CN115238759A - 基于压缩感知的电力数据压缩与电能质量扰动识别方法 - Google Patents

基于压缩感知的电力数据压缩与电能质量扰动识别方法 Download PDF

Info

Publication number
CN115238759A
CN115238759A CN202210491675.5A CN202210491675A CN115238759A CN 115238759 A CN115238759 A CN 115238759A CN 202210491675 A CN202210491675 A CN 202210491675A CN 115238759 A CN115238759 A CN 115238759A
Authority
CN
China
Prior art keywords
dictionary
data
disturbance
cloud
feature
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
CN202210491675.5A
Other languages
English (en)
Inventor
夏信
何传亮
康薇
王守志
张博
宋华旭
陈晨
陈海鹏
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.)
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
Beijing Smartchip Microelectronics Technology Co Ltd
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 Beijing Smartchip Microelectronics Technology Co Ltd filed Critical Beijing Smartchip Microelectronics Technology Co Ltd
Priority to CN202210491675.5A priority Critical patent/CN115238759A/zh
Publication of CN115238759A publication Critical patent/CN115238759A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/049Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

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

Abstract

本发明属于电力企业智能管理技术领域,具体为基于压缩感知的电力数据压缩与电能质量扰动识别方法,包括步骤1:首先建立电能质量信号训练样本集模型;步骤2:然后对公共字典和特征字典进行分别进行字典初始化;步骤3:最后利用KSVD算法将目标函数进行优化;步骤4:基于云边协同的数据存储;步骤5:电能质量数据分类,提取扰动信号的特征,然后设计分类器,实现不同扰动的分类;步骤7:基于DDPG的参数寻优,强化学习概念,确定性策略梯度法,其结构合理,解决了传统分类算法对特征选取不充分从而造成分类效率的问题,并在一定程度上提升模型的鲁棒性、降低了训练时间。

