CN114580483A - 一种配电网电能质量扰动分类方法及其应用 - Google Patents

Abstract

配电网电能质量扰动分类方法，该方法是基于VMD和LightGBM的配电网电能质量扰动分类方法，包括：建立电能质量正常信号以及多种类型的电能质量扰动信号模型；对信号进行奇异值分解，求出奇异值突变点阶次K；根据步骤2中确定的K值，对信号进行变分模态分解；将输出带入步骤1中的各种扰动数学模型中，得到各扰动样本，将其作为输入样本进行LightGBM分类训练；实时采集配电台区电能信号，将电能信号经过上述计算得到本征模态函数分量后输入到训练好的LightGBM模型进行扰动分类。

Description

一种配电网电能质量扰动分类方法及其应用

技术领域

本发明涉及一种分类方法，尤其是，涉及一种基于VMD和LightGBM的配电网电能质量扰动分类方法。

背景技术

配电台区供电环境复杂且问题多样，单纯依靠建模与人工分析手段难以实现电能质量问题溯源，无法有效支撑治理方案设计；现有的电能质量治理方法难以满足不同台区的差异化需求，且未从多个台区间协同治理的角度考虑方案的全局统筹，方案具有较大的局限性，严重阻碍了台区电能质量问题的有效处理。

电流扰动信号分类方法主要包括两个步骤：1)提取电能质量扰动信号的特征；2)利用提取的特征进行分类。

在提取电能质量扰动信号特征中最常用的一些策略是快速傅立叶变换(FFT)、短时傅立叶变换(STFT)、小波变换(WT)、S变换、Wigner-Ville分布、Hilbert Huang变换(HHT)，短时傅里叶变换(STFT)，奇异值分解(SVD)，卡尔曼滤波器(KF)等。

现有的分类器主要包括：人工神经网络、支持向量机(SVM)、决策树、专家系统和贝叶斯分类器等。人工神经网络作为人工智能领域的前沿内容，在电力系统领域也有了一些初步的应用，并取得了一些显著的成果。

在信号特征提取阶段：由于时间窗的长度和形状相对固定，短时傅里叶变换不能反映高频和低频的特性。虽然小波变换可以实现多尺度聚焦，但变换尺度与频率的关系是固定的。奇异值分解和卡尔曼滤波缺乏信号的频域特性。S变换是一种结合小波变换和FFT的可逆时间谱定位技术，虽然可以在存在噪声的情况下取得不错的效果，但其主要缺点在于计算复杂度高。Hilbert-Huang变换是一种能够处理谐波信号以及非线性和非平稳信号的自适应时频分析方法，包括经验模式分解(EMD)和希尔伯特变换(HT)两部分，但是EMD方法在区分窄带信号中不同成分方面受到限制，会存在端点效应和模态混叠现象。变分模态分解(VMD)由Konstantin Dragomiretskiy于2014年提出，可以很好抑制EMD方法的模态混叠现象(通过控制带宽来避免混叠现象)，但VMD对信号分解层数K需要人工选取，不能自适应于环境复杂的配电网场景中。

现有技术中，如中国专利申请，其申请号：CN2020102046170，公开号：CN111325485A公开一种计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法，该方法，该方法包括：基于典型物联通信方式的电能质量分析系统架构的构建、计及物联带宽约束的电能质量时域特征高效边缘提取、最优特征集合和最优分类器的构建、电能质量扰动高效识别效果分析等步骤，通过对17类电能质量扰动信号进行信号采集，并通过采集的数据训练LightGBM扰动识别分类器，训练完成后通过分析电能质量扰动信号用于电能质量扰动类型的判断。然而，该现有技术并没有结合VMD中对分量个数K的主观设置，降低了逻辑性，无法克服使用VMD算法自适应调整模态分量个数的缺陷，无法解决使用决策树或人工神经网络算法造成计算量过大和鲁棒性不强的问题。

