基于多尺度分析二维特征提取的电能质量复合扰动识别方法与流程

1.本发明涉及一种基于多尺度分析二维特征提取的电能质量复合扰动识别方法。


背景技术：

2.近年来，随着光伏、风力发电等可再生能源的飞速发展，具有非线性特性的电力电子器件与设备不断接入，各种电能质量扰动事件频发。国内外学者针对此问题展开了大量的研究，多数学者往往通过改进信号分析方法来实现电能质量扰动的特征提取，然后利用常规的机器学习模型对电能质量扰动事件进行分类。然而，如何对电能质量扰动信号进行多尺度分析，并有效提取电能质量扰动信号特征，成为一项较难解决的问题。现有的时频分析技术多采用固定模型参数对信号进行加窗，实现频谱的划分。然而，上述方法不能对频域进行精细划分，实现频谱多分辨率分析。此外，传统的机器学习方法虽然能够对单一或复合扰动进行分类，但是多数分类模型仅能适用特定场景，其泛化能力较差，且扰动特征往往采用手工提取，无法实现电能质量扰动的自动识别与分类。


技术实现要素：

3.为了克服现有技术无法实现电能质量扰动的自动识别与分类的不足，本发明提出了一种基于多尺度分析二维特征提取的电能质量复合扰动识别方法，与其他方法相比，本发明提出的方法可以更好的实现电能质量扰动信号多尺度多分辨率的特征提取，并对电能质量扰动事件类型进行快速、准确的辨识。
4.本发明解决其技术问题所采用的技术方案是：
5.一种基于多尺度分析二维特征提取的电能质量复合扰动识别方法，所述方法包括以下步骤：
6.步骤1：电压信号仿真，过程如下：
7.基于ieee-1159标准中定义的数学解析参考定义，模拟生成16种电能质量扰动事件的一维电压时序信号数学模型，其中仿真信号包括10种典型单一电能质量扰动事件信号和6种复合电能质量扰动事件信号，其中，典型单一电能质量扰动事件包括标准正弦电压信号、电压过压异常事件信号、电压欠压异常事件信号、瞬态断电异常事件信号、谐波电压异常事件信号、脉冲暂态异常事件信号、振荡暂态异常事件信号、电压闪变异常事件信号、电压缺口异常事件信号和电压尖峰异常事件信号；6种复合电能质量扰动事件信号包括含3、5、7次谐波的过压异常事件信号、含高次谐波的欠压异常事件信号、含高次谐波的瞬态断电异常事件信号、含高次谐波的电压闪变异常事件信号、含欠压的电压闪变异常事件信号、含过压的电压闪变异常事件信号；
8.步骤2：一维电压时序信号预处理分解，过程如下：
9.在得到16种电能质量扰动事件的一维电压时序信号数学模型后，采用小波包分解对其进行分解，得到其相应的小波包分解系数，选择一个恰当的阈值并对系数进行阈值量化；根据经过量化处理的系数，进行小波包重构，实现频域的精细划分。
10.步骤3：将一维电压时序信号转换为二维时频特征矩阵，过程如下：
11.引入改进s变换，对输入时序电压信号时频处理。结合小波包分解层数，设置s变换高斯窗函数的窗宽调节因子；然后对其进行s变换处理，得到基于改进s变换二维时频图像特征矩阵。
12.步骤4：图像锐化处理，过程为：
13.利用基于拉普拉斯算子的图像锐化技术，增强s变换时频谱图的边缘和轮廓信息。构建拉普拉斯变换模板，将步骤3中s变换时频谱图进行拉普拉斯变换，然后将拉普拉斯变换后的时频图像与原始图像叠加，实现图像的锐化，增强信号特征，以利于机器识别。
14.步骤5：基于卷积神经网络的图像特征提取，过程为：
15.将步骤4中锐化处理后的时频谱图保存编码，制作卷积神经网络训练集和测试集；构建卷积神经网络模型，完成训练样本任务；将测试集输入已训练好的卷积神经网络，则输出即为电能质量复合扰动检测结果。
16.进一步，所述步骤1中，时序波形信号的采样频率为1khz，采样长度为500个点，电压频率为50hz，一个采样时序序列包含25个工频电压周波，且电压信号幅值参数c做归一化处理；考虑到实际工程中通过传感器采集的信号大多含有噪声，故对仿真信号叠加信噪比为20db的高斯白噪声；
