期电力负荷预测方法
CN110188876A (zh) 基于bp神经网络的超声振动设备振幅软测量预测方法
Yang et al. A prediction model of aquaculture water quality based on multiscale decomposition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170711