现有技术，如中国专利申请，其申请号：CN2021112406482，公开号：CN113869604A公开一种基于WRF风速预测的风电功率预测方法及系统，包括：获取测量得到的历史风速数据，基于所述数据，使用WRF模式获取预测风速；采用VMD对所述历史风速数据进行分解，将设定频率的基本模态分量进行叠加，实现历史风速数据的样本重构；将重构后的历史风速数据、预测风速数据和历史风电功率作为输入特征量，输入LightGBM功率预测模型，输出风电功率预测数据。本发明将历史风速数据用VMD分解并去掉一定高频分量重构后输入LightGBM功率预测模型，在不增加输入复杂度的情况下，更加平滑的序列数据更有利于LightGBM的参数训练。虽然该现有技术采用VMD+LightGBM相结合用于风电功率预测方法，但是，该方法并没有给出结合启示，将其应用于配电网电能质量扰动分类中以能够自适应地调整模态分量、有效的暂态扰动检测，同时兼具较强的抗噪性、较小的运算量、较少的参数且参数可智能选取，从而具有较强的鲁棒性以获得一种较为综合全面的电能质量扰动分类算方法的技术启示。

总之，在信号特征分类阶段：支持向量机具有较高的分类精度，但参数优化过程中的计算量相对较大，实时性能不佳。专家系统是一种更灵活的分类方法，但随着不同类型扰动信号的增加，知识库的复杂度越来越高，很大程度上影响了系统的容错能力，分类性能也受到限制。尽管人工神经网络方法在谐波、间谐波检测中有一定的应用，但这类方法往往比较复杂且计算量很大并且对训练它们对硬件的要求非常高，当不对收敛速度做要求时，仍需要大量资源，同样在云中运行这些模型也需要很多资源，最终限制了神经网络解决方案的适用性。

发明内容

为了解决现有技术中的不足，本发明公开一种基于VMD和LightGBM的配电网电能质量扰动分类方法，其技术方案如下：

基于VMD和LightGBM的配电网电能质量扰动分类方法，其特征为：包括以下步骤：

步骤1：建立电能质量正常信号模型以及多种类型的电能质量扰动信号模型；

步骤2：对信号进行奇异值分解，求出奇异值突变点阶次K；

步骤3：根据步骤2中确定的K值，对信号进行变分模态分解，得到本征模态函数分量；

步骤4：将步骤3得到的变分模态分量输入到LightGBM算法进行训练得到最优LightGBM模型；

步骤5：实时采集配电网电能信号，经过步骤2、3计算得到本征模态函数分量后输入到步骤4训练好的最优LightGBM模型进行扰动分类。

本发明还公开一种将基于VMD和LightGBM的配电网电能质量扰动分类方法应用于配电网电能质量监控系统中。

有益效果

本方法是一种以奇异值最佳有效秩阶次改进VMD中对分量个数K的主观设置，增强其逻辑性，结合LightGBM分类算法的集成式新型电能质量扰动分类算法，克服了仅使用VMD算法无法自适应调整模态分量个数的缺陷，解决了仅使用决策树或人工神经网络算法造成计算量过大和鲁棒性不强的问题。本发明将这两种经典算法进行结合，得到一种既可以自适应地调整模态分量，又更为有效的暂态扰动检测方法，同时兼具较强的抗噪性、较小的运算量、较少的参数且参数可智能选取，可准确地检测发生在过零点的扰动、复杂的混合扰动及微弱的暂态扰动等优点，具有较强的鲁棒性，是一种较为综合全面的电能质量扰动分类算法。

附图说明

图1为EFB算法流程图；

图2为LGBM算法流程图；

图3为本发明基于VMD和LightGBM的配电网电能质量扰动分类方法整体结构流程图。

具体实施方式

一种配电网电能质量扰动分类方法，该方法是基于VMD和LightGBM的配电网电能质量扰动分类方法，其特征为：

步骤1：建立电能质量正常信号以及多种类型的电能质量扰动信号模型：

电能质量扰动可由的单个原因造成的单一扰动，也可能由多种单个原因叠加同时造成，形成复合扰动。本发明根据IEEE Std 1159-2019，考虑了11类PQD信号，包括7种单一扰动信号，4种复合扰动；可调节参数的获得了大量仿真数据，文中使用的扰动信号以及数学模型参数如表1所示，表1给出了根据合成方程考虑的所有单个PQD的详细信息。

