一种基于机理约束多尺度时频注意力自编码器的光伏配电网复合电能质量扰动识别方法

摘要: 本发明属于配电网电能质量监测、光伏并网扰动识别、时频信号分析及人工智能诊断,具体涉及一种基于机理约束多尺度时频注意力自编码器的光伏配电网复合电能质量扰动识别方法...
一种基于机理约束多尺度时频注意力自编码器的光伏配电网复合电能质量扰动识别方法

本发明属于配电网电能质量监测、光伏并网扰动识别、时频信号分析及人工智能诊断,具体涉及一种基于机理约束多尺度时频注意力自编码器的光伏配电网复合电能质量扰动识别方法。

背景技术:

1、随着分布式光伏在园区配电网、工商业配电网及低压台区中的快速接入,逆变器开关调制、云影引起的出力突变、并网点阻抗变化以及负荷非线性特性共同作用,使配电网中谐波、电压波动、电压暂降、闪变等电能质量扰动呈现出强随机性、强耦合性和复合叠加特征。相较于传统单一扰动,光伏并网场景下的复合电能质量扰动往往具有持续时间短、频谱成分复杂、幅值变化不稳定以及多类型扰动同时出现等特点,给扰动识别和治理决策带来困难。

2、现有扰动识别方法通常基于傅里叶变换、小波变换、经验模态分解或深度卷积神经网络实现特征提取和分类识别。上述方法能够在一定程度上刻画电压或电流信号的时域、频域或时频域特征,但在光伏配电网弱标签、样本不均衡和复合扰动叠加的条件下,仍存在以下不足:一是仅依赖数据驱动特征,未充分利用总谐波畸变率、暂降深度、暂降持续时间、短时闪变值等电能质量机理指标,模型学习结果与物理规律之间缺乏约束;二是对不同时间尺度和频率尺度下扰动特征的关注能力不足,难以同时识别瞬态扰动、持续扰动和复合扰动;三是传统分类网络往往需要大量标注样本,在实际园区配电网监测点有限、故障样本稀缺时泛化能力不足。

3、因此,一种基于机理约束多尺度时频注意力自编码器的光伏配电网复合电能质量扰动识别方法亟待提出。

技术实现思路

1、为解决现有方法物理可解释性不足、复合扰动识别精度低和弱标签样本条件下泛化能力差的问题,本发明提供一种基于机理约束多尺度时频注意力自编码器的光伏配电网复合电能质量扰动识别方法,通过将连续小波变换得到的扰动时频特征图输入机理约束多尺度时频注意力自编码器,利用多尺度扰动感知编码、双域时频注意力增强、隐空间机理约束和分类输出,实现光伏配电网中单一及复合电能质量扰动的自动识别,使模型既能够从光伏配电网电压、电流信号中自动学习深层时频特征,又能够在隐空间中受到电能质量机理指标约束,从而提高谐波扰动、电压波动扰动、电压暂降扰动、闪变扰动及复合扰动的识别准确性和可解释性。

2、为了解决上述技术问题,本发明提供了如下的技术方案:

3、本发明提供一种基于机理约束多尺度时频注意力自编码器的光伏配电网复合电能质量扰动识别方法,包括以下步骤:

4、s1、采集光伏配电网监测点的电压信号和电流信号,并进行滤波去噪、缺失值剔除、幅值归一化、相位同步及扰动事件分段处理,获得待识别扰动样本;

5、s2、采用连续小波变换对所述待识别扰动样本进行时频变换,获得扰动时频特征图;

6、s3、构建mc-mstfae模型,将所述扰动时频特征图输入所述mc-mstfae模型的时频表征模块进行特征标准化预处理,获得标准化扰动时频特征图;

7、s4、利用所述mc-mstfae模型的多尺度扰动感知编码模块对所述标准化扰动时频特征图进行多尺度特征提取,获得多尺度扰动特征;

8、s5、利用mc-mstfae模型内置的双域时频注意力模块分别建立时间维度注意力权重和频率维度注意力权重,对所述多尺度扰动特征进行增强处理,获得扰动增强特征;

9、s6、将所述扰动增强特征输入机理约束隐空间模块,映射得到包含电能质量机理特征的隐空间特征向量,并通过预设机理约束损失函数对所述mc-mstfae模型进行迭代训练,优化模型参数;

10、s7、将待识别光伏配电网扰动样本输入训练后的mc-mstfae模型,基于模型的隐空间特征向量,输出识别结果。

11、优选的,在所述步骤s2中,采用连续小波变换将待识别扰动样本的一维扰动样本映射为二维时频特征图,所述二维时频特征图用于表征扰动样本在不同时间位置、不同频率尺度下的能量分布特征,其表达式为:

12、

13、其中,x(t)为待识别扰动样本,ψ为母小波函数,a为尺度因子,b为平移因子,wx(a,b)为扰动样本在不同时间位置、不同频率尺度下的时频系数。

14、优选的,在所述步骤s3中,所述mc-mstfae模型为机理约束多尺度时频注意力自编码器,其以连续小波变换得到的扰动时频特征图为输入,以扰动时频特征重构、机理指标一致性约束和扰动类型识别为联合训练目标;