Description

基于压缩感知的电力数据压缩与电能质量扰动识别方法
技术领域
本发明涉及电力企业智能管理技术领域,具体为基于压缩感知的电力数据压缩与电能质量扰动识别方法。
背景技术
随着通信技术的不断发展,电力企业在应用信息系统和智能互联技术时,需要处理的电能质量数据也愈发庞大。因此,在能源互联网趋势下,需要采用先进技术、算法为电能质量数据储存、传输、管理提供支撑。同时双碳目标使得更多新能源发电设备接入电网,然而风电机组和光伏机组因其出力的波动性和间歇性,即便配电网配有整流逆变设备等电力电子设备,但仍可能存在谐波以及直流分量。谐波电流注入至电力系统之后,通常会让电网电压产生明显的畸变,降低电能质量,而且现有测量仪表难以准确识别扰动,电力系统继电保护和自动装置还可能误动作,威胁到电力系统的稳定运行状态,这对电能质量的治理提出了新挑战。系统“中枢”如何管理和存储海量的电能质量数据、并挖掘数据蕴含的价值,运用采集到的电能质量数据实现对其扰动快速准确的分析识别成为亟需解决的问题。对配电网中的电能质量数据进行高效的采集与分析对配电网负荷预测、运行状态评估与预警、电能质量监测和评估、确保电网有效运行以及配电网规划具有重要意义。
如果对电能质量数据进行采样时仍遵循奈奎斯特-香农采样定理,伴随着采集—压缩—存储—传输—检测—识别过程,就势必会造成海量的采样数据,而且随着数据量的增多,其处理时间也过长,大大增加了存储和传输的代价。基于傅里叶变换的电能质量数据采集和分析方法的优势主要体现在对信号的频域分析上,却缺少时域分析的能力,因此其压缩性能并不理想。一种基于单类支持向量机(One Class Support VectorMachine,oCSVM)与归一化距离测度的电能质量信号压缩方法,其对各类信号的压缩性能差异较大,且压缩比较低。电能质量数据采用基于多小波阈值变换和有损、无损相结合的压缩方式,对小波系数矩阵的高频部分采用SPIHT(Set Partitioning in Hierarchical Trees)有损压缩算法,低频部分采用基于hash函数的LZ77无损压缩算法不过小波变换存在小波基选取困难的问题,算法的自适应性较差。压缩感知(CS)采样,可以通过远小于奈奎斯特采样定理的观测点数,在尽可能保证信号的原始特征情况下对信号采样,并通过相应的重构算法对信号重构。但基础的压缩感知理论仅适用于针对单一信号的处理,若处理的多个信号具有相关性,基础的压缩感知理论将不能发挥信号之间关联性的优势,无法提升重构精度及运算速度。因此,为了可以充分利用电能质量数据等数据间及数据内部的关联性,在基础压缩感知理论上提出了分布式压缩感知理论(Distributed Com-Sensing,DCS)。分布式压缩感知可以看作是分布式信源编码(Distributed Source Coding,DSC)与压缩感知相结合的理论。该理论对不同信号进行分别压缩,但进行联合重构。在不同信号的相同部分占比很大时,分布式压缩感知可在很大程度上降低观测数量,因此在解码端恢复信号时复杂度明显降低,这一特点对解码端有低复杂度需求的分布式应用具有重要意义。分布式压缩感知理论在音视频处理、图像融合、多发射多接收信道估计等领域均得到了广泛应用,为其应用到电气工程数据处理领域奠定了良好的研究基础。
电能质量扰动信号识别问题主要是通过数字信号处理方法与机器学习算法,将提取出的特征作为识别器的输入。目前常用并取得很好效果的识别方法主要有:神经网络、支持向量机、决策树等。将Power Quality Disturbances(PQDs)数据的输入转换为类似于图像数据的二维矩阵,然后采用典型的二维CNN(Convolutional Neural Network)来识别PQDs类型。然而, PQDs数据是一维时间序列,二维CNN是为图像识别而设计的,并不完全适用于PQDs问题。对PQDs识别中的一些典型CNN和RNN进行了有意义的比较,但没有讨论这些CNN的训练时间、参数数量、模型大小和抗噪声能力。如只用深度学习神经网络利用电能质量数据进行扰动识别,会因采集到的电能质量数据量过大,包含同样内容的数据量庞杂,导致网络训练时间过长且准确度受限,如能与压缩感知结合,可发挥以下优势:因需处理的数据量大幅度减少,可有效改缩短时间,同时既能达到甚至超越原有识别精度,又能减少对硬件的性能需求。
随着国家电网公司建设以新能源为主体的新型电力系统,大体量新能源机组接入配电网已成必然,对影响配电网电能质量的扰动进行识别提出了高及时性、高准确率的新需求,这为本文所提的扰动识别方法的实际应用提供了场景基础。