步骤2：对信号进行奇异值分解SVD，求出奇异值突变点阶次K：

VMD的核心思想是构建和求解变分问题，其中构造变分问题，会假设原始信号f(t)被分解为K个分量，较为主观。然而奇异值分解(SVD)在去噪过程中会保留前K个较大奇异值，即取信号主要信息，与VMD在信号处理过程中的思路是一致的，所以可以用SVD的有效阶次确定VMD的模态分量个数K。实施方法如下：

(4)根据奇异值分布曲线，计算各阶次对应的奇异值斜率：

式中：s为奇异值；m为奇异值对应的阶次。

(5)计算相邻两个奇异值斜率的差值

dg_m＝g_m+1-g_m (2)

(6)如果相邻两个奇异值斜率的差值满足下列条件：

式中：thr₁为斜率差值的上阈值；thr₂为斜率差值的下阈值，其具体数值得根据信号强度大小而定，通常取thr₁＝50，thr₂＝5便能求出奇异值突变点阶次k。

步骤3：根据步骤2中确定的K值，对信号进行变分模态分解，得到本征模态函数分量：

在VMD算法中，将“本征模态函数(Intrinsic Mode Function，IMF)”定义为一个调幅调频信号，它将多分量信号非递归地分解为有限数量的紧带受限IMF(即，子信号或模式)，x_k(t)具有同时再现输入信号的特定稀疏特性。模式被建模为具有随时间变化的幅度和相位的正弦波，：

式中

为信号的相位；A_k(t)为信号瞬时幅值；ω(t)为信号瞬时频率，

同相位相比，瞬时幅值和瞬时频率均都是缓变量。

VMD约束变分模型实质为搜寻K个具有特定稀疏性的IMF分量u_k(t)，使各分量的估计带宽之和达到最小，这里限定约束条件满足各分量之和等于原始信号f(t)，其模型的构造步骤如下：

(1)对信号进行希尔伯特变换，得到每个IMF分量x_k(t)的解析信号，获取其单边频谱为：

(2)对每个IMF分量的解析信号，逐一估计其相应的中心频率ω_k，将它与指数信号

相乘，将模式频谱转移到基带区域

(3)通过解调信号的H1高斯平滑度计算带宽。

首先构造变分问题，原始信号f(t)被分解为k个模态分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，则相应约束变分表达式为：

式中δ(t)为狄拉克函数；j为虚数函数；*为卷积运算；

为对函数求偏导；{x_k}、{ω_k}分别对应分解后第K个模态分量和中心频率。

然后求解式(7)，引入Lagrange乘法算子λ，将约束变分问题转变为非约束变分问题，得到增广Lagrange表达式为：

式中：α为二次惩罚因子，作用是降低高斯噪声干扰。利用交替方向乘子(ADMM)迭代算法结合Parseval/Plancherel、傅里叶等距离变换。优化得到各模态分量和中心频率，并搜寻增广Lagrange函数的“鞍点”，交替寻优迭代后的x_k、ω_k和λ的表达式如下：

式中τ为噪声容忍度，满足信号分解的保真度要求，

和

分别对应f(t)、x_k(t)和λ(t)的傅里叶变换。

按更新标准不断迭代，直到满足下面收敛标准，最终输出

和ω_k(t)。

步骤4：将步骤3得到的变分模态分量输入到LightGBM算法进行训练得到最优LightGBM模型；

Light GBM(LGBM)：首先使用直方图算法将连续数据离散化，每个样本使用EFB算法合并相互排斥的特征，初始化决策树，使其损失最小。然后通过GOSS算法保留大梯度样本，利用信息增益划分分割点，新的决策树并入上一棵决策树，经过迭代，最终得到拟合的决策树。如流程图2所示，LGBM包括如下几个算法：

直方图算法：对于步骤3得到的变分模态分量，将连续的浮点型数据划分到k个离散的范围内，得到k个集合，利用其构造处宽度为k的直方图。对样本逐一对比，根据其大小划分进入相应的集合。之后在决策树划分分割点时，不必将海量数据与分割点逐一对比，直接按照离散值大小直接划分批量数据，从而提高划分速度。

