CN114217132A - 一种基于wgan的电力系统谐波规律计算方法 - Google Patents
一种基于wgan的电力系统谐波规律计算方法 Download PDFInfo
- Publication number
- CN114217132A CN114217132A CN202111333676.9A CN202111333676A CN114217132A CN 114217132 A CN114217132 A CN 114217132A CN 202111333676 A CN202111333676 A CN 202111333676A CN 114217132 A CN114217132 A CN 114217132A
- Authority
- CN
- China
- Prior art keywords
- harmonic
- power system
- wgan
- current
- neural network
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/08—Measuring resistance by measuring both voltage and current
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于WGAN的电力系统谐波规律计算方法,所述谐波规律计算方法包括以下步骤:采集电力系统的电流瞬时值、通过小波神经网络获取谐波电流相量数据序列、建立WassersteinGAN,利用相量序列训练深度对抗神经网络、基于WassersteinGAN的生成器生成电力系统电流谐波数据,根据数据获取电流谐波规律等特征;本发明采用小波神经网络模型相比快速傅里叶变换具有更高的准确性,从而获取更精确的谐波。
Description
【技术领域】
本发明涉及电力系统谐波计算领域,具体涉及一种基于WGAN的电力系统谐波规律计算方法。
【背景技术】
随着现代工业的发展,电力系统不断介入大量非线性负载;大量的谐波容易导致电网谐振、加大系统电力变压器和输电线的损耗,降低电力测量的准确度。电力系统不同非线性负载呈现出不同的谐波分布。在相关技术中,研究谐波分布规律有助于理解电力系统谐波特点,从而有利于提高电力系统谐波管理水平。
现有技术中,针对电力系统谐波检测主要采用快速傅里叶算法,由于快速傅里叶变换分析频谱往往具有非同步采样、频谱泄露和信号的栅栏效应。同时,针对非线性符合谐波分布规律的讨论主要基于物理特性的角度或基于数学方法的角度出发。常见方法假设谐波的相位和幅值是相互独立的或者认为幅值和相较服从某种联合概率分布。在这种假设下,往往构造相位和幅值独立的概率密度函数或联合概率密度函数,从而建立幅值和相角的统计学分布特征,因此快速傅里叶变换准确性不高。
由此可见,提供一种准确性高的电力系统谐波规律计算方法是本领域亟需解决的问题。
【发明内容】
为解决上述问题,本发明提供一种基于WGAN的电力系统谐波规律计算方法,所述谐波规律计算方法包括以下步骤:
步骤一:采集电力系统的电流瞬时值;
步骤二:通过小波神经网络获取谐波电流相量数据序列;
步骤三:建立Wasserstein GAN,利用相量序列训练深度对抗神经网络;
步骤四:基于Wasserstein GAN的生成器生成电力系统电流谐波数据,根据数据获取电流谐波规律等特征。
进一步的,所述步骤一中电流数据的采样频率大于等于信号中最高频率的两倍。
进一步的,所述步骤二包括小波神经网络的小波基函数的选择、输入层节点的确定、隐含层节点的确定和小波神经网络的训练。
进一步的,所述输入层节点数大于等于信号中最高频率的两倍,所述小波神经网络的训练通过引入动量因子α,利用最速下降法进行训练,建立获取电力系统谐波信号的模型
进一步的,所述步骤三包括获取谐波电流相量数据序列、建立WGAN模型、利用所述电流相量数据训练所述WGAN模型。
进一步的,所述步骤四中获取电流谐波规律包括输入20000组随机的二维10000*2维度相量、将所述10000*2维度相量输入所述WGAN模型获取输出20000组n*2维度相量、根据所述20000组10000*2维度相量统计谐波规律。
本发明相较于现有技术具有以下有益效果:
1.小波神经网络模型相比快速傅里叶变换具有更高的准确性,从而获取更精确的谐波。
2.利用WGAN可以根据相位和幅值分布特征拟合复杂规律的多元分布的特性,建立基于Wasserstein距离的深度对抗神经网络。
3.利用WGAN训练谐波相位和幅值分布规律模型,基于WGAN模型生成相位和幅值数据获取谐波分布规律。
【附图说明】
图1是本发明基于WGAN的电力系统谐波规律计算方法原理图。
图2是本发明生成器生成谐波数据和获取谐波规律分布示意图。
【具体实施方式】
本发明所提到的方向用语,例如「上」、「下」、「前」、「后」、「左」、「右」、「内」、「外」、「侧面」等,仅是附图中的方向,只是用来解释和说明本发明,而不是用来限定本发明的保护范围。
本发明基于WGAN的电力系统谐波规律计算方法目的在于克服传统算法谐波获取及谐波分布规律计算的不足,提高准确性;所述基于WGAN的电力系统谐波规律计算方法包括以下步骤:
步骤一:采集电力系统的电流瞬时值;
电流数据的采样频率大于等于信号中最高频率的两倍;即N>2fHT,其中fH是电流信号的最高频率,T是基波周期。
步骤二:通过小波神经网络获取谐波电流相量数据序列;
此过程包括小波神经网络的小波基函数的选择、输入层节点的确定、隐含层节点的确定和小波神经网络的训练,为了保证小波基函数相位不失真且具有时域对称性和线性相位,因此选择morlet小波基函数:
其中输入层节点数大于等于信号中最高频率的两倍,即lnputn>2fHT,其中lnputn是输入层节点数,fH是电流信号的最高频率,T是基波周期。
所述隐含层节点的确定如下:
所述小波神经网络的训练通过引入动量因子α,利用最速下降法进行训练,建立获取电力系统谐波信号的模型。
步骤三:建立Wasserstein GAN,利用相量序列训练深度对抗神经网络;具体包括获取谐波电流相量数据序列、建立WGAN模型、利用所述电流相量数据训练所述WGAN模型。
在最优判别器D*下,loss为:
步骤四:基于Wasserstein GAN的生成器生成电力系统电流谐波数据,根据数据获取电流谐波规律等特征。
输入20000组随机的二维10000*2维度相量,将所述10000*2维度相量输入所述WGAN模型获取输出20000组n*2维度相量,根据所述20000组10000*2维度相量统计谐波规律。
本发明基于神经网络模型,构建电力系统谐波检测的小波神经网络模型,小波神经网络模型相比快速傅里叶变换具有更高的准确性,从而获取更精确的谐波;在分析谐波分布规律上,本专利该模型摒弃关于现有的关于相位和幅值是否独立,是否满足某种联合概率密度分布规律的假设的讨论。利用WGAN可以根据相位和幅值分布特征拟合复杂规律的多元分布的特性,建立基于Wasserstein距离的深度对抗神经网络(GAN),利用WGAN训练谐波相位和幅值分布规律模型,基于WGAN模型生成相位和幅值数据获取谐波分布规律。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于WGAN的电力系统谐波规律计算方法,其特征在于,所述谐波规律计算方法包括以下步骤:
步骤一:采集电力系统的电流瞬时值;
步骤二:通过小波神经网络获取谐波电流相量数据序列;
步骤三:建立Wasserstein GAN,利用相量序列训练深度对抗神经网络;
步骤四:基于Wasserstein GAN的生成器生成电力系统电流谐波数据,根据数据获取电流谐波规律等特征。
2.根据权利要求1所述的基于WGAN的电力系统谐波规律计算方法,其特征在于,所述步骤一中电流数据的采样频率大于等于信号中最高频率的两倍。
3.根据权利要求1所述的基于WGAN的电力系统谐波规律计算方法,其特征在于,所述步骤二包括小波神经网络的小波基函数的选择、输入层节点的确定、隐含层节点的确定和小波神经网络的训练。
4.根据权利要求3所述的基于WGAN的电力系统谐波规律计算方法,其特征在于,所述输入层节点数大于等于信号中最高频率的两倍,所述小波神经网络的训练通过引入动量因子α,利用最速下降法进行训练,建立获取电力系统谐波信号的模型。
5.根据权利要求1所述的基于WGAN的电力系统谐波规律计算方法,其特征在于,所述步骤三包括获取谐波电流相量数据序列、建立WGAN模型、利用所述电流相量数据训练所述WGAN模型。
6.根据权利要求1所述的基于WGAN的电力系统谐波规律计算方法,其特征在于,所述步骤四中获取电流谐波规律包括输入20000组随机的二维10000*2维度相量、将所述10000*2维度相量输入所述WGAN模型获取输出20000组n*2维度相量、根据所述20000组10000*2维度相量统计谐波规律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333676.9A CN114217132A (zh) | 2021-11-11 | 2021-11-11 | 一种基于wgan的电力系统谐波规律计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333676.9A CN114217132A (zh) | 2021-11-11 | 2021-11-11 | 一种基于wgan的电力系统谐波规律计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114217132A true CN114217132A (zh) | 2022-03-22 |
Family
ID=80696920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111333676.9A Pending CN114217132A (zh) | 2021-11-11 | 2021-11-11 | 一种基于wgan的电力系统谐波规律计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114217132A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102510044A (zh) * | 2011-11-04 | 2012-06-20 | 上海电力学院 | 基于小波变换和概率神经网络的励磁涌流鉴别方法 |
CN105403754A (zh) * | 2015-10-16 | 2016-03-16 | 云南电网有限责任公司曲靖供电局 | 一种基于核函数的谐波电流概率密度计算方法 |
CN109144987A (zh) * | 2018-08-03 | 2019-01-04 | 天津相和电气科技有限公司 | 基于深度学习的电力系统量测缺失值重建方法及其应用 |
CN109521270A (zh) * | 2018-10-11 | 2019-03-26 | 湖南工业大学 | 基于改进型小波神经网络的谐波检测方法 |
