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

技术特征：
1.一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，其特征在于，所述方法包括以下步骤：步骤1：电压信号仿真，过程如下：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、含过压的电压闪变事件信号；步骤2：一维电压时序信号预处理分解，过程如下：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；步骤3：一维时序电压信号转换为二维时频特征矩阵，过程如下：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变换二维时频特征矩阵；步骤4：图像锐化处理，过程为：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；步骤5：基于卷积神经网络的图像特征提取，过程为：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。2.如权利要求1所述的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，其特征在于，所述步骤2的过程如下：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；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；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。3.如权利要求1或2所述的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，其特征在于，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含有噪声，故对仿真信号叠加信噪比20db的高斯白噪声。
4.如权利要求1或2所述的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，其特征在于，所述步骤3的过程如下：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：factor＝-9.4
×
10-9
×
f3 1.2
×
10-5
×
f
2-6.7
×
10-3
×
f 1.54
ꢀꢀꢀꢀ
(1)式中，factor为调节因子；f为频率刻度；3.2)对时序子信号进行s变换得到时频谱系数矩阵，矩阵维度为500
×
500；3.3)将电压信号时频系数矩阵无损压缩至128*128维度。5.如权利要求1-4所述的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，其特征在于，所述步骤4过程如下：4.1)对于输入s变换时频谱图f(x,y)，其拉普拉斯变换为：式中：x,y分别为一幅图像置于笛卡尔坐标系下的坐标位置；f代表灰度值；其中：式中：x,y分别为一幅图像置于笛卡尔坐标系下的坐标位置；f代表灰度值；其中：对于离散图像，其离散形式如下：将公式(5)转化为模板表示；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；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：式中：h(x,y)为锐化处理后的图像。6.如权利要求1或2所述的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，其特征在于，所述步骤5中，每一层的细节如下所示：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；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；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；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；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。7.如权利要求6所述的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，其特征在于，所述步骤5的过程如下：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；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；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；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；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；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；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；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；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；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。

技术总结
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，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变换将一维电压时序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。本发明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。准确的辨识。准确的辨识。


技术研发人员：傅雷 汪思念 张弈坤 张立彬 朱添田
受保护的技术使用者：浙江工业大学
技术研发日：2021.12.13
技术公布日：2022/3/3