互斥特征捆绑算法(Exclusive Feature Bundling，EFB)：高维的数据通常是稀疏的，在稀疏特征空间中，许多特征是互斥的，大部分特征不会同时取非0值，将直方图算法离散化的样本中合并互斥的特征为单一特征。如流程图1所示，首先构建图，将每个特征作为一个顶点，遍历所有样本，遍历所有特征对，如果特征之间不互斥：如果顶点之间不存在边，则在顶点之间连接一条边，权重为1。如果顶点之间存在边，则顶点之间的边的权重加1。对每个顶点，根据顶点的度来降序排列。初始化

根据顶点的排序遍历顶点：遍历特征集，计算顶点与打包特征集的冲突值cnt。如果cnt≤k，则说明顶点与特征集不冲突。此时将顶点添加到特征集中，退出循环并考虑下一个顶点。如果顶点未加入到任何一个打包特征集中：创建一个新的打包特征集加入到B中，并将顶点添加到这个新的打包特征集中。其中冲突值为最大边的权值，即

cnt＝max_k∈Bweight(j，k).

单边梯度采样(Gradient-based One-Side Sampling，GOSS)：单边梯度采样保留所有的梯度较大的样本，在梯度小的实例上使用随机采样。对互斥特征捆绑算法得到的若干单一特征进行梯度采样，保留梯度较大的样本，同时为了抵消对数据分布的影响，计算信息增益的时候，单边梯度采样对小梯度的数据引入常量乘数。

(1)每个样本的损失函数的梯度绝对值为：

其中，y_i为样本值，θ(x_i)为决策树的预测值，l为损失函数。

(2)重要的样本数和随即丢弃的样本数分别为：

tN＝lG*len(D) (14)

rN＝sG*len(D) (15)

其中

为样本数据集。lG，sG分别为大梯度，小梯度比率，len(D)为数据集长度。

(3)大梯度样本全部保留为S1，小梯度样本随机保留为S2，合并后集合D：

S1＝S[1：tN] (16)

S2＝RandomPick(S[tN：len(D)]，rN) (17)

D^*＝S1+S2 (18)

(4)大梯度样本的权重都为1，小梯度样本的权重为修正因子

根据新的训练集及其权重，训练决策树模型来拟合残差。其中信息增益为：

其中，N为总样本数，

为修正因子，用于补偿由于对小梯度采样带来的偏离。

步骤5：实时采集配电台区电能信号，经过步骤2、3计算得到本征模态函数分量后输入到步骤4训练好的最优LightGBM模型进行扰动分类：

对从配电台区提取到的电能质量数据进行步骤2奇异值分解与步骤3变分模态分解，得到本征模态函数分量，传输到记录最优参数的最优LightGBM模型中，最终对电能质量信号进行正常波形与单一扰动和复合扰动的分类。在保证具有较高的分类准确率的前提下，不仅降低了数据传输的通信成本，还降低了海量数据的缓存压力以及计算压力。

本发明采用的VMD与EMD原理不同，VMD分解方式是利用迭代搜索变分模型最优解来确定每个分解的分量中心频率及带宽，属于完全非递归模型，该模型寻找模态分量的集合及其各自的中心频率；其突出缺点是在处理信号前需要设定分量个数K，K值的准确判别对信号分解后的模态影响至关重要，K值偏小导致某个分量模态无法识别，K值偏大导致模态混叠，依靠经验进行人工设定K值，因缺乏判据而不够严谨。因此我们在信号特征提取阶段利用奇异值最佳有效秩阶次自动适应VMD的分量个数(奇异值分解后的突变点K值和VMD的分量个数K在信号处理过程中起的作用是一致的，所以VMD的分量个数K可以根据奇异值分解的有效阶次来定。)，在保留了其能有效避免模态混叠、过包络、欠包络、边界效应等问题，具有较好的复杂数据分解精度及较好的抗噪声干扰等优点的同时使其更具有鲁棒性。在信号特征分类阶段我们采用LightGBM作为我们的分类器。经过大量工业级运用实例可以证明：LightGBM具有更快的训练效率(在达到同样的准确率的情况下，可以达到比GBT约20倍的训练速度)、低内存使用、更高的准确率、支持并行化学习、可处理大规模数据。两种方法集成后的电能质量扰动分类方法可以满足配电不同台区差异性需求，可以在配电网系统中的具有很好的泛化性。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (8)

