关键词:
电能质量扰动
深度学习
霜冰优化算法
凌日搜索算法
多模态特征融合
摘要:
随着可再生能源的大规模并网,冲击性、非线性的电力电子设备的大量接入,新型电力系统的运行环境日渐复杂。电压中断、暂降、谐波、三相不平衡等扰动现象频繁出现,加剧系统不平衡。通过对电能质量扰动信号(Power Quality Disturbance,PQD)准确识别,为后续扰动定位、治理奠定基础,给新型电力系统的安全运行提供保障。因此,本文将围绕基于深度学习的PQD去噪和识别进行研究。
为了减少采集电流、电压信号中噪声的干扰,提升PQD的识别率,通过改进鹈鹕算法优化变分模态分解(Variational Mode Decomposition,VMD)实现PQD的去噪。通过引入一维复合混沌映射(Sine Map and Piece Wise Linear Chaotic Map,SPM)、牛顿-拉夫逊搜索规则、平滑探索系统等策略,提升鹈鹕算法寻优性能,避免陷入局部最优解。改进鹈鹕算法对VMD内部参数自动寻优,规避人工调参环节。实验结果表明,对于信噪比为10d B的电压信号,对三种典型的PQD去噪后,信噪比平均提升9d B;在信噪比为30d B时,信噪比平均提升2d B;针对21种PQD,在10d B信噪比下提升5~15d B,30d B信噪比下提升2~8d B。
针对传统机器学习的扰动识别具备过度依赖人工经验、特征筛选复杂等缺点。通过霜冰算法(RIME optimization algorithm,RIME)对卷积神经网络内部参数寻优,增强对特征的理解能力;再经双向长短期记忆网络(Bidirectional Long Short-term Memory,BI-LSTM)、多头自注意力机制,提升网络对前、后特征的捕获能力,聚焦输入信号的关键特征,实现PQD的识别。实验结果表明,在无噪声下,本文方法扰动识别率可达98.7%;在信噪比为20d B时,识别率仅下降3.7%。
传统机器学习在多种扰动存在时,难以分离关键信息,复合PQD识别效果不佳。同时,针对前述网络在数据处理、网络性能、抗噪性等方面仍然存在模态单一、信息表征受限、抗干扰鲁棒性优化瓶颈等问题,提出一种改进凌日搜索(Improved Transit Search,ITS)算法优化的多模态扰动分类方法。首先对时序信号进行二维图像转换,再利用ITS对卷积神经网络/双向门控循环单元(Bidirectional Gated Recurrent Unit,BI-GRU)内部参数自动寻优;网络提取一维时序特征和二维图像特征后进行特征融合,增强特征的空间关联性,最后实现复合PQD的识别分类。实验结果表明,本文方法识别准确率可达99.5%,在20d B的信噪比下,仍然保持98.3%的识别率,具有良好的抗噪性。采用电网实测数据验证,本文方法对暂升、暂降、谐波、脉冲等信号达到90%以上的识别率,尖峰和暂降+谐波等信号因与仿真信号的差异识别率仅有60%左右,整体识别率可达87.9%,说明本文方法具有一定的工程应用价值。