综上可知,对于电能质量扰动识别的研究,一方面,随着场景的革新,传统方法利用数字信号处理提取特征和机器学习作为识别器结合实现扰动识别,已出现局限性,不适合推广;而深度学习等人工智能方法的崛起为电能质量扰动识别提供了新思路。基于压缩感知理论的深度学习扰动识别是保证系统的安全运行,快速准确地对扰动进行分类是电能质量问题解决方法的重要一环。随着通讯技术的逐步发展,所提压缩感知与深度学习结合方法还可为云边协同的边缘计算端提供技术支撑。为此,我们提出一种基于压缩感知的电力数据压缩与电能质量扰动识别方法。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于现有技术中存在的问题,提出了本发明。
因此,本发明的目的是提供基于压缩感知的电力数据压缩与电能质量扰动识别方法,解决了传统分类算法对特征选取不充分从而造成分类效率的问题,并在一定程度上提升模型的鲁棒性、降低了训练时间。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
基于压缩感知的电力数据压缩与电能质量扰动识别方法,其包括如下步骤:
步骤1:首先建立电能质量信号训练样本集模型
Figure BDA0003631295870000041
Figure BDA0003631295870000042
其中E为公共样本集,G为特征样本集,W是训练样本个数,M是每个训练样本的采样点个数,则训练样本表示为:
Figure BDA0003631295870000043
Figure BDA0003631295870000044
式中:eij∈RM×1表示公共样本集中第i类第j个训练样本,gij∈RM×1表示特征样本集中第i类第j个训练样本,i=1,2,...,k,j=1,2,...,n,M为样本维数,R表示实数集;
步骤2:然后对公共字典和特征字典进行分别进行字典初始化,以特征字典为例,随意挑选特征样本集G中的Q个训练样本初始化字典Dt0∈RM×Q,对Dt0的每一列进行二范数规范化处理||Dj t0||2=1,其中j=1,2,...,Q;初始化字典的优化目标函数是:
Figure BDA0003631295870000045
Figure BDA0003631295870000046
式中:T0为样本集G在初始特征字典Dt0上对目标函数进行优化求解得到的稀疏表示矩阵,λ是正则化参数,用来平衡重构误差和稀疏矩阵的稀疏程度;迭代次数初始值设置为L=1,依据初始化字典的基原子特征和实验仿真,选取总的迭代次数m和迭代容忍误差Js
步骤3:最后利用KSVD算法将目标函数进行优化,主要有包括:
(1)保持第i次迭代后得到的特征字典Dti不变:
Figure BDA0003631295870000051
(2)保持上一次迭代后的稀疏表示矩阵Ti不变,对特征字典Dti中每一个基原子分别进行优化,此时目标函数仍然能够简化,可做出以下更新:
Figure BDA0003631295870000052
其中k=1,2,...,N,Gk是真实的误差项,通过SVD算法对Gk进行分解,需要被更新的基原子dk其实就是求得最大特征值所对应的特征向量,求解方法可使用最小二乘法,以此获得最优的特征字典Dt,再以相同的方法获得公共字典Dg,将Dg和Dt级联在一起,便得到了分布式压缩感知学习字典D,于是,分布式压缩感知学习字典可表示为:
Figure BDA0003631295870000053
步骤4:基于云边协同的数据存储,在云边协同架构下,当采用DCS-OMP 边缘算法对某一分区中s个节点的电能质量数据同时进行压缩采集时,分区内各节点的电能质量数据共用相同的字典原子,设定各节点数据长度为n,上传字典原子个数为τ,则有
[Ym×s Dτ×n]=DCS_SOMP(Xn×s,Ψm×n,Φn×n,τ,SNRdef)
式中,Ym×s为各节点的测量值;Xn×s为各节点的原始信号;Dτ×n为上传云端的字典原子,通过调低测量矩阵的长度m和上传云端字典原子个数τ的值,上传云端的测量值与字典原子所占的存储量也将变低;另外,为了保证云端数据在使用时能够被准确、快速地调用,云端对各边缘上传的字典原子进行整合生成完备字典Dk×n,其中k为完备字典的总原子数,当调用此分区数据时,首先由公式求出该分区数据对应的稀疏表示系数θn×s
θn×s=SOMP(Ym×s,Dk×nm×n)
然后通过公式恢复得出该分区的原始信号X′n×s
X′n×s=real(Φn×nθn×s)
通过云端完备字典的建立,各边缘仅需上传测量值便可实现数据的压缩存储,使云端数据的存储空间进一步降低;
