基于深度置信网络的电压暂降特征提取及源辨识方法.pdfVIP

第44 卷 第4 期 2020 年2 月25 日 Vol.44No.4 Feb.25,2020 DOI：10.7500/AEPS20190306004 基于深度置信网络的电压暂降特征提取及源辨识方法 1 2 3 1 1 1 李丹奇 ，梅 飞 ，张宸宇 ，沙浩源 ，郑建勇 ，李陶然 （1. 东南大学电气工程学院，江苏省南京市 210096；2. 河海大学能源与电气学院，江苏省南京市 211100； 3. 国网江苏省电力有限公司电力科学研究院，江苏省南京市 211103） 摘要：提出一种基于深度置信网络（DBN）的电压暂降特征提取与暂降源辨识方法，利用DBN的 特征提取能力对实测波形数据进行特征自提取，解决了人工提取特征过度依赖专家经验，受未知特 征影响较大不具备一般性的问题。采用多隐层结构网络学习特征最终实现暂降源辨识。该模型集 特征提取器与分类器于一体，优化了模型结构框架，提高了暂降源辨识效率。对模型最优参数进行 选择，建立适用于电压暂降实测数据类型的DBN模型，对电网实测暂降数据进行特征提取与暂降 源辨识，通过对比验证了DBN方法在特征提取与暂降源识别上的优越性，适用于实际工程。 关键词：电压暂降；深度学习；深度置信网络；特征提取；暂降源辨识 0 引言 随着人工智能的发展，基于人工智能和机器学 ［9-17］ 习的方法逐渐应用到电能质量分类系统中 ，并 随着工业装备、建筑电气自动化及智能化水平 取得了良好的正确率。文献［10］针对训练和测试中 越来越高，电压暂降问题对于工商业大用户的生产 ［1-2］ 的数据来源不同的情况，改进电压扰动支持向量机 经营影响也越来越显著 。电压暂降是一种常见 （SVM）分类系统提高实用性能。文献［11］用人工 的电能质量问题，电动机启动、变压器投切、短路故 ［3-4］ 神经网络检测电压暂降，提出基于不同暂降类型的 障等都会引起电压暂降现象 ，因电压暂降干扰而 响应分类。文献［12］提出了一种新的基于双神经 导致的生产中断和延缓呈明显的上升趋势，由此带 网络的单次和联合电能质量扰动检测和分类方法， 来的直接及间接经济损失日趋严重，这对供电质量 利用谐波、间谐波和电压方均根值等指标实现辨 提出了更高要求，而准确识别暂降源是治理电压暂 识。文献［13］提出三相电压变化速率、电压恢复速 降问题必不可少的步骤。 度、非矩形系数、三相电压不平衡率等10项电压弛 国内外学者已经对电压暂降源辨识方法展开了 度特性参数，利用深度学习方法进行分类。现阶段 大量研究并取得众多成果。文献［5］从不平衡暂降 电压暂降辨识方法，如文献［9-15］所述，均需要提前 与对称分量的角度出发，对电压暂降源进行分类，为 人为设定预期需要提取的特征，再利用分类器进行 后续研究奠定了理论基础。文献［6］根据此分类，基