1.一种配电网电能质量扰动分类方法，该方法是基于VMD和LightGBM的配电网电能质量扰动分类方法，其特征为：包括以下步骤：

步骤1：建立电能质量正常信号模型以及多种类型的电能质量扰动信号模型；

步骤2：对信号进行奇异值分解，求出奇异值突变点阶次K；

步骤3：根据步骤2中确定的K值，对信号进行变分模态分解，得到本征模态函数分量；

步骤4：将步骤3得到的变分模态分量输入到LightGBM算法进行训练得到最优LightGBM模型；

步骤5：实时采集配电网电能质量信号，经过步骤2、3计算得到本征模态函数分量后输入到步骤4训练好的最优LightGBM模型进行扰动分类。

2.根据权利要求1所述的配电网电能质量扰动分类方法，其特征为：所述步骤1进一步包括如下内容：

电能质量扰动信号模型类型包括：电压暂降、电压暂升、电压中断、电压波动、电压暂态振荡、电压谐波、电压暂升与电压谐波、电压暂降与电压谐波、电压暂升与电压波动、电压暂降与电压波动；

电能质量正常信号模型通过正弦信号表示；

所述标准电压的模型为：

y(t)＝Asin(ωt)

其中A为电压幅值设置为1p.u.，ω为信号角频率设为100π。所述电压暂降的模型为：

y(t)＝A[1-α(u(t-t₁)-u(t-t₂))]sin(ωt)

其中：0.1≤α≤0.9，u(.)为电压瞬时值，T≤t₂-t₁≤9T，T为工频信号周期，取值为0.02s；

所述电压暂升的模型为：

y(t)＝A[1+α(u(t-t₁)-u(t-t₂))]sin(ωt)

其中：0.1≤α≤0.8

所述电压中断的模型为：

y(t)＝A[1-α(u(t-t₁)-u(t-t₂))]sin(ωt)

其中：0.9≤α≤1

所述电压波动的模型为：

y(t)＝A[1+αsin(βωt)]sin(ωt)

其中：0.9≤α≤1，5Hz≤β≤20Hz

所述电压暂态振荡的模型为：

其中：0.1≤α≤0.8；300Hz≤ω_n≤900Hz；8ms≤τ≤140ms所述电压谐波的模型为：

y(t)＝A[α₁sin(ωt)+α₃sin(3ωt)+α₅sin(5ωt)+α₇sin(7ωt)]

其中：0.05≤α₃、α₅、α₇≤0.15，

所述电压暂升与电压谐波的模型为：

y(t)＝A[1+α(μ(t-t₁)-μ(t-t₂))]×[α₁sin(ωt)+α₃sin(3ωt)+α₅sin(5ωt)+α₇sin(7ωt)]

其中：0.1≤α≤0.8，0.05≤α₃、α₅、α₇≤0.15，

所述电压暂降与电压谐波的模型为：

y(t)＝A[1-α(μ(t-t₁)-μ(t-t₂))]×[α₁sin(ωt)+α₃sin(3ωt)+α₅sin(5ωt)+α₇sin(7ωt)]

其中：0.1≤α≤0.9，0.05≤α₃、α₅、α₇≤0.15，

所述电压暂降与电压波动的模型为：

y(t)＝A[1+α₁sin(βωt)]sin(ωt)+A[1-α₂(u(t-t₁)-u(t-t₂))]sin(ωt)

其中：0.1≤α₁≤0.9，0.9≤α₂≤1，5Hz≤β≤20Hz

所述电压暂升与电压波动的模型为：

y(t)＝A[1+α₁sin(βωt)]sin(ωt)+A[1+α₂(u(t-t₁)-u(t-t₂))]sin(ωt)