步骤5:电能质量数据分类,提取扰动信号的特征,然后设计分类器,实现不同扰动的分类,根据扰动信号在幅值、频率、相位的不同,定义单一扰动有电压暂降、电压暂升、短时中断、谐波、暂态振荡、脉冲、闪变;其中暂降、暂升、短时中断这3种扰动均为短时方均根值波动;而谐波、暂态振荡、脉冲、闪变这4种均为长时方均根值波动或高频冲击扰动,除了上述单一扰动,实际情况中扰动通常会多种单一扰动同时出现,称为复合扰动;
步骤6:基于CS-DL电能扰动识别电能质量扰动信号,包括建立CS-DL 网络学习框架以及CNN-BiLSTM和CS-BiLSTM网络结构;
CS-DL网络学习框架,深度神经网络利用无监督学习对每一层进行逐层预训练去学习特征,每次单独训练一层,并将训练结果作为更高一层的输入,然后到最上层改用监督学习从上到下进行微调去学习模型;所构建卷积神经网络特征在于卷积层和子采样层所组成的特征抽取器,并且一个神经元仅连接部分周边神经元,称为局部连接,CNN所含卷积层中,含有多个差异化的特征平面,每个特征平面由一些矩形排列的的神经元组成,相同特征平面神经元会进行权值的共享,CNN子采样属于特殊卷积过程,通过子采样降低了模型参数量,CNN利用卷积层与子采样层及相应的局部连接与权值共享规则,增强对特征提取的自学习及表征能力,实现将信号直接输入进行类别划分的功能;在CNN模型对扰动信号分类基础上提出CNN-BiLSTM混合模型,利用CNN自动提取扰动信号特征,将提取的特征转化为时间序列通过BiLSTM进一步处理,增强数据特征提取能力,加快训练收敛速度,进一步提高扰动识别的准确率以及抗噪性,针对CNN-BiLSTM模型训练耗时过长和对组合扰动识别不佳问题,提出改进的CS-BiLSTM,利用CS方法快速、准确、有效地传递信号特征的特性,从而提高电能扰动识别过程的有效性和时效性;
步骤7:基于DDPG的参数寻优,强化学习概念,确定性策略梯度法;
利用PG在连续空间上动作的优势,并将随机性策略改变为确定性策略:
at~πθ(stπ)
可以减少数据的采样,策略梯度需要对状态和动作同时积分,而确定策略只需要对状态进行积分,大大提高了算法的效率,同时可以推导出如下确定性策略的表达式以及其梯度的表达式:
Figure BDA0003631295870000071
Figure BDA0003631295870000072
式中:μ代表DDPG采用的确定性策略,ρβ代表平衡探索与利用过程时的分布,DPG算法的特点是:估计动作值函数的Critic网络是一个线性函数近似器;Actor会朝着Critic的动作值函数的梯度方向更新参数。
作为本发明所述的基于压缩感知的电力数据压缩与电能质量扰动识别方法的一种优选方案,其中:DDPG算法在确定动作上面加上一个服从高斯分布的噪声,使样本具有多样性。
作为本发明所述的基于压缩感知的电力数据压缩与电能质量扰动识别方法的一种优选方案,其中:所述步骤4中完备字典的构建步骤如下:
(1)计算边缘节点新上传的字典原子di与云端初始稀疏字典Dk×n中第k 个原子Dk相关度ri,k,即
Figure BDA0003631295870000081
若产生的每一个ri,k的值均低于某一阈值,说明上传至云端的字典原子di 与云端字典Dk×n整体相关性较弱,则将该字典原子扩充为云端稀疏字典的原子;
(2)将各分区上传的字典原子组合为过完备稀疏字典,并进行正则化,降低各字典原子间的相干性;
Dk×n={d1,d2,L,dk} (17)
Figure BDA0003631295870000082
(3)将过完备字典进行归一化更新字典原子;
Figure BDA0003631295870000083
(4)结合过完备稀疏字典,通过分布式压缩感知算法从上传的测量值中恢复出原始数据,验证数据存储的可恢复性,并得到各节点对应的稀疏系数θj, j∈[1,s],最终将各节点电能质量数据的测量值作为存储数据实现压缩存储。
与现有技术相比,本发明的有益效果是:(1)提出可用于于云边协同的电能质量分布式压缩存储方法及其字典矩阵的设计。(2)提出压缩感知和深度学习结合方法用以电能质量数据扰动识别,优选二者优势,不仅可降低训练速度还可提高扰动识别准确性。(3)利用深度强化学习算法DDPG进行神经网络超参数的寻优,使得构建的神经网络面向不同场景时都能保持良好的收敛能力。(4)所提方法针对场景是以新能源为主体的新型电力系统,场景具备前瞻性。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明压缩感知原理框图;
图2为本发明分布式压缩感知理论框图;
图3为本发明稀疏分解示意图;
图4为本发明CS-DL网络学习结构;
图5为本发明传统分类方法与卷积神经网络类分类方法对比分析图;
图6为本发明CNN-BiLSTM结构示意图;
图7为本发明CS-BiLSTM结构示意图;
