基于MEEMD-CNN-BiLSTM-ATT混合模型的电能质量信号识别方法

基于meemd-cnn-bilstm-att混合模型的电能质量信号识别方法
技术领域
1.本发明涉及电力系统中电能质量分析领域，研究一种用于电能质量复合扰动分类的深度学习方法。


背景技术：

2.目前随着电力电子技术的快速发展，大量非线性负荷的不断增多。与此同时，风能、光伏等分布式电源的大规模接入，使得电网易受到随机性和波动性的影响。对于一次系统，较差电能质量会使得系统的运行工况恶化，威胁系统的正常运行。对于二次系统，电能质量问题会减少设备的使用寿命，甚至直接使设备发生故障。因此，对电能质量的研究具有重要意义。
3.当前电能质量扰动识别研究已有较为成熟的思路，即采取特征提取和信号分类两步来实现。目前也有一些电能质量扰动识别方法，例如支持向量机、概率神经网络等，但这些方法适用性受到了一定限制。在实际应用中，复合电能质量的识别是其中最重要的。目前绝大多数方案中的首先对数据集里存在的单一扰动和复合扰动信号数据进行训练特征提取，最后完成电能质量扰动分类，其局限性在于只能对数据集里存在的扰动类型识别。但实际情况中会出现各种复杂的电能质量信号类别也就是数据集里不存在的扰动类别。当对这些电能质量进行识别时，提出的方案训练效果会急剧下降。因此这些训练方案应用性非常有限，这对于电能质量信号识别实际应用性质考虑略显不足。
4.基于上述问题构建一个新的深度学习框架-卷积双向长短期记忆网络模型(cnn-bilstm)，用于预测新的复合电能质量信号事件。本发明基于单一和有限数量的电能质量信号，将待测信号通过经验模态分解(meemd)分解成数据集已有的扰动类型并进行识别。meemd方法其独特性质使电能质量信号能避免出现模态混叠现象且使其分解成数据集里同样类别的本征模态分量(imf)。由于imf携带关于信号分量的信息，所以信号的每个imf由开发的cnn-bilstm模型按顺序识别并计算预测值输出信号类别，最后对所有imf类别进行重组叠加得到输出结果。本发明利用已知的电能质量信号变量对未知的复合电能质量信号进行分类，这对于电能质量识别应用具有重要的作用。


