论文部分内容阅读
电能质量对电网稳定安全运行、居民生活质量以及国家经济效益等各方面均有着重要的意义。随着以新能源为主体的新型电力系统的建设,电能质量扰动问题更加复杂多变。对电能质量扰动识别进行快速、精准的分析是推进新型电力系统建设与改善电能质量的前提。本文针对如何提升电能质量扰动特征提取的快速性、提高扰动识别的分类精度以及如何降低海量数据对传统分析模式造成的时延性等问题开展研究。本文主要进行如下工作:首先,考虑电能质量特征提取中时频分析的快速性问题,提出一种快速自适应S变换(Fast Adaptive S-transform,FAST)方法。该方法首先利用极大值包络曲线法获得扰动信号的主要特征频率点,通过只分析特征频率点,消除了大量冗余计算,在不丢失有效特征信息的情况下提高计算速度;然后针对主要特征点应用自适应S变换(Adaptive S-transform,AST)进行时频分析。与S变换(S-Transform,ST)、广义S变换(Genralized S-transform,GST)和自适应S变换相比较,快速自适应S变换具有更好特征提取精度和效率。其次,考虑电能质量扰动识别的分类精度问题,提出一种探路者优化极限学习机识别算法(Pathfinder Extreme Learning Machine,PELM)。首先,依据扰动信号识别的快速性和精确度对比仿真,选择极限学习机(Extreme Learning Machine,ELM)作为本文的基础分类器。然后,针对极限学习机初始参数随机性影响分类精度的问题,采用模式简单、优化性能好、具有全局搜索和局部搜索有效平衡的探路者算法(Pathfinder Algorithm,PFA)对极限学习机的参数进行优化,提升分类精度。最后,基于S变换、广义S变换和快速自适应S变换提取的特征量,采用支持向量机(Support Vector Machine,SVM)、概率神经网络(Probabilistic Neural Network,PNN)、极限学习机以及经遗传算法改进的极限学习机(Genetic Algorithm Extreme Learning Machine,GA-ELM)与该文所提方法进行分类精度对比,验证方法的有效性。最后,随着新型电力系统建设的推进,越来越多的新能源、电力电子设备及监控点将参与到电力系统中,新能源及电力电子设备的大量应用将导致电能质量扰动更加复杂、多变;高采样率的监控点将造成数据的海量增加,进而增加扰动识别中的计算压力。在前两章的基础上,本章提出一种基于边缘计算的云边协同识别方法,缓解集中处理的计算压力,进一步提升快速性。首先,将特征提取与识别任务部署至多个边缘节点,在各个边缘节点上运用快速自适应S变换和探路者优化的极限学习机实施特征提取与扰动识别任务;其次将识别模型的训练任务设置于云中心,云中心负责对识别模型进行训练与下发,缓解海量数据对云中心集中式计算的压力。从而形成基于边缘计算的云边协同识别方法,降低时延性,进一步提升扰动分析快速性。