图8为本发明实施例DCS-SOMP重构效果对比图;
图9为本发明两种原信号、重构信号波形仿真图;
图10为本发明训练损失与准确率图;
图11为本发明训练时间对比图;
图12为本发明无噪声的扰动识别结果对比图;
图13为本发明基于DDPG的参数寻优的改进CS-BiLSTM算法;
图14为本发明Training Loss与Percentage;
图15为本发明压缩比为20dB下的多重扰动深度识别结果对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施方式的限制。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
实施例1
1算例DCS-SOMP重构算法与其他重构方法性能对比
在假定各节点电能质量信号稀疏度为10的情况下,对电网中电能质量数据分别采用正交匹配追踪、广义正交匹配追踪(GeneralizedOMP,GOMP)、正则化匹配追踪(RegularizedOMP,ROMP)、阶段正交匹配追踪 (StagewiseOMP,StOMP)、压缩采样匹配追踪(CompressiveSamplingMP,CoSaMP)和DCS-SOMP重构算法进行压缩采集,对比在不同压缩比情况下采用以上重构算法的重构信噪比的变化情况,结果如图8所示。可以明显看出,在进行压缩采样时,随着压缩比的不断增加,除DCS-SOMP重构算法外,采用其他重构算法进行压缩采集时的重构信噪比都呈下降趋势。此外,在对电能质量数据压缩存储时,数据在稀疏字典下的稀疏性也对数据上传到云端具有重要影响。数据越稀疏,上传的稀疏字典原子个数就越少,数据的存储量就更少。
2不同扰动的重构和展示
确定好变换域、观测矩阵和重构算法后,对6种电能质量扰动信号进行压缩重构仿真,压缩率为观测点个数从与信号长度W的比值。设置压缩率为 25%对扰动信号进行实验。为了使重构误差最小,不同扰动稀疏度的取值通过大量实验后确定。在信号重构过程中,由于信号是随机产生的,因此每次重构的误差也会有所波动,表1给出了一次随机产生电能质量扰动信号后,对信号通过压缩感知并重构后与原信号的误差值。通过均方误差法对重构信号评估。
表1电能质量扰动信号重构误差
Figure BDA0003631295870000101
Figure BDA0003631295870000111
3CS-DL在电能扰动识别中的应用对比
(1)算例
在上述算例基础上,进行CS-DL在电能扰动识别中的研究。考虑到深度学习在训练过程中需要大量的数据,且在现实中采集大量的电能质量扰动数据较为困难,为验证所提出方法的有效性,本文采用数学建模的方式对10种电能质量扰动信号进行模拟,其中包括电压暂降、谐波、电压闪变等6种单一扰动及谐波+暂降、谐波+中断、暂降+闪烁等4种复合扰动类型。根据电力系统中电力设备的常用采样频率,将采样率设置为3200Hz,信号采样长度为 20个周期。考虑到电力系统实际运行时的噪声影响,在生成扰动信号时加入高斯白噪声,用来模拟电力系统中的随机噪声,其信噪比为20dB到50dB不等。本文使用MATLAB生成20000组扰动数据,其中18000组数据作为网络的训练集,2000组数据作为网络的测试集。为了得到识别率的大小,对共10 类信号进行贴标签处理,电压中断、电压暂升、电压暂降、谐波、振荡暂态、电压暂降+谐波、电压暂升+谐波分别对应贴上1~10序号,然后,在python 软件中进行训练。为了避免实验的偶然性,还进行了10折交叉验证,最后取 10次识别率的平均值作为最后的实验结果;
可以看出在训练初始阶段准确率还比较低,但是经过约850轮的训练学习之后,损失值就快速减小至0.1以下,分类准确率不断提高至94%左右,并趋于稳定,说明网络已经收敛。在约950轮训练后训练精度和测试精度几乎相等,测试集的总分类准确率为99.7%。为了获得更好的网络性能,有必要确定超参数对网络训练准确率的影响,其中学习率的设定至关重要。通过大量实验验证,本网络采用动态学习率方法,初始学习率设置为0.001,经过200 轮次迭代后,下降为0.0001。这样设置可以进一步提高分类准确率。
