刘恒
上海电力大学 上海200120
摘要：在我国社会经济的快速发展下，使得我国用户对电能需求逐渐增大，而且电力来源及电力负荷变得更具多样化，这也让电能质量扰动现象逐渐增加。而为了能够更好的治理电能质量扰动所带来的各种负面影响，就需要在学术与工程中进行大量研究工作，并取得一定的成就。因此本文结合了电能质量扰动类型，对其识别方法展开了探究，以期能够为相关工作人员提供参考性意见。
关键词：深度学习；电能质量；干扰识别
前言：伴随着我国逐渐越来越多的新能源发电设备的应用，这让我国电能质量问题日益严重，而在现代工业生产过程中的应用也逐渐对高精密电子仪器的电能质量提出了更高要求，而若想治理和改善电能质量的前提就是需要对其中的扰动信号加以分类。
1电能质量扰动识别的概述
在实际电网当中通常会同时存在多种电能质量的干扰工作，对这些扰动信号不仅需要实现快速检测工作，还需要实行准确识别，对于各种扰动信号进行正确的分类识别工作。在所监测到的电能质量数据通常都是非常庞大的，所以其中的各种扰动信号就可以快速准确的自动进行分类工作，目前这种情况已经成为电能质量分析中的热点问题。现阶段应用在电能质量扰动识别的智能方法主要有小波变换、人工神经网络、支持向量机等等[1]。电能质量扰动会造成设备过热，电机停止运转，保护失灵以及剂量不准确等严重后果，也会导致严重的经济损失与社会影响力。然而在社会不断快速发展和生活水平不断得到提高的情况下，逐渐越来越多对电能质量较敏感的电力电子设备投入了使用当中，这对电能质量就会提出更高的要求。电能质量扰动识别可以为电能质量的管理与治理提供可靠的帮助，进而有效的提高供电质量。
2常见电能质量扰动类型
2.1单一扰动
单一扰动中如电压闪变为电压波动所造成的，通常有电弧炉。轧钢机等一些大功率装置的运行和分布式发电等引起的，如此不仅能造成灯光闪变，而且还给人们以不舒服的感觉，甚至还有可能会让某些重要电子仪器、控制系统或保护装置误动。其公式为：
.png)
其中0.1≤≤0.2；5≤为波动衰减相对系统，β则为衰减系数，为角频率。
2.2双重扰动
电压尖峰＋闪变属于双重扰动类型，其是浪涌电压中的一种，持续时间较短，但其中数值却较高。电机、电容器或功率转设备成为了产生尖峰电压的主要因素。尖峰电压的存在造成了绝缘强度得到降低，并且电动机线圈的绝缘受到损害，这为机载电子设备与电机的安全运行带来了严重威胁，因此需要使用大量抗浪涌保护设备来对尖峰电压的危害加以抑制，为此需要花费大量的财力和物力。尖峰电压与电压善变的双重复合扰动的公式为：
.png)
其中0.≤k≤0.4,0≤t1，t2≤0.5T，0.01T≤t2-t1≤0.05T;
2.3三重扰动
由于现阶段电网当中有着大量不平衡与非线性负载情况，比如整流器、变频器、UPS和开关电源等等，如此就造成了谐波含量得到增加。谐波的出现使得电机增加了损耗，使得电气设备效率得到降低，也可能会使得汽轮发动机产生机械共振，这给汽轮机叶片造成了较大的损伤[2]。此外，谐波还会让测量仪器出现误差，串联谐振、并联谐振、保护装置误动或拒动，通信干扰等一系列问题。电压谐波、尖峰电压和电压善变的三重复合扰动的公式为：
.png)
其中0.02≤h2≤0.1；i=3,5,7；
3电能质量扰动识别方法
3.1决策树方法
决策树是一种预测模型，其属于机器学习过程中最为简单的分类模型，这是一种依赖策略抉择而创建起来的树种，这表示其所代表的对象属性与对象值之间会映射出一定关系。在这一策略抉择方向上，要求一个节点代表一个对象，一个分叉表示这某个可能的属性值，而从叶节点到根节点所路过的路径则表示其对象中的全部属性值。而在电能质量扰动信号识别过程中则应根据信号谐波含量阈值或扰动幅值变化阈值能够有效的将部分简单扰动信号识别出来。