17.再进一步，所述步骤2的过程为：
18.2.1)采用db4小波对电压仿真信号进行3层小波包分解，得到完整的小波包树；
19.2.2)引入样本熵设置自适应阈值函数的可调节系数，得到最优阈值估计，然后进行阈值量化；
20.2.3)将阈值量化后的小波包系数逐一重构，每次重构过程中，其余系数归零处理，从而得到与原始仿真信号长度相同的8个子信号。
21.再进一步，所述步骤3中，一维时序电压信号转换为二维时频特征矩阵的过程如下：
22.3.1)针对8个不同频段的时序子信号，设置不同的调节因子参数值，根据式(1)估计调节因子值:
23.factor＝-9.4
×
10-9
×
f3 1.2
×
10-5
×f2-6.7
×
10-3
×
f 1.54
ꢀꢀꢀꢀꢀ
(1)
24.式中，factor为调节因子；f为频率刻度；
25.3.2)对时序子信号进行s变换得到时频系数矩阵，矩阵维度为500*500，500对应为时序电压信号的采样长度，由时频分析的共轭对称性，负频率部分没有物理意义，将其舍弃，故频率刻度长度亦为500；
26.3.3)将电压信号时频系数矩阵无损压缩至维度为128*128。
27.再进一步，所述步骤4中，图像锐化处理过程如下：
28.4.1)对于输入s变换时频谱图f(x,y)，其拉普拉斯变换为：
[0029][0030]
式中：x,y分别为时频谱图置于笛卡尔坐标系下的坐标位置；f代表灰度值；其中：
[0031]
[0032][0033]
对于离散图像，其离散形式如下：
[0034][0035]
将公式(5)转化为模板表示，如图3(a)。将图3(a)中对角线方向置为1，构建模板(b)，此外，若相应模板系数完全相反，构建模板(c)、(d)；
[0036]
4.2)对步骤3中得到的s变换时频谱图进行拉普拉斯变换；
[0037]
4.3)将原图像和拉普拉斯变换图像叠加，完成图像锐化，算法如下：
[0038][0039]
式中：h(x,y)为锐化处理后的图像。
[0040]
更进一步，所述步骤5中，每一层的细节如下所示：
[0041]
输入层：将锐化处理后的s变换时频谱图视作rgb图片作为神经网络的输入层；
[0042]
卷积层：卷积神经网络共包含两层卷积层，以此来提取图像特征。卷积层c1和卷积层c2均使用5*5的卷积核对特征矩阵进行卷积操作，滑动步长为2个像素；
[0043]
池化层：卷积神经网络共包含两层池化层，通过池化层将卷积计算得到的特征图进行聚合统计；
[0044]
全连接层：将二维特征映射转换为一维向量作为网络输入，激活函数为relu(rectified linear unite)；
[0045]
输出层：输出数据送入softmax分类层，结合图片样本的标签实现整个网络的训练。
[0046]
所述步骤5)的过程如下：
[0047]
5.1)将步骤4中得到的锐化处理后的图像视作rgb图片，作为卷积神经网络的输入层，输入层是8个128*128的矩阵；
[0048]
5.2)第一个卷积层c1的参数：卷积核尺寸5*5，步距为2，填充为0，激活函数为relu。输出的特征映射尺寸为63*63，维度为16；
[0049]
5.3)第一个最大池化层s1的参数：池化核尺寸2*2，步距为2，输出的特征映射尺寸为32*32，维度为16；
[0050]
5.4)第二个卷积层c2的参数：卷积核尺寸5*5，步距为2，填充为0，激活函数为relu。输出的特征映射尺寸为15*15，维度为32；
[0051]
5.5)第二个最大池化层s2的参数：池化核尺寸2*2，步距为2.输出的特征映射尺寸为8*8，维度为32；
[0052]