本文提出的CS-BiLSTM方法在对于不同的电能质量扰动信号相比于 CNN-BiLSTM方法有一定的提升,虽然在暂态震荡和电压闪变上面不如后者表现的好,但整体来看还是CS-BiLSTM准确率更高,并且该方法在上述4种复合扰动方面也有着较好的效果。由于电力系统中出现的干扰不是平衡的,往往电压暂降、暂升以及谐波出现的概率占所有扰动类型的70%以上,因此得到的各类扰动样本数不是平均的。在给出的1000组电压暂降的数据中,有 730组被识别为电压暂降,80组被识别为振荡+暂降,20组被识别为闪变+暂降, 180组被识别为谐波+暂降。对这180组复合信号进行了进一步分析,发现确实存在较小的谐波分量,并且谐波参数满足IEEE标准的要求,说明了原始数据的标签不够准确,也证明了该方法可以更准确地识别出容易让人忽略的复合扰动。这1000组电压暂降扰动的总分类时间为15s,平均一个样本的分类预测时间为0.15s,说明本文的方法分类预测的速度较快,具有一定的实用性。真实数据分类准确率与仿真数据的结果还有一定的差距,分析其原因,主要是真实数据的类型更复杂,并且训练神经网络需要大量的样本,现有的真实数据量还不足以训练出实用性很好的网络,并且给样本打标签需要耗费很大的人力物力,这些都是导致上述方法在实际应用中分类准确率还不够理想的原因。
(2)基于DDPG方法的参数寻优后的CS-BiLSTM的抗扰动性研究
由于多种扰动识别起来情况十分复杂,在训练过程当中十分容易不收敛或训练效果较差,所以训练过程中引入DDPG方法进行参数寻优。基于人工智能的强化学习DDPG算法的具有自组织、自适应、自学习的特性,且鲁棒性高、易于并行,广泛应用于多峰函数的寻优。传统的堆叠去噪自动编码器在微调阶段采用SGD,每次SGD都会对每个样本进行更新且更新率较快,可以自动挑出较差的局部最优点。但因为其更新次数太多,会造成代价函数剧烈波动,且收敛性能不佳,影响编码器的分类效果。因此本文对传统的DAE 以改进,在微调阶段未采用SGD来更新网络参数而是采用Adam优化网络权重和偏置值。
训练之前在原始信号中分别添加了三次高斯白噪声,以此用于验证算法的抗噪声性。加高斯噪声后,信噪比分别为20dB,30dB和40dB。在训练初始阶段就快速上升,在约为400轮次训练学习之后,损失值就快速减小至0.2 以下,分类准确率不断提高至95%左右,并趋于稳定,说明网络已经收敛,并且经过验证没有出现欠拟合和过拟合的问题。说明该方法相比于传统方法不仅仅适用于简单扰动下的电能扰动识别问题,更适用于多种扰动复合情况下的扰动识别问题。
表2多重扰动深度识别结果
Figure BDA0003631295870000131
Figure BDA0003631295870000141
注:括号中为传统方法识别率
随着噪声的增强,两种分类方法对扰动分类的平均准确率在逐渐降低,噪声强度为40dB和30dB时,本文构建的CS-BiLSTM模型的平均分类准确率分别为97.49%和96.76%,当噪声强度进一步加强达到20dB时,分类准确度有较明显下降,为96.07%,但仍然有较高的准确率。与CNN-BiLSTM模型相比,本文构建的CS-BiLSTM混合模型无论在无噪声干扰或任意强度噪声情况下,分类准确率均有所提高,且噪声强度越大时,混合模型对如何单一的扰动识别率均保持在90%以上,没有出现CNN-BiLSTM在20dB时有三种扰动低于90%的情况。实验结果充分的证明了混合模型能很好的对电能质量扰动信号分类,且具有很好抗噪性能。
结论
针对电网中电能质量数据日益增多且易受到污染的问题,本文提出了一种基于分布式压缩感知和深度学习的电能质量识别与分类方法,通过该方法不仅可以实现对电网各节点电能质量数据的高效压缩和精确重构,还可以实现对电网电能质量污染情况的识别与分类,为电网谐波的治理以及电能质量数据存储提供了新的参考方向。本文的主要结论有:
1)基于SOMP算法和K-SVD字典学习算法,提出了一种分布式压缩感知算法DCS-OMP,实现了在低测量值和高压缩比条件下对配电网中电能质量数据的高效压缩与精确重构。
2)在CNN-BiLSTM模型基础上,搭建了CS-BiLSTM混合模型,将用于 CNN-BiLSTM实验的样本通过混合模型进行实验,无噪情况下平均识别率高达97.85%,40dB、30dB和20dB噪声情况下平均识别率分别为97.49%、96.76%和96.07%。无噪情况下比CNN-BiLSTM模型识别率提高了10.15%,40dB噪声情况下提高了10.3%,30dB噪声情况下提高了10%,20dB噪声情况下提高了9.23%。在高强度噪声干扰时,识别率提升明显,有很好的抗噪性。结果表明,本文提出的CS-BiLSTM混合模型具有更高的识别率和更好的抗噪性。
3)CS-BiLSTM混合模型的训练过程中引入DDPG算法进行参数寻优,保障了训练的收敛性和结果的有效性。
4)将重构后的信号作为本文搭建的两种深度学习模型的输入进行实验,结果表明,重构后的信号识别率取得了不错的效果,能满足扰动识别的要求,这为后续的电能质量扰动识别研宄提供了新思路.
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。

