本技術(shù)涉及電能質(zhì)量，特別涉及一種暫態(tài)電能質(zhì)量問(wèn)題的識(shí)別方法及相關(guān)設(shè)備。

背景技術(shù)：

1、隨著新型電力系統(tǒng)的不斷建設(shè)，越來(lái)越多的分布式新能源大規(guī)模接入電力系統(tǒng)中，這一過(guò)程也導(dǎo)致了電力系統(tǒng)中電能質(zhì)量問(wèn)題越發(fā)的復(fù)雜與隨機(jī)。頻發(fā)的電能質(zhì)量問(wèn)題不僅會(huì)影響電力用戶的使用體驗(yàn)，同時(shí)會(huì)對(duì)電子電力設(shè)備的穩(wěn)定運(yùn)行與使用壽命造成不良影響，嚴(yán)重時(shí)甚至?xí)斐删薮蟮慕?jīng)濟(jì)損失。因此需要對(duì)電力系統(tǒng)中發(fā)生的電能質(zhì)量問(wèn)題進(jìn)行準(zhǔn)確的識(shí)別以及時(shí)的為上層控制中心提供信息支撐，用于評(píng)估是否需要對(duì)發(fā)生的電能質(zhì)量問(wèn)題進(jìn)行預(yù)警與治理，避免進(jìn)一步造成重大影響，確保整體電力系統(tǒng)供電的可靠性與穩(wěn)定性。

2、暫態(tài)電能質(zhì)量問(wèn)題指的是在極短時(shí)間內(nèi)發(fā)生的電能質(zhì)量問(wèn)題，本質(zhì)上是電壓質(zhì)量的瞬態(tài)表現(xiàn)，往往與系統(tǒng)內(nèi)部故障、雷擊等事件緊密相連。

3、目前常用的電能質(zhì)量問(wèn)題識(shí)別系統(tǒng)是通過(guò)在配電臺(tái)區(qū)及用戶區(qū)部署邊緣設(shè)備，用于采集電能質(zhì)量原始數(shù)據(jù)，但受限于邊緣設(shè)備有限的運(yùn)算能力與存儲(chǔ)資源，邊緣設(shè)備會(huì)通過(guò)4g、以太網(wǎng)等通訊方式將采集到的電能質(zhì)量數(shù)據(jù)傳輸?shù)娇刂浦行幕蛘咴贫诉M(jìn)行進(jìn)一步的電能質(zhì)量問(wèn)題監(jiān)測(cè)與分析。隨著分布式新能源的大規(guī)模介入，受監(jiān)測(cè)的節(jié)點(diǎn)會(huì)隨之增多，控制中心或云端接收到的原始數(shù)據(jù)也將翻倍增長(zhǎng)。面對(duì)海量增長(zhǎng)的數(shù)據(jù)，控制中心與云端在運(yùn)算性能與存儲(chǔ)性能上將會(huì)承受巨大的壓力，同時(shí)這種中心式的處理方式不可避免的受到通信帶寬與時(shí)延的影響，導(dǎo)致現(xiàn)有的電能質(zhì)量問(wèn)題識(shí)別系統(tǒng)難以滿足新型電力系統(tǒng)對(duì)電能質(zhì)量問(wèn)題實(shí)時(shí)監(jiān)測(cè)的迫切需求。

4、針對(duì)上述問(wèn)題，由更接近數(shù)據(jù)源的邊緣設(shè)備承擔(dān)更多的運(yùn)算任務(wù)，在采集完原始數(shù)據(jù)后就地完成電能質(zhì)量問(wèn)題的識(shí)別與監(jiān)測(cè)已成為電能質(zhì)量問(wèn)題識(shí)別系統(tǒng)的新思路。近些年，深度學(xué)習(xí)方法憑借其強(qiáng)大的學(xué)習(xí)能力與映射能力，已逐步成為電能質(zhì)量問(wèn)題識(shí)別新系統(tǒng)中的研究熱點(diǎn)。將性能良好的深度學(xué)習(xí)模型部署至邊緣設(shè)備，用于電能質(zhì)量問(wèn)題的識(shí)別與監(jiān)測(cè)，為滿足新型電力系統(tǒng)對(duì)電能質(zhì)量問(wèn)題識(shí)別準(zhǔn)確性與實(shí)時(shí)性的雙重需求提供了全新思路，擁有著巨大的發(fā)展?jié)摿Α?/p>

5、現(xiàn)有的基于深度學(xué)習(xí)的電能質(zhì)量問(wèn)題識(shí)別方法擁有強(qiáng)大又靈活的特征提取能力，很好的彌補(bǔ)了傳統(tǒng)方法中人工特征提取冗余、提取速度慢的缺點(diǎn)，能有效提高對(duì)多種電能質(zhì)量問(wèn)題的識(shí)別準(zhǔn)確率。然而，目前應(yīng)用于電能質(zhì)量問(wèn)題識(shí)別領(lǐng)域的深度學(xué)習(xí)方法，大多都只是利用深度學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行辨識(shí)分類，用于區(qū)分當(dāng)前數(shù)據(jù)屬于哪一種電能質(zhì)量問(wèn)題，功能較為單一。由此可見(jiàn)，目前的電能質(zhì)量問(wèn)題識(shí)別方法存在暫態(tài)電能質(zhì)量問(wèn)題識(shí)別的全面性差的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供了一種暫態(tài)電能質(zhì)量問(wèn)題的識(shí)別方法及相關(guān)設(shè)備，可以解決暫態(tài)電能質(zhì)量問(wèn)題識(shí)別的全面性差的問(wèn)題。