CN111914705A (zh) * | 2020-07-20 | 2020-11-10 | 华中科技大学 | 提升电抗器健康状态评估准确率的信号生成方法及装置 |
-
2021
- 2021-11-11 CN CN202111333676.9A patent/CN114217132A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102510044A (zh) * | 2011-11-04 | 2012-06-20 | 上海电力学院 | 基于小波变换和概率神经网络的励磁涌流鉴别方法 |
CN105403754A (zh) * | 2015-10-16 | 2016-03-16 | 云南电网有限责任公司曲靖供电局 | 一种基于核函数的谐波电流概率密度计算方法 |
CN109144987A (zh) * | 2018-08-03 | 2019-01-04 | 天津相和电气科技有限公司 | 基于深度学习的电力系统量测缺失值重建方法及其应用 |
CN109521270A (zh) * | 2018-10-11 | 2019-03-26 | 湖南工业大学 | 基于改进型小波神经网络的谐波检测方法 |
CN111914705A (zh) * | 2020-07-20 | 2020-11-10 | 华中科技大学 | 提升电抗器健康状态评估准确率的信号生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shu et al. | Single-ended fault location for hybrid feeders based on characteristic distribution of traveling wave along a line | |
CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
Muscas et al. | Multiarea distribution system state estimation | |
CN102135569B (zh) | 基于波动量法的用户侧谐波发射水平实用化的估计方法 | |
CN101907437A (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN109462257B (zh) | 一种计及多元随机变量电网电压稳定的灵敏度辨识方法 | |
CN105911334A (zh) | 一种谐波阻抗未知条件下的谐波电流估计方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
Xu et al. | Novel fault location for high permeability active distribution networks based on improved VMD and S-transform | |
CN108336739A (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
CN104319807A (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN106646121A (zh) | 一种配电网故障行波波头的辨识方法 | |
CN109270346A (zh) | 一种opgw雷击处偏振态波形信号处理方法 | |
CN116520095B (zh) | 故障测距方法、系统以及计算机可读存储介质 | |
CN108761202B (zh) | 极点对称模态分解和希尔伯特变换相结合的谐波检测方法 | |
Abeysinghe et al. | A statistical assessment tool for electricity distribution networks | |
Zhang et al. | A adaptive stochastic resonance method based on two-dimensional tristable controllable system and its application in bearing fault diagnosis | |
CN114217132A (zh) | 一种基于wgan的电力系统谐波规律计算方法 | |
CN108120898A (zh) | 基于vmd和sdeo的低采样率行波故障定位方法 | |
CN109188080B (zh) | 一种仿真试验平台及相量测量单元的误差测算方法 | |
CN111083632A (zh) | 一种基于支持向量机的超宽带室内定位方法 | |
Quan et al. | Spatial correlation modeling for optimal power flow with wind power: Feasibility in application of superconductivity | |
CN107888272A (zh) | 一种随机分布鲁棒波束成形器的构建及其计算方法 | |
CN105445719B (zh) | 一种三维激光扫描仪数据滤波方法 | |
Abhyankar et al. | Neuro-physical dynamic load modeling using differentiable parametric optimization |
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 |