5.6)将尺寸为8*8，维度为32的特征映射通过展平层转换为1*2048的一维特征；
[0053]
5.7)第一个全连接层f1的输出神经元个数为512，激活函数选择relu函数；
[0054]
5.8)第二个全连接层f2的输出神经元个数为256，激活函数选择relu函数；
[0055]
5.9)第三个全连接层f3的输出神经元个数为64，激活函数选择relu函数；
[0056]
5.10)最后一层为输出层，设置softmax分类层，将分类层的神经元节点设置为16。
[0057]
本发明中，结合小波包分解(wavelet packet decomposition,wpd)多尺度正交分解信号的能力，对电能质量扰动信号进行精细划分，实现信号的多分辨率正交分解；利用改
进s变换，在高斯窗函数中引入调节因子，根据信号频率变化特征，灵活调整时间窗宽度变化的速度，实现电能质量扰动信号时频特征二维矩阵的自适应构建；利用图像锐化技术，增强二维矩阵的边缘和轮廓信息；通过卷积神经网络(convolutional neural networks,cnn)对所得到的二维图像特征进行自动识别和分类，避免了人工选取特征的困难。
[0058]
本发明的有益效果为：通过采用小波包分解，对电能质量扰动信号进行精细划分，实现信号的多分辨率正交分解；同时结合改进s变换将一维时序电压信号转换为二维时频特征矩阵，实现电能质量扰动信号时频特征二维矩阵的自适应构建；引入拉普拉斯变换处理，实现图像锐化，最大化突出图像特征信息；最后，利用卷积神经网络实现对电能质量扰动不同模式的自动识别与分类。
附图说明：
[0059]
图1是基于多尺度分析二维特征提取的电能质量复合扰动识别方法的流程图。
[0060]
图2是卷积神经网络的架构图。
[0061]
图3是拉普拉斯变换模板。
具体实施方式
[0062]
下面对本发明做进一步说明。
[0063]
参照图1～图3，一种基于多尺度分析二维特征提取电能质量复合扰动识别方法，包括以下步骤：
[0064]
步骤1：电压信号仿真，过程如下：
[0065]
基于ieee-1159标准中定义的数学模型，模拟生成16种电能质量扰动时间的一维电压时序信号数学模型，其中仿真信号包括10种典型单一电能质量扰动时间信号和6种复合电能质量扰动事件信号。其中，典型单一电能质量扰动事件包括标准正弦电压信号、电压过压异常事件信号、电压欠压异常事件信号、瞬态断电异常事件信号、谐波电压异常事件信号、脉冲暂态异常事件信号、振荡暂态异常事件信号、电压闪变异常事件信号、电压缺口异常事件信号和电压尖峰异常事件信号；6种复合电能质量扰动事件信号包括含3、5、7次谐波的过压异常事件信号、含高次谐波的欠压异常事件信号、含高次谐波的瞬态断电异常事件信号、含高次谐波的电压闪变异常事件信号、含欠压的电压闪变异常事件信号、含过压的电压闪变事件信号。具体的，时序波形信号的采样率为1khz，采样长度为500个点，电压频率为50hz，一个采样时序序列包含25个工频电压周波。信号幅值参数c做归一化处理，定义为1，t为电压周波周期即20ms，其余参数均在表1中说明。此外，在得到数学解析模型的基础上，叠加信噪比为20db的高斯白噪声用以模拟真实场景下的电压采集信号。
[0066][0067][0068]
表1
[0069]
步骤2：电压信号预处理降噪，
[0070]
在得到仿真波形数据后，由于小波包阈值降噪具有良好的去噪效果，采用此方法将仿真信号中的噪声信号去除，以达到降噪的目的。
[0071]
下面是小波包降噪的具体算法步骤：
[0072]
2.1)选取db4小波，利用小波包分解函数(wpdec)将仿真信号进行三层小波包分解；
[0073]