Claims (3)

1.基于压缩感知的电力数据压缩与电能质量扰动识别方法,其特征在于:包括如下步骤:
步骤1:首先建立电能质量信号训练样本集模型
Figure RE-FDA0003842485880000011
Figure RE-FDA0003842485880000012
其中E为公共样本集,G为特征样本集,W是训练样本个数,M是每个训练样本的采样点个数,则训练样本表示为:
Figure RE-FDA0003842485880000013
Figure RE-FDA0003842485880000014
式中:eij∈RM×1表示公共样本集中第i类第j个训练样本,gij∈RM×1表示特征样本集中第i类第j个训练样本,i=1,2,...,k,j=1,2,...,n,M为样本维数,R表示实数集;
步骤2:然后对公共字典和特征字典进行分别进行字典初始化,以特征字典为例,随意挑选特征样本集G中的Q个训练样本初始化字典Dt0∈RM×Q,对Dt0的每一列进行二范数规范化处理||Dj t0||2=1,其中j=1,2,...,Q;初始化字典的优化目标函数是:
Figure RE-FDA0003842485880000015
Figure RE-FDA0003842485880000016
式中:T0为样本集G在初始特征字典Dt0上对目标函数进行优化求解得到的稀疏表示矩阵,λ是正则化参数,用来平衡重构误差和稀疏矩阵的稀疏程度;迭代次数初始值设置为L=1,依据初始化字典的基原子特征和实验仿真,选取总的迭代次数m和迭代容忍误差Js
步骤3:最后利用KSVD算法将目标函数进行优化,主要有包括:
(1)保持第i次迭代后得到的特征字典Dti不变:
Figure RE-FDA0003842485880000017
(2)保持上一次迭代后的稀疏表示矩阵Ti不变,对特征字典Dti中每一个基原子分别进行优化,此时目标函数仍然能够简化,可做出以下更新:
Figure RE-FDA0003842485880000021
其中k=1,2,...,N,Gk是真实的误差项,通过SVD算法对Gk进行分解,需要被更新的基原子dk其实就是求得最大特征值所对应的特征向量,求解方法可使用最小二乘法,以此获得最优的特征字典Dt,再以相同的方法获得公共字典Dg,将Dg和Dt级联在一起,便得到了分布式压缩感知学习字典D,于是,分布式压缩感知学习字典可表示为:
Figure RE-FDA0003842485880000022
步骤4:基于云边协同的数据存储,在云边协同架构下,当采用DCS-OMP边缘算法对某一分区中s个节点的电能质量数据同时进行压缩采集时,分区内各节点的电能质量数据共用相同的字典原子,设定各节点数据长度为n,上传字典原子个数为τ,则有
[Ym×s Dτ×n]=DCS_SOMP(Xn×s,Ψm×n,Φn×n,τ,SNRdef)
式中,Ym×s为各节点的测量值;Xn×s为各节点的原始信号;Dτ×n为上传云端的字典原子,通过调低测量矩阵的长度m和上传云端字典原子个数τ的值,上传云端的测量值与字典原子所占的存储量也将变低;另外,为了保证云端数据在使用时能够被准确、快速地调用,云端对各边缘上传的字典原子进行整合生成完备字典Dk×n,其中k为完备字典的总原子数,当调用此分区数据时,首先由公式求出该分区数据对应的稀疏表示系数θn×s
θn×s=SOMP(Ym×s,Dk×nm×n)
然后通过公式恢复得出该分区的原始信号X′n×s
X′n×s=real(Φn×nθn×s)
通过云端完备字典的建立,各边缘仅需上传测量值便可实现数据的压缩存储,使云端数据的存储空间进一步降低;
步骤5:电能质量数据分类,提取扰动信号的特征,然后设计分类器,实现不同扰动的分类,根据扰动信号在幅值、频率、相位的不同,定义单一扰动有电压暂降、电压暂升、短时中断、谐波、暂态振荡、脉冲、闪变;其中暂降、暂升、短时中断这3种扰动均为短时方均根值波动;而谐波、暂态振荡、脉冲、闪变这4种均为长时方均根值波动或高频冲击扰动,除了上述单一扰动,实际情况中扰动通常会多种单一扰动同时出现,称为复合扰动;
步骤6:基于CS-DL电能扰动识别电能质量扰动信号,包括建立CS-DL网络学习框架以及CNN-BiLSTM和CS-BiLSTM网络结构;
CS-DL网络学习框架,深度神经网络利用无监督学习对每一层进行逐层预训练去学习特征,每次单独训练一层,并将训练结果作为更高一层的输入,然后到最上层改用监督学习从上到下进行微调去学习模型;所构建卷积神经网络特征在于卷积层和子采样层所组成的特征抽取器,并且一个神经元仅连接部分周边神经元,称为局部连接,CNN所含卷积层中,含有多个差异化的特征平面,每个特征平面由一些矩形排列的的神经元组成,相同特征平面神经元会进行权值的共享,CNN子采样属于特殊卷积过程,通过子采样降低了模型参数量,CNN利用卷积层与子采样层及相应的局部连接与权值共享规则,增强对特征提取的自学习及表征能力,实现将信号直接输入进行类别划分的功能;在CNN模型对扰动信号分类基础上提出CNN-BiLSTM混合模型,利用CNN自动提取扰动信号特征,将提取的特征转化为时间序列通过BiLSTM进一步处理,增强数据特征提取能力,加快训练收敛速度,进一步提高扰动识别的准确率以及抗噪性,针对CNN-BiLSTM模型训练耗时过长和对组合扰动识别不佳问题,提出改进的CS-BiLSTM,利用CS方法快速、准确、有效地传递信号特征的特性,从而提高电能扰动识别过程的有效性和时效性;
步骤7:基于DDPG的参数寻优,强化学习概念,确定性策略梯度法;
利用PG在连续空间上动作的优势,并将随机性策略改变为确定性策略:
at~πθ(stπ)
可以减少数据的采样,策略梯度需要对状态和动作同时积分,而确定策略只需要对状态进行积分,大大提高了算法的效率,同时可以推导出如下确定性策略的表达式以及其梯度的表达式:
Figure RE-FDA0003842485880000041
Figure RE-FDA0003842485880000042
式中:μ代表DDPG采用的确定性策略,ρβ代表平衡探索与利用过程时的分布,DPG算法的特点是:估计动作值函数的Critic网络是一个线性函数近似器;Actor会朝着Critic的动作值函数的梯度方向更新参数。
2.根据权利要求1所述的基于压缩感知的电力数据压缩与电能质量扰动识别方法,其特征在于:DDPG算法在确定动作上面加上一个服从高斯分布的噪声,使样本具有多样性。
3.根据权利要求1所述的基于压缩感知的电力数据压缩与电能质量扰动识别方法,其特征在于:所述步骤4中完备字典的构建步骤如下:
(1)计算边缘节点新上传的字典原子di与云端初始稀疏字典Dk×n中第k个原子Dk相关度ri,k,即
Figure RE-FDA0003842485880000043
若产生的每一个ri,k的值均低于某一阈值,说明上传至云端的字典原子di与云端字典Dk×n整体相关性较弱,则将该字典原子扩充为云端稀疏字典的原子;
(2)将各分区上传的字典原子组合为过完备稀疏字典,并进行正则化,降低各字典原子间的相干性;
Dk×n={d1,d2,…,dk} (17)
Figure RE-FDA0003842485880000044
(3)将过完备字典进行归一化更新字典原子;
Figure RE-FDA0003842485880000045
(4)结合过完备稀疏字典,通过分布式压缩感知算法从上传的测量值中恢复出原始数据,验证数据存储的可恢复性,并得到各节点对应的稀疏系数θj,j∈[1,s],最终将各节点电能质量数据的测量值作为存储数据实现压缩存储。
CN202210491675.5A 2022-05-07 2022-05-07 基于压缩感知的电力数据压缩与电能质量扰动识别方法 Pending CN115238759A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210491675.5A CN115238759A (zh) 2022-05-07 2022-05-07 基于压缩感知的电力数据压缩与电能质量扰动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210491675.5A CN115238759A (zh) 2022-05-07 2022-05-07 基于压缩感知的电力数据压缩与电能质量扰动识别方法