15、所述mc-mstfae模型包括时频表征模块、多尺度扰动感知编码模块、双域时频注意力模块、机理约束隐空间模块、解码重构模块、分类输出模块;所述时频表征模块用于接收连续小波变换生成的扰动时频特征图,完成特征标准化预处理;所述多尺度扰动感知编码模块用于提取扰动信号在不同时间尺度和频率尺度下的特征信息;所述双域时频注意力模块用于增强关键时间区间和关键频率区间的扰动特征表达能力;所述机理约束隐空间模块用于学习符合电能质量物理机理的隐空间特征表示;所述解码重构模块用于由隐空间特征反向重构扰动时频特征,从而生成重构损失;所述分类输出模块用于基于隐空间特征向量输出各类扰动的识别概率,完成扰动类型判定。

16、优选的,所述多尺度扰动感知编码模块包括至少三个并行特征提取分支,各特征提取分支分别采用不同感受野卷积核进行特征提取,并通过特征拼接或特征融合方式形成多尺度扰动特征;所述不同感受野卷积核分别用于提取谐波扰动特征、电压波动特征、电压暂降特征。

17、优选的,所述双域时频注意力模块包括时间维度注意力单元和频率维度注意力单元,所述双域时频注意力模块利用时间维度注意力权重与频率维度注意力权重共同对多尺度扰动特征进行加权增强;所述时间维度注意力单元用于计算扰动信号不同时间区间的重要度权重;所述频率维度注意力单元用于计算扰动信号不同频率区间的重要度权重。

18、优选的,在所述步骤s6中,所述机理约束隐空间模块构建包括电能质量机理特征的隐空间特征向量,表达式如下:

19、

20、其中,thd表示总谐波畸变率,ds表示电压暂降深度,ts表示电压暂降持续时间,pst表示短时闪变值;

21、然后利用所述机理特征向量重构建立机理约束损失函数,表达式如下:

22、

23、其中,lrec为重构损失,lh为总谐波畸变率保持损失,ls为电压暂降特征保持损失,lf为闪变特征保持损失,lcls为分类损失,α、β、γ和δ为损失权重系数;

24、所述总谐波畸变率保持损失用于约束重构信号与原始信号之间的总谐波畸变率差异,所述电压暂降特征保持损失用于约束重构信号与原始信号之间的暂降深度和持续时间差异,所述闪变特征保持损失用于约束重构信号与原始信号之间的闪变严重度指标差异。

25、优选的,所述总谐波畸变率thd根据基波电压有效值和各次谐波电压有效值计算:

26、

27、其中,u1为基波电压有效值,un为第n次谐波电压有效值,n为参与计算的最高谐波次数;

28、所述电压暂降深度ds根据电压暂降过程中的最低电压有效值与额定电压计算:

29、

30、其中,umin为电压暂降过程中的最低电压有效值,un为额定电压;

31、所述电压暂降持续时间ts根据电压暂降开始时刻与结束时刻计算:

32、

33、其中,ts为电压暂降开始时刻,te为电压暂降结束时刻;

34、所述短时闪变值pst根据电压包络波动序列或预设闪变测量模型计算,用于表征短时间尺度内电压波动引起的人眼视觉敏感程度。

35、优选的,在所述步骤s7中,所述识别结果为单一电能质量扰动或复合电能质量扰动结果,所述单一扰动包括谐波扰动、电压波动扰动、电压闪变扰动、电压暂降扰动中的一种,所述复合电能质量扰动为单一扰动中的至少一种叠加形成的扰动;

36、识别结果的判定规则为:若仅有单一扰动类别的输出概率大于预设单扰动阈值,判定为对应单一电能质量扰动;若至少两类扰动类别的输出概率同时大于预设复合判别阈值,判定为复合电能质量扰动,并输出叠加扰动的具体组合类型。

37、优选的,在所述步骤s1中,所述扰动事件分段处理方式为:基于电压有效值、谐波含量、闪变指标的突变阈值,对连续监测信号进行滑动窗口切片,得到包含扰动发生前、扰动发生中、扰动恢复后信息的时间窗口样本,并对时间窗口样本标注对应扰动类型标签,所述扰动类型标签包括谐波扰动、电压波动扰动、电压闪变扰动、电压暂降扰动和复合电能质量扰动。

38、本发明相较于现有技术,具有以下有益效果:

39、本发明将连续小波变换、机理约束多尺度时频注意力自编码器和电能质量物理指标相结合,在数据驱动特征学习的基础上引入总谐波畸变率、电压暂降深度、电压暂降持续时间和短时闪变值等机理约束,使隐空间特征同时具备判别性和物理一致性,能够提升光伏并网场景下复合电能质量扰动识别的准确率、稳定性和可解释性。