2.2)分别计算第三层小波包系数的样本熵值，将样本熵序列输入最优阈值估计模型，取最大的阈值作为阈值最优估计值，小于阈值的小波包系数置零，大于阈值的小波包系数则保留下来；
[0074]
2.3)依次选取一个阈值量化后的小波包系数，并将其余7个小波包系数归零处理，然后进行叠加并重构，得到相应的8个时域子信号；
[0075]
步骤3：一维时序电压信号转换为二维时频特征矩阵，
[0076]
对一维时序信号进行改进s变换，得到二维时频特征矩阵，其中行向量表示子信号中某一频率成分随着时间变化的幅值序列，列向量表示特定时刻下子信号中的频率成分的变化序列，过程如下：
[0077]
3.1)针对8个时域子信号，设置不同的调节因子参数值，见式(1)；
[0078]
3.2)对8个子信号使用不同窗宽的高斯窗函数进行s变换，得到二维时频特征矩阵。
[0079]
3.3)将电压信号时频特征矩阵无损压缩至128*128维度；
[0080]
步骤4：图像锐化处理，
[0081]
为增强s变换时频谱图图像特征，采用拉普拉斯变换技术实现图像锐化，增强图像的边缘和轮廓信息。过程包括：
[0082]
4.1)构建拉普拉斯变换模板，见图3；
[0083]
4.2)对步骤3中得到的s变换时频谱图进行拉普拉斯变换；
[0084]
4.3)将得到的拉普拉斯变换图像与原始图像进行叠加，实现图像的锐化处理；
[0085]
步骤5：基于卷积神经网络的图像特征自动识别与分类，
[0086]
利用卷积神经网络良好的图像识别能力，实现对图像特征的识别与分类。
[0087]
所述步骤5中，每一层的细节如下所示：
[0088]
输入层：将锐化处理后的s变换时频谱图视作rgb图片作为神经网络的输入层；
[0089]
卷积层：卷积神经网络共包含两层卷积层，以此来提取图像特征，卷积层c1和卷积层c2均使用5*5的卷积核对特征矩阵进行卷积操作，滑动步长为2个像素；
[0090]
池化层：卷积神经网络共包含两层池化层，通过池化层将卷积计算得到的特征图进行聚合统计；
[0091]
全连接层：将二维特征映射转换为一维向量作为网络输入，激活函数为relu；
[0092]
输出层：输出数据送入softmax分类层，结合图片样本的标签实现整个网络的训练。
[0093]
所述步骤5的过程如下：
[0094]
5.1)将步骤4中得到的锐化处理后的图像视作rgb图片，作为卷积神经网络的输入层，输入层是8个128*128的矩阵；
[0095]
5.2)第一个卷积层c1的参数：卷积核尺寸5*5，步距为2，填充为0，激活函数为relu。输出的特征映射尺寸为63*63，维度为16；
[0096]
5.3)第一个最大池化层s1的参数：池化核尺寸2*2，步距为2，输出的特征映射尺寸为32*32，维度为16；
[0097]
5.4)第二个卷积层c2的参数：卷积核尺寸5*5，步距为2，填充为0，激活函数为relu。输出的特征映射尺寸为15*15，维度为32；
[0098]
5.5)第二个最大池化层s2的参数：池化核尺寸2*2，步距为2.输出的特征映射尺寸为8*8，维度为32；
[0099]
5.6)将尺寸为8*8，维度为32的特征映射通过展平层转换为1*2048的一维特征；
[0100]
5.7)第一个全连接层f1的输出神经元个数为512，激活函数选择relu函数；
[0101]
5.8)第二个全连接层f2的输出神经元个数为256，激活函数选择relu函数；
[0102]
5.9)第三个全连接层f3的输出神经元个数为64，激活函数选择relu函数；
[0103]
5.10)最后一层为输出层，设置softmax分类层，将分类层的神经元节点设置为16。
[0104]
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。