技术实现要素：

5.基于meemd-cnn-bilstm-att混合模型的电能质量扰动信号预测方法，其实现包括以下几个步骤：
6.步骤一：获得电能质量信号数据作为输入数据，并进行meemd分解，得到若干个imf分量，将各个imf分量分别拆分为训练集和测试集；
7.步骤二：构建cnn-bilstm序列分类模型,将训练集的数据输入模型中；
8.步骤三：在双向长短期记忆网络的输出侧添加注意力机制层，再次计算输出数据；
9.步骤四：将测试集输入cnn-bilstm-att模型中，对所有预测值进行重组叠加，得到
输出序列。
10.进一步的，采集电能质量信号，样本数据为历史样本数据或根据电能质量信号特征构建的样本数据。
11.进一步的，对样本数据进行meemd分解：对原始信号添加成对的均值为零的白噪声得到两个合成信号，分别对得到的合成信号进行emd分解，得到对应的第一个imf分量，对第一个imf进行判断，如果其熵值大于设定值，则视为异常信号，返回执行上述步骤，重复n次，直到得到的imf分量不是异常信号。此时将前面获取到的n-1个分量从信号中分离，得到近期平稳信号的余量，重新对进行emd分解，得到高频到低频排列的一系列imf分量，meemd过程结束，得到若干个本征模态分量imf。
12.进一步的，通过对每个模态进行希尔伯特变换以获得解析信号。
13.进一步的，计算每个imf分量在时间轴上的瞬时能量作为该分量的特征，包括以下步骤：根据解析信号得到分量的复包络，计算每个复包络的瞬时幅度，即复包络的模值。计算每个imf分量的瞬时能量，即瞬时幅度模值的平方。
14.进一步的，将数据集转换为适合cnn-bilstm-att模型输入的格式并分为测试集和训练集。
15.本发明构建cnn-bilstm-att序列分类模型，包括：
16.输入层接收每个imf分量信号数据；
17.卷积层提取出imf分量的空间特征，采用多个卷积核进行卷积操作；
18.添加池化层对特征进行压缩和转换；
19.采用双向lstm层作对imf分量的时间序列特征进行建模处理，即正向和反向两个lstm模型分别处理imf分量的时间特征，再将它们合并成一个输出结果；
20.注意力机制层通过学习每个时间段对应的特征权重来增强特征的重要性，将经过空间和时间特征提取、注意力机制后的imf分量特征进行拼接，并将其输入到全连接层进行处理；
21.输出层即为对imf分类结果输出。
22.进一步的，给cnn-bilstm-att模型的各个参数赋初值,利用训练集对cnn-bilstm-att模型进行训练，使用反向传播算法计算损失，并利用优化算法更新模型参数，以最小化训练误差。
23.进一步的，所述将测试集输入cnn-bilstm-att模型中工作过程包括：
24.输入测试集，对待测信号进行memed分解得到本征模态分量imf；
25.对每个模态进行希尔伯特变换计算以获得解析信号；
26.根据解析信号得到imf瞬时能量作为cnn-bilstm-att模型的输入；
27.使用训练好的模型对各imf分量数据进行推断，得到相应的分类预测结果；
28.最后对所有imf分量预测结果进行重组叠加，输出待测信号电能质量扰动信号最终识别结果。
29.本发明与现有技术相比，具有如下效果：
30.1、对电能质量分解成imf，meemd是一种改进的经验模态分解(emd)算法，可以将多元信号分解成多个具有良好时频局部特性的单元信号。
31.2、通过引入注意力机制，在对每个imf分量进行分类之前，对每个分量进行关注并
对重要性进行加权，从而提高imf分量间的区分能力，减小分类误差，进一步提高模型的识别准确率。
32.3、在本发明中电能质量信号属于时序信号，在模型lstm网络中引入双向传递机制，可强化对时间序列的建模。
33.4、本发明基于深度学习技术，可以自适应地进行特征学习和分类，对于一定范围内的数据集里没有的未知扰动类型也可能具有一定的识别能力。
附图说明
34.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1是基于meemd-cnn-bilstm-att混合模型的电能质量信号识别结构框图。
36.图2是meemd-cnn-bilstm-att混合模型结构图。
37.图3是基于meemd-cnn-bilstm-att混合模型的信号识别流程图。
具体实施方式
38.如图1所示，本实施例的基于meemd-cnn-bilstm-att混合模型的电能质量信号识别方法，包括如下步骤：
39.s1：对原始信号添加成对的均值为零的白噪声得到两个合成信号。将每个合成信号进行emd分解，得到对应的第一个imf分量。对第一个imf分量进行判断，如果其熵值大于设定值，则视为异常信号，返回执行第2步，重复n次，直到得到的imf分量不是异常信号。将前面获取到的n-1个分量从信号中分离，得到近期平稳信号的余量。重新对余量进行emd分解，得到高频到低频排列的一系列imf分量。meemd过程结束，得到若干个本征模态分量imf。
40.对每个imf分量进行希尔伯特变换，首先对做傅里叶变换，其中对的傅里叶公式为：
[0041][0042]
再使用以下公式求解析信号z(t)：
[0043]
z(t)＝x(t)+jy(t)＝a(t)e
tθ(t)
[0044]
其中瞬时幅度：
[0045][0046]
瞬时相位：
[0047]
θ(t)＝tan-1
(y(t)/x(t))，
[0048]
瞬时频率：
[0049]
w(t)＝dθ(t)/dt，
[0050]
在本发明中，imf的瞬时能量被cnn用来提取特征，瞬时能量|a(t)|2为瞬时幅度模值的平方。
[0051]
s2：cnn-bilstm-att模型结构如图2所示，处理过的输入数据输入到卷积神经网络的输入层，计算得到输出矩阵，并对输出矩阵进行最大池化，提高网络的泛化能力并且提升
计算速度。卷积神经网络由一个卷积层和一个最大池化层组成，卷积核的数据为128，时域窗长度为3，其中卷积层描述为：
[0052][0053]
式中，表示第k个特征映射的输出，f(.)表示激活函数；wk表示连接到第k个特征映射的权重；x表示输入数据；i和j表示卷积核的尺寸；bk表示第个特征映射的偏差。将池化得到的矩阵作为双向长短期记忆网络的输入，同时从正向和反向处理数据，不仅关注每个特定时间步，还关注未来时刻与当前时刻的相关关系。双向长短期记忆网络的计算定义如下：
[0054]ft
＝σ(w
fx
·
x
t
+w
fh
·ht-1
+bf)
[0055]it
＝σ(w
ix
x
t
+w
ihht-1
+bi)
[0056][0057]ot
＝σ(w
ox
·
x
t
+w
oh
·ht-1
+bo)
[0058][0059]
式中，f
t
、i
t
、g
t
、o
t
、h
t
分别是遗忘门、输入门、输入单元、输出门、输出向量；x
t
表示输入向量，c
t-1
表示上一时刻单元状态；w是权重矩阵，b是偏置项，σ表示sigmod激活函数，表示tanh激活函数，表示矩阵元素相乘。
[0060]
s3：通过注意力机制对bilstm预测过程中隐藏层特征向量添加权重,进行有选择性的学习,将更多注意力分配给重要的时间步,关注提供有用信息的节点,从而提高预测精度。注意力机制层描述为:
[0061]at
＝v
t
·
tanh(wa·
x
t
+b)
[0062]
式中,v
t
,wa和b分别是权重和偏差,x
t
为输入向量。
[0063]
通过softmax函数求解归一化权重:
[0064][0065]
将原始输入向量x
t
和注意力权重a
t
加权求和得到新的隐藏层状态c
t
:
[0066][0067]
给cnn-bilstm-att模型的每个参数赋初值，计算cnn-bilstm-att模型的损失函数，损失函数使用交叉熵损失函数。采用优化算法对模型参数进行更新，以最小化训练误差。直至cnn-bilstm-att模型训练收敛或达到预设的最大迭代次数。
[0068]
s4：meemd-cnn-bilstm-att混合模型的信号识别流程如图3所示，首先对待测电能质量扰动信号进行meemd分解，得到所有imf分量。对每个imf分量进行希尔伯特变换获得相应的解析信号，根据解析信号求瞬时能量作为cnn输入。使用训练好的模型对各imf分量数据进行推断，得到相应的分类预测结果。对所有imf分量预测结果进行重组叠加，得到待测信号电能质量扰动信号的最终识别结果。

