论文部分内容阅读
随着社会经济的发展,高精度的电力电子设备被广泛使用,用户对电能质量的要求越来越高。然而,非线性、冲击性负荷的使用,以及大量风能、太阳能等新能源的并网,使得电网污染严重,导致各种电能质量扰动。各种电能质量扰动将严重影响电气设备的正常使用,甚至直接威胁到了电网的安全运行。因此,为了改善和提高电能质量,必须消除电网中的各种扰动信号,快速而准确的检测出电网中各种扰动的类型并分类是实现电能质量问题改善的前提条件。基于此,本文通过卷积神经网络(CNN)和卷积-双向长短记忆(CNN-BiLSTM)两种深度学习模型对电能质量扰动进行识别;并以压缩感知理论替代传统奈奎斯特采样获取电能质量扰动信号后,结合深度学习方法实现扰动分类。开展的具体工作如下。(1)基于CNN的电能质量扰动识别。将深度学习中的CNN应用到电能质量扰动识别中。通过Tensorflow平台搭建CNN网络模型,产生批量的不同信噪比情况下的扰动信号,转化为灰度图后,分别通过CNN模型得到分类结果。实验结果表明CNN用于扰动分类有很好的准确率和一定的抗噪性。(2)基于CNN-BiLSTM的电能质量扰动识别。通过Tensorflow平台搭建CNN-BiLSTM混合模型对电能质量扰动信号进行分类。该模型利用CNN自动提取扰动特征向量,将特征向量转换为时间序列输入到BiLSTM中进一步处理后,实现扰动信号的分类。实验结果表明CNN-BiLSTM模型比单一的CNN模型识别率更高,且抗噪性更好。(3)基于压缩感知与深度学习的电能质量扰动识别。通过压缩感知理论对扰动信号压缩感知,并通过重构算法恢复扰动信号。实验表明在压缩率为25%时,重构信号仍很好地保留了原始信号特征信息。将重构信号转化为灰度图后,分别作为CNN和CNN-BiLSTM的输入,CNN平均识别率为97.2%,比原始信号输入低了 1.9%,混合模型CNN-BiLSTM平均识别率97.6%,比原始信号输入低了 1.6%。实验结果表明,将信号压缩重构后与原始信号输入相比,识别率稍有降低,但准确率都有97%以上,能满足分类结果的准确性要求。