Publications (1)

Publication Number Publication Date
CN115238759A true CN115238759A (zh) 2022-10-25

Family

ID=83668498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210491675.5A Pending CN115238759A (zh) 2022-05-07 2022-05-07 基于压缩感知的电力数据压缩与电能质量扰动识别方法

Country Status (1)

Country Link
CN (1) CN115238759A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790815A (zh) * 2023-01-17 2023-03-14 常熟理工学院 一种分布式光纤传感系统的扰动快速鉴别方法及系统
CN116405100A (zh) * 2023-05-29 2023-07-07 武汉能钠智能装备技术股份有限公司 一种基于先验知识的失真信号还原方法
CN116582132A (zh) * 2023-07-06 2023-08-11 广东工业大学 基于改进带结构化扰动模型的压缩感知重构方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790815A (zh) * 2023-01-17 2023-03-14 常熟理工学院 一种分布式光纤传感系统的扰动快速鉴别方法及系统
CN116405100A (zh) * 2023-05-29 2023-07-07 武汉能钠智能装备技术股份有限公司 一种基于先验知识的失真信号还原方法
CN116405100B (zh) * 2023-05-29 2023-08-22 武汉能钠智能装备技术股份有限公司 一种基于先验知识的失真信号还原方法
CN116582132A (zh) * 2023-07-06 2023-08-11 广东工业大学 基于改进带结构化扰动模型的压缩感知重构方法及系统
CN116582132B (zh) * 2023-07-06 2023-10-13 广东工业大学 基于改进带结构化扰动模型的压缩感知重构方法及系统

Similar Documents

Publication Publication Date Title
CN115238759A (zh) 基于压缩感知的电力数据压缩与电能质量扰动识别方法
CN109635928A (zh) 一种基于深度学习模型融合的电压暂降原因识别方法
Gao et al. Power quality disturbance classification under noisy conditions using adaptive wavelet threshold and DBN-ELM hybrid model
CN109271975A (zh) 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
CN109884419B (zh) 一种智慧电网电能质量在线故障诊断方法
CN110728360A (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN109034054B (zh) 基于lstm的谐波多标签分类方法
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN110544177A (zh) 基于电力指纹的负荷识别方法及计算机可读存储介质
CN109975673A (zh) 一种光伏微电网直流侧故障电弧识别方法
CN104951787A (zh) 一种src框架下判别字典学习的电能质量扰动识别方法
CN110458189A (zh) 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN113378652A (zh) 一种基于ewt-mpe-pso-bp的扰动分类方法
CN112486137A (zh) 有源配电网故障特征库构建方法、系统及故障诊断方法
Ye et al. Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn
Wang et al. Singular value decomposition‐based load indexes for load profiles clustering
Zhang et al. Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet
CN110866840A (zh) 基于知识图谱的电力负荷特征量训练的数据库建模方法
De Aguiar et al. ST-NILM: A Wavelet Scattering-Based Architecture for Feature Extraction and Multi-Label Classification in NILM Signals
Xia et al. Power quality data compression and disturbances recognition based on deep CS-BiLSTM algorithm with cloud-edge collaboration
Wang et al. Stockwell‐transform and random‐forest based double‐terminal fault diagnosis method for offshore wind farm transmission line
Wang et al. Power quality disturbance recognition method in park distribution network based on one-dimensional vggnet and multi-label classification
Long et al. Power quality disturbance identification and optimization based on machine learning
Bai et al. An evolution strategy of GAN for the generation of high impedance fault samples based on Reptile algorithm
CN111008584B (zh) 一种模糊自组织神经网络的电能质量量测缺失修复方法

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