技术特征：
1.基于meemd-cnn-bilstm-att混合模型的电能质量扰动信号识别方法，其特征在于，包括如下步骤：s1、采集电能质量信号数据作为输入数据，进行meemd分解得到若干个imf分量并将各个imf分量分别拆分为训练集和测试集；s2、构建cnn-bilstm序列分类模型并将训练集的数据输入模型中；s3、在双向长短期记忆网络的输出侧添加注意力机制层并再次计算输出数据；s4、将测试集输入cnn-bilstm-att模型中，对所有预测值进行重组叠加得到输出序列。2.根据权利要求1所述的基于meemd-cnn-bilstm-att混合模型的电能质量扰动信号预测方法，其特征在于，样本数据为历史样本数据或根据电能质量信号特征构建的样本数据。3.根据权利要求1所述的基于meemd-cnn-bilstm-att混合模型的电能质量扰动信号预测方法，其征在于，进行meemd分解得到若干个imf分量并将各个imf分量分别拆分为训练集和测试集的方法包括：确定所用分解层数、阈值和停止条件，初始化meemd分解；将电能质量复合扰动信号进行分解，得到若干个本征模态分量imf；对每个模态进行希尔伯特变换得到解析公式，根据解析公式计算imf瞬时能量作为cnn输入；将数据集拆分为训练集和测试集。4.根据权利要求1所述的基于meemd-cnn-bilstm-att混合模型的电能质量扰动信号预测方法，其特征在于，构建cnn-bilstm序列分类模型并将训练集的数据输入模型中的方法包括：确定模型输输出维度、各层网络结构和参数，初始化cnn-bilstm模型；在cnn部分将预处理后的imf分量进行卷积操作，并用sigmoid函数进行激活处理以提取imf分量的局部特征，同时缩小imf分量的维度；在卷积之后，添加池化层来进一步减少维度和计算量；在cnn部分提取imf分量的特征后输入到bilstm中，bilstm具有前向和后向两个方向的序列学习能力捕捉imf分量之间的时间序列特征；将模型输出的结果经过全连接层将特征向量的维度进行变换，使其能够被用于后续的注意力机制中；将训练集按照模型输入格式输入到模型中。5.根据权利要求1所述的基于meemd-cnn-bilstm-att混合模型的电能质量扰动信号预测方法，其特征在于，在双向长短期记忆网络的输出侧添加注意力机制层并再次计算输出数据的方法包括：将变换后的特征向量分别送入线性层和激活函数中，使用线性层对其进行降维。在此之后，将其送到激活函数中进行非线性处理；将经过激活函数处理后的特征向量作为注意力机制的输入，以获得imf分量权重，对imf分量进行归一化；利用训练集对模型进行训练，使用反向传播算法计算损失，并利用优化算法更新模型参数，以最小化训练误差。6.根据权利要求1所述的基于meemd-cnn-bilstm-att混合模型的电能质量扰动信号预
测方法，所述将测试集输入cnn-bilstm-att模型中，对所有预测值进行重组叠加得到输出序列的方法包括：对测试集中待测信号的imf分量按照模型的输入格式进行输入；使用训练好的模型对测试集中的各imf分量数据进行推断，得到相应的分类预测结果；对所有imf分量预测结果进行重组叠加，输出待测信号最终电能质量扰动信号预测结果。

技术总结
本发明公开一种用于电能质量扰动识别的深度学习方法，属于电能质量分析领域。本发明利用经验模态分解(MEEMD)使未知电能质量扰动分解成数据集已有的扰动类型并进行识别，实现对数据集里不存在的电能质量扰动类型分类。本发明包括获得电能质量扰动数据作为输入；数据经过MEEMD，得到若干本征模态分量(IMF)；构建卷积-双向长短期记忆网络模型(CNN-BiLSTM)，输入IMF；数据经过CNN卷积层和池化层，提取IMF特征提取；经过BiLSTM，关注IMF未来与当前相关关系；经过注意力机制层(ATT)，突显特征向量权重；经过全连接层和Softmax分类器输出IMF类别；对所有IMF类别叠加实现信号识别。本发明提出的电能质量信号分类的深度学习方法能以较高精度实现对未知复合电能质量信号分类。高精度实现对未知复合电能质量信号分类。高精度实现对未知复合电能质量信号分类。


技术研发人员：张锐 程政铎 于智龙 赵家辉
受保护的技术使用者：哈尔滨理工大学
技术研发日：2023.07.23
技术公布日：2023/10/15