基于深度学习的电能质量扰动分析方法研究

作     者：侯伊楠 

作者单位：东北大学 

学位级别：硕士

导师姓名：孙秋野

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：电能质量 深度学习 扰动识别 深度信念网络 卷积神经网络 

摘      要：随着电力电子技术的蓬勃发展,变频、整流、逆变装置的利用比重逐渐上升。这些装置在给生产生活带来便利的同时,也给电网带来了冲击。为了解决这一问题,必须采用适当的措施提高电能质量。首先要解决的是对各种类型的电能质量扰动信号进行有效识别。面对电力系统中越来越多的复合扰动及其带来的海量扰动数据,传统的识别方法已经不能够精准地识别出各类复杂的扰动。基于以上认识,本文从深度学习的角度对电能质量扰动分析方法进行了探讨和研究:(1)总结了当前的电能质量研究方法,分析了目前电网中常见的电能质量问题,进而研究了深度学习方法的构成种类。最后,阐述了传统电能质量分析方法与深度学习方法的研究现状。(2)学习了电能质量的定义和国内外相关标准。其次,分析了电能质量扰动产生的原因以及扰动的类型,构建了单一电能质量扰动和复合电能质量扰动数学模型。再此基础上,生成每种扰动信号的波形,为后续扰动的识别分类提供有效数据。(3)采用深度信念网络(DBN)对电能质量扰动分析方法进行深入研究。首先建立以受限玻尔兹曼机(RBM)为基础的DBN模型,之后进行分类器的选取并阐述网络训练过程。在训练RBM的过程中,针对传统训练方法不能同时兼顾准确率和时效性的缺陷,提出了一种改进的CD-k算法,通过理论分析证明了该方法是可行的。随后确定DBN网络的最优结构,最后通过仿真实验验证了 DBN网络在电能质量扰动分析领域具有很高的识别效率。(4)采用卷积神经网络(CNN)对电能质量扰动分析方法进行深入研究。针对CNN识别一维信号效果不理想的缺陷,本文提出了一种一维信号二维映射的方法,将扰动数据以灰度图的形式表现出来。之后讨论了 CNN结构和训练过程,结合电能质量扰动种类多、计算量大的特点确定了 CNN网络结构。随后规划出CNN作为扰动识别网络对电能质量进行分析的整体方案。在验证网络没有出现过拟合现象后,通过仿真实验验证了 CNN网络在电能质量扰动分析方面的高识别率和优异性能。(5)对比分析两种深度学习网络在电能质量扰动分析领域应用的特点和适用情况。最后,总结了论文的主要研究结论和需要进一步深入研究的内容。