3.2人工神经网络方法
神经网络是一种模拟人脑神经元，并对外界信息进行感知而建设的基本模型，如此通过对所学训练样本给予加权处理，通过传递函数自动寻找到输入与输出的映射关系，而该映射关系最终可以使用在判别测试样本工作中[3]。并且人工神经网络思想是受人类脑神经网络对外界信息感知的基本模型而启发的，其在人工神经网络中最基本的单元就是神经元，常使用的神经网络方法有BP神经网络、径向基函数神经网络、概率神经网络等等。人工神经网络被经常用于电能质量扰动的分类识别当中。但人工神经网络在经过最小化误差函数来寻找优先求解过程中就容易陷入到局部最优解中，从而让样本训练过程受到限制，并对输出结果产生影响，即识别率。
3.3支持向量机方法
支持向量机是一种基于优先样本统计学习理论分类识别的方法。其能更好的用在小样本、高维数以及非线性等问题的解决方面。通常来说，各种分类问题都可以归结为二分类问题，就是从已知赝本中以此得到一个分类函数，最后将两类对象分开来。例如一个集合{（xi，yi），i=1.2…，n}，其中的xi表示含两类训练样本的集合中的第i个样例，而yi则为对应样本的标签。而当xi为第一类时，yi=1，当xi为第二类时，则yi=-1.支持向量机悬链的目的就是构造出一个最佳判别函数，其被称之为分类超平面。然而大多数分类问题也都是非线性分类问题，这时应积极使用非线性函数（·），将原始输入型号映射至高维特征空间。在高维特征空间上构建超平面，其分了器函数则应表达为：y（x）=sgn（W·（x）+b）。其中W表示为权值，b表示为偏置。此外，在实际运用过程中，有部分样本可能会受到噪声的影响，不能建设出合适的超平面分类，因而就会引入到一个非负变量来提高支持向量机的泛化能力[4]。根据以上信息可得，构造一个支持向量机的关键就在于核函数的确立与惩罚项系数的选择。常见核函数拥有多项式核函数、高斯径向基函数、指数径向基函数、多层感知器核函数等等。在电能质量扰动类型识别过程中，一般使用的核函数通常都会取高斯径向基函数为：
.png)
。因此在识别电能质量扰动类型实验过程汇总，找到正确的惩罚项系数c和核函数系数是最关键的步骤。
结束语：
综上所述，本文主要介绍了电能质量扰动识别的方法，首先阐述了电能质量扰动识别的概述，并对常见电能质量扰动类型进行了分析，最后较为详细的介绍了常用语电能质量扰动信号识别的方法：决策树方法、人工神经网络方法、支持向量机方法，对特征样本采用前向顺序选择方法，构建最合适分类的特征集合，同时在支持向量机分类的构造方面，也需要借助于粒子寻优算法来解决人工确定参数问题，尽可能避免实验的偶然性。
参考文献：
[1] 佟瑞鹏, 崔鹏程. 基于深度学习的不安全因素识别和交互分析[J]. 中国安全科学学报, 2017, 027(004):49.
[2] 张然, 郭俊宏, 蓝新斌,等. 基于深度置信网络的电能质量扰动检测与分类[J]. 广东电力, 2020, v.33;No.269(06):98.
[3] 张立鹏, 郑岩, 秦刚,等. 一种实时电能质量扰动识别分类方法[J]. 河北工业科技, 2019, 36(01):46.
[4] 肖露欣, 李增祥, 马建,等. 基于降噪自编码的电能质量扰动识别[J]. 南昌大学学报(理科版), 2017, 041(006):591.
作者简介：刘恒 1995年1月 ，男，汉族，四川眉山，学生，研究生，上海电力大学，方向是电能质量，邮编是200120