电能质量扰动多标签分类识别方法研究.pdf

哈尔滨理工大学电子信息硕士学位论文

电能质量扰动多标签分类识别方法研究

摘要

可再生能源发电成为当前能源需求的首选，将多种不同类型的可再生能源

接入电网会引起各种电能质量扰动（PowerQualityDisturbances，PQDs），通过

检测和分类这些电能质量扰动，有利于提高消费者用电体验和电能源生产效率。

目前的研究主要集中于对PQDs特征分析以及部分有标签样本复合PQDs的分

类识别。传统PQDs多分类方法在面对无训练样本标签的复合扰动时容易出现

错误识别。在本研究中，采用基于单一扰动和部分复合PQDs信号的分类方法

完成对无标签样本PQDs分类识别。

根据无标签样本PQDs分类所需构建标签数据库，以十四种有标签样本

PQDs为训练集数据和八种无标签样本PQDs为测试集数据。通过希尔伯特黄变

换（Hilbert-HuangTransform，HHT）方法分析测试集扰动特征，创建多个固有

模态函数（IntrinsicModeFunctions，IMFs），并计算各IMF瞬时能量

（InstantaneousEnergy，IE）构建测试集PQDs的特征。

引入多目标经验模态分解方法（MultivariateEmpiricalModeDecomposition，

MEEMD），通过自适应滤波和迭代过程，有效解决传统HHT方法中经验模态

分解（EmpiricalModeDecomposition，EMD）后不同模态间存在的频谱混叠。

经仿真验证，MEEMD能有效消除频谱混叠现象，使得对电能质量扰动中的复

杂信号进行更细致和准确的结构分析。

构建并行卷积-双向门控循环网络模型(Convolution-BidirectionalGated

RecurrentUnit，CNN-BiGRU)，将对每个IMF的瞬时能量作为输入，CNN从信

号中提取复杂的空间特征，BiGRU建模时序关系。通过并行融合将空间特征和

时序特征在横轴方向拼接成一个新特征。最终经过全连接层和softmax分类器

输出IMF类别标签，对所有类别标签叠加实现PQDs多标签分类。构建PQDs

多标签分类系统，系统采用并行CNN-BiGRU模型作为识别方法，在不同信噪

比下的完成对无标签样本PQDs识别，实现从理论研究到实际应用的尝试。

关键词电能质量扰动；多标签分类；希尔伯特黄变换；瞬时能量；深度学习

-I-

哈尔滨理工大学电子信息硕士学位论文

Researchonmulti-labelclassificationand

identificationofpowerqualitydisturbance

Abstract

Renewableenergygenerationhasbecomethefirstchoiceofcurrentenergy

demand.Connectingmanydifferenttypesofrenewableenergyintothepowergridwill

causevariousPowerQualityDisturbances(PQDs).Bydetectingandclassifyingthese

powerqualitydisturbances,itwillhelptoimproveconsumerselectricityconsumption

experienceandelectricityenergyproductionefficiency.Atpresent,theresearch

mainlyfocusesonthefeatureanalysisofPQDsandtheclassificationandrecognition

ofsom