其中：0.1≤α₁≤0.9，0.9≤α₂≤1，5Hz≤β≤20Hz。

3.根据权利要求1所述的配电网电能质量扰动分类方法，其特征为：所述步骤2进一步包括如下内容：

(1)根据奇异值分布曲线，计算各阶次对应的奇异值斜率：d是数学符号，表示微分

式中：s为奇异值；m为奇异值对应的阶次；

(2)计算相邻两个奇异值斜率的差值

dg_m＝g_m+1-g_m (2)

(3)如果相邻两个奇异值斜率的差值满足下列条件：

式中：thr₁为斜率差值的上阈值；thr₂为斜率差值的下阈值，其具体数值得根据信号强度大小而定，通常取thr₁＝50，thr₂＝5便能求出奇异值突变点阶次k。

4.根据权利要求1所述的配电网电能质量扰动分类方法，其特征为：所述步骤3进一步包括如下内容：

步骤(1)：对信号进行希尔伯特变换，得到每个IMF分量x_k(t)的解析信号，获取其单边频谱；

步骤(2)：对每个IMF分量的解析信号，逐一估计其相应的中心频率ω_k，将它与指数信号

相乘，将模式频谱转移到基带区域；

步骤(3)：通过解调信号的H1高斯平滑度计算带宽。

5.根据权利要求1所述的配电网电能质量扰动分类方法，其特征为：所述步骤4进一步包括如下内容：

Light GBM(LGBM)：首先使用直方图算法将连续数据离散化，每个样本使用EFB算法合并相互排斥的特征，初始化决策树，使其损失最小。然后通过GOSS算法保留大梯度样本，利用信息增益划分分割点，新的决策树并入上一棵决策树，经过迭代，最终得到拟合的决策树；LGBM包括如下几个算法：

直方图算法：对于步骤3得到的变分模态分量，将连续的浮点型数据划分到k个离散的范围内，得到k个集合，利用其构造处宽度为k的直方图。

互斥特征捆绑算法：高维的数据通常是稀疏的，在稀疏特征空间中，许多特征是互斥的，大部分特征不会同时取非0值，将直方图算法离散化的样本中合并互斥的特征为单一特征；

单边梯度采样：对互斥特征捆绑算法得到的若干单一特征进行梯度采样，保留梯度较大的样本，在梯度小的实例上使用随机采样。

6.根据权利要求5所述的配电网电能质量扰动分类方法，其特征为：所述互斥特征捆绑算法进一步包括如下内容：首先构建图，将每个特征作为一个顶点，遍历所有样本，遍历所有特征对，如果特征之间不互斥：如果顶点之间不存在边，则在顶点之间连接一条边，权重为1；如果顶点之间存在边，则顶点之间的边的权重加1；对每个顶点，根据顶点的度来降序排列；初始化

根据顶点的排序遍历顶点：遍历特征集，计算顶点与打包特征集的冲突值cnt；如果cnt≤k，则说明顶点与特征集不冲突；此时将顶点添加到特征集中，退出循环并考虑下一个顶点；如果顶点未加入到任何一个打包特征集中：创建一个新的打包特征集加入到B中，并将顶点添加到这个新的打包特征集中。其中冲突值为最大边的权值，即

cnt＝max_k∈Bweight(j，k)。

7.根据权利要求5所述的配电网电能质量扰动分类方法，其特征为：所述单边梯度采样进一步包括如下内容：

(1)每个样本的损失函数的梯度绝对值为：

其中，y_i为样本值，θ(x_i)为决策树的预测值，l为损失函数；

(2)重要的样本数和随即丢弃的样本数分别为：

tN＝lG*len(D) (14)

rN＝sG*len(D) (15)

其中

为样本数据集。lG，sG分别为大梯度，小梯度比率，len(D)为数据集长度；

(3)大梯度样本全部保留为S1，小梯度样本随机保留为S2，合并后集合D：

S1＝S[1：tN] (16)

S2＝RandomPick(S[tN：len(D)]，rN) (17)

D^*＝S1+S2 (18)

(4)大梯度样本的权重都为1，小梯度样本的权重为修正因子

根据新的训练集及其权重，训练决策树模型来拟合残差。其中信息增益为：

其中，N为总样本数，

为修正因子，用于补偿由于对小梯度采样带来的偏离。

8.一种将配电网电能质量扰动分类方法应用于配电网电能质量监控系统中。

Images