基于HWST时频分析和DNN的电能质量监测框架.pdfVIP

环境试验nvironmental

Testing

基于HWST时频分析和DNN的电能质量监测框架

汪锋，刘智强，郭姚超，贾子昊，程龙，刘泽清

（国网河南省电力公司平顶山供电公司，平顶山467000）

摘要：随着电网的快速发展，电气设备的使用大量增加，电能质量干扰监测对于电网的可靠和平稳运行变得十分重要。

为此，提出一种基于堆叠自编码器（stackedautoencoder，SAE）的深度神经网络（deepneuralnetwork，DNN）

模型，用于提取单一和组合电能质量干扰的时频谱特征。首先，通过采用随机有哪些信誉好的足球投注网站优化技术调整超参数，利用超曲

线s变换（hyperbolicwindowstockwelltransform，HWST）分析电能质量信号的时频特征。然后将HWST时频

矩阵输入到3层SAE网络，自动学习50维深度特征。最后，将提取的深度特征输入到多种机器学习分类器进行识别。

实验结果表明，采用xGBoost分类器可以以99.86%的准确率识别18种单一和组合电能质量事件。该框架在噪声

环境和频率变化条件下也表现出良好的鲁棒性，并成功应用于实际电网数据。

关键词：电能质量监测：超曲线s变换；深度神经网络；堆叠自动编码器；分类

中图分类号：TM711文献标识码：A文章编号：1004-7204(2024)09-0215-07

APowerQualityMonitoringFrameworkBasedonHWSTTime-Frequency

AnalysisandDNNs

WANGFeng,LIUZhi-qiang,GUOYao-chao,JIAZi-hao,CHENGLong,LIUZe-qing

(PingdingshanPowerSupplyCompany,StateGridCorporationofHenanProvince,Pingdingshan467000)

Abstract:Withtherapiddevelopmentofpowergridsandtheincreaseduseofelectricalequipment,

monitoringpowerqualitydisturbanceshasbecomecriticalforreliableandstablegridoperation.

Adeepneuralnetwork(DNN)modelbasedonstackedautoencoders(SAE)isproposedtoextracttime-

frequencyfeaturesofbothsingleandcombinedpowerqualitydisturbances.First,thehyperparameters

aretunedusingarandomsearchoptimizationtechnique,andthehyperbolicwindowedStockwell

transform(HwST)isemployedtoanalyzethetime-frequencycharacteristicsofthepowerquality

signals.Then,theHWSTtime-frequencymatrixisinputintoa3-layerSAEnetworktoautomatically

learn50-dimensionaldeepfeatures.Finally,theextracteddeepfeaturesarefedintovariousmachine

learning