隨著社會經(jīng)濟的發(fā)展,高精度的電力電子設(shè)備被廣泛使用,用戶對電能質(zhì)量的要求越來越高。然而,非線性、沖擊性負荷的使用,以及大量風能、太陽能等新能源的并網(wǎng),使得電網(wǎng)污染嚴重,導致各種電能質(zhì)量擾動。各種電能質(zhì)量擾動將嚴重影響電氣設(shè)備的正常使用,甚至直接威脅到了電網(wǎng)的安全運行。因此,為了改善和提高電能質(zhì)量,必須消除電網(wǎng)中的各種擾動信號,快速而準確的檢測出電網(wǎng)中各種擾動的類型并分類是實現(xiàn)電能質(zhì)量問題改善的前提條件�；诖�,本文通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）和卷積-雙向長短記憶（CNN-BiLSTM）兩種深度學習模型對電能質(zhì)量擾動進行識別;并以壓縮感知理論替代傳統(tǒng)奈奎斯特采樣獲取電能質(zhì)量擾動信號后,結(jié)合深度學習方法實現(xiàn)擾動分類。開展的具體工作如下。（1）基于CNN的電能質(zhì)量擾動識別。將深度學習中的CNN應用到電能質(zhì)量擾動識別中。通過Tensorflow平臺搭建CNN網(wǎng)絡(luò)模型,產(chǎn)生批量的不同信噪比情況下的擾動信號,轉(zhuǎn)化為灰度圖后,分別通過CNN模型得到分類結(jié)果。實驗結(jié)果表明CNN用于擾動分類有很好的準確率和一定的抗噪性。（2）基于CNN-BiLSTM的電能質(zhì)量擾動識別。通過Tensorflow平臺搭建CN... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖２．１４電壓暫降灰度圖??

?第２章電能質(zhì)量擾動概述???將２．２節(jié)中的另外１１種信號按照相同方法轉(zhuǎn)化為灰度圖，如圖２．１５－２．２５??所示。原始擾動信號每個點數(shù)據(jù)只與前后數(shù)據(jù)有關(guān)聯(lián)，轉(zhuǎn)化為灰度圖后，每個??點數(shù)據(jù)與其周圍的點全部建立了聯(lián)系，可以更好的找到數(shù)據(jù)的特征信息。最重??要的是，可以從圖像角度出發(fā)，通過圖像處理的方法來對擾動信號進行分析。??ｉｌｌ?１１１１?ｉｌｌ??圖２．１５標準信號?圖２．１６電壓暫升?圖２．１７短時中斷??圓Ｗｆｆｌ圓??圖２．１８諧波?圖２．１９電壓閃變?圖２．２０脈沖??ｉｌｌ?＾?ｆｌ??圖２．２１暫態(tài)振蕩?圖２．２２諧波＋電壓暫降?圖２．２３諧波＋電壓暫升??８??

?第２章電能質(zhì)量擾動概述???將２．２節(jié)中的另外１１種信號按照相同方法轉(zhuǎn)化為灰度圖，如圖２．１５－２．２５??所示。原始擾動信號每個點數(shù)據(jù)只與前后數(shù)據(jù)有關(guān)聯(lián)，轉(zhuǎn)化為灰度圖后，每個??點數(shù)據(jù)與其周圍的點全部建立了聯(lián)系，可以更好的找到數(shù)據(jù)的特征信息。最重??要的是，可以從圖像角度出發(fā)，通過圖像處理的方法來對擾動信號進行分析。??ｉｌｌ?１１１１?ｉｌｌ??圖２．１５標準信號?圖２．１６電壓暫升?圖２．１７短時中斷??圓Ｗｆｆｌ圓??圖２．１８諧波?圖２．１９電壓閃變?圖２．２０脈沖??ｉｌｌ?＾?ｆｌ??圖２．２１暫態(tài)振蕩?圖２．２２諧波＋電壓暫降?圖２．２３諧波＋電壓暫升??８??

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)和隨機森林的三相電壓暫降分類[J]. 劉佳翰,陳克緒,馬建,徐春華,吳建華.  電力系統(tǒng)保護與控制. 2019(20)
[2]微電網(wǎng)并網(wǎng)環(huán)境下電能質(zhì)量分析與研究綜述[J]. 王耿耿,孟高軍,孫玉坤,劉海濤.  電器與能效管理技術(shù). 2019(15)
[3]多尺度稀疏電能質(zhì)量擾動識別方法[J]. 朱云芳,吳志宇,高巖,侯怡爽,劉正杰.  西南交通大學學報. 2020(01)
[4]基于壓縮感知的電能質(zhì)量壓縮采樣重構(gòu)算法[J]. 張銳,吳庭宇.  數(shù)據(jù)采集與處理. 2019(02)
[5]深度信念網(wǎng)絡(luò)在電能質(zhì)量復合擾動識別中的應用[J]. 陳偉,何家歡,裴喜平.  電力系統(tǒng)及其自動化學報. 2018(09)
[6]基于相空間重構(gòu)和卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動分類[J]. 陳偉,何家歡,裴喜平.  電力系統(tǒng)保護與控制. 2018(14)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動分類[J]. 瞿合祚,李曉明,陳陳,何樂.  武漢大學學報(工學版). 2018(06)
[8]電能質(zhì)量 講座 第七講 與分布式電源并網(wǎng)有關(guān)的電能質(zhì)量標準和規(guī)范[J]. 田源,朱永強,夏瑞華,韓民曉.  電器與能效管理技術(shù). 2018(03)
[9]電能質(zhì)量擾動分析中廣義S變換算法的改進與實現(xiàn)[J]. 劉軍,黃純,江亞群,朱彩虹.  電力系統(tǒng)及其自動化學報. 2017(03)
[10]一種新的電能質(zhì)量擾動信號壓縮感知識別方法[J]. 曹思揚,戴朝華,朱云芳,陳維榮.  電力系統(tǒng)保護與控制. 2017(03)

博士論文
[1]有害氣體檢測的無線傳感網(wǎng)空洞修補及數(shù)據(jù)傳輸技術(shù)研究[D]. 吳瓊.哈爾濱理工大學 2019
[2]基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的遙感影像時間序列分類及變化檢測方法研究[D]. 林蕾.中國科學院大學(中國科學院遙感與數(shù)字地球研究所) 2018
[3]復雜電能質(zhì)量擾動事件的分類方法研究[D]. 羅奕.華中科技大學 2018
[4]復合非平穩(wěn)電能質(zhì)量擾動檢測研究[D]. 陳曉靜.華中科技大學 2018
[5]基于S變換和神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動檢測與分類算法研究[D]. 王慧慧.天津大學 2017
[6]稀疏模擬信號壓縮采樣與重構(gòu)算法研究[D]. 趙貽玖.電子科技大學 2012
[7]電能質(zhì)量擾動在線監(jiān)測方法研究[D]. 黃文清.湖南大學 2007

碩士論文
[1]基于深度學習的稀疏化電能質(zhì)量擾動識別方法研究[D]. 吳志宇.西南交通大學 2019
[2]基于S變換的電能質(zhì)量擾動識別算法研究[D]. 周祖寧.哈爾濱工業(yè)大學 2017
[3]基于S變換的電能質(zhì)量擾動分類問題研究[D]. 賈長杰.華中科技大學 2017



本文編號：3472580