2、第一方面，本技術(shù)實(shí)施例提供了一種暫態(tài)電能質(zhì)量問(wèn)題的識(shí)別方法，該識(shí)別方法包括：

3、獲取目標(biāo)配電網(wǎng)的多個(gè)電能質(zhì)量信號(hào)序列；每個(gè)電能質(zhì)量信號(hào)序列包括多個(gè)歷史時(shí)刻的電能質(zhì)量信號(hào)，電能質(zhì)量信號(hào)用于描述目標(biāo)配電網(wǎng)的電能質(zhì)量；

4、基于每個(gè)電能質(zhì)量信號(hào)序列中的所有電能質(zhì)量信號(hào)，利用輕量化網(wǎng)絡(luò)模型獲取每個(gè)電能質(zhì)量信號(hào)序列的底層特征和高層特征；底層特征用于描述電能質(zhì)量信號(hào)序列的所有電能質(zhì)量信號(hào)的位置信息，高層特征用于電能質(zhì)量信號(hào)序列的所有電能質(zhì)量信號(hào)的語(yǔ)義信息；

5、分別針對(duì)每個(gè)電能質(zhì)量信號(hào)序列，利用特征融合模型對(duì)電能質(zhì)量信號(hào)序列的底層特征和高層特征進(jìn)行融合，得到最終特征；

6、基于所有最終特征和所有高層特征，利用預(yù)測(cè)模型獲取每個(gè)電能質(zhì)量信號(hào)序列的識(shí)別結(jié)果；識(shí)別結(jié)果包括多個(gè)預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題對(duì)應(yīng)的預(yù)測(cè)中心點(diǎn)、預(yù)測(cè)長(zhǎng)度、置信度和預(yù)測(cè)類別，預(yù)測(cè)長(zhǎng)度為預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題的持續(xù)時(shí)間段對(duì)應(yīng)的所有電能質(zhì)量信號(hào)的數(shù)量，預(yù)測(cè)中心點(diǎn)為預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題的持續(xù)時(shí)間段對(duì)應(yīng)的所有電能質(zhì)量信號(hào)的中心電能質(zhì)量信號(hào)，置信度用于描述預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題真實(shí)發(fā)生的概率，預(yù)測(cè)類別為預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題的類別；

7、根據(jù)所有識(shí)別結(jié)果構(gòu)建損失函數(shù)，并利用損失函數(shù)對(duì)輕量化網(wǎng)絡(luò)模型、特征融合模型和預(yù)測(cè)模型進(jìn)行優(yōu)化，得到優(yōu)化后的輕量化網(wǎng)絡(luò)模型、優(yōu)化后的特征融合模型和優(yōu)化后的預(yù)測(cè)模型；損失函數(shù)用于描述所有識(shí)別結(jié)果的準(zhǔn)確性；

8、獲取待識(shí)別配電網(wǎng)的多個(gè)當(dāng)前電能質(zhì)量信號(hào)，利用優(yōu)化后的輕量化網(wǎng)絡(luò)模型、優(yōu)化后的特征融合模型和優(yōu)化后的預(yù)測(cè)模型對(duì)所有當(dāng)前電能質(zhì)量信號(hào)進(jìn)行識(shí)別，得到待識(shí)別配電網(wǎng)的最終識(shí)別結(jié)果；最終識(shí)別結(jié)果包括多個(gè)最終預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題對(duì)應(yīng)的預(yù)測(cè)中心點(diǎn)、預(yù)測(cè)長(zhǎng)度、置信度和預(yù)測(cè)類別。

9、可選的，輕量化網(wǎng)絡(luò)模型包括依次連接的第一提取子模型、第二提取子模型、第三提取子模型、第四提取子模型、第五提取子模型、第六提取子模型、第一一維卷積子模型和第二一維卷積子模型；

10、第一提取子模型、第二提取子模型、第三提取子模型、第四提取子模型、第五提取子模型、第六提取子模型中均包括一個(gè)提取子模型；

11、提取子模型包括依次連接的一維卷積單元和池化單元，一維卷積單元的輸入端為提取子模型的輸入端，池化單元的輸出端為提取子模型的輸出端；

12、第一提取子模型的輸入端為輕量化網(wǎng)絡(luò)模型的輸入端，第五提取子模型中一維卷積單元的輸出端為輕量化網(wǎng)絡(luò)模型的第一輸出端，第二一維卷積子模型的輸出端為輕量化網(wǎng)絡(luò)模型的第二輸出端。

13、可選的，第一一維卷積子模型和第二一維卷積子模型中均包括一個(gè)一維卷積單元。

14、可選的，一維卷積單元包括依次連接的一維卷積層、批歸一化層、激活層、注意力機(jī)制層；

15、一維卷積層的輸入端為一維卷積單元的輸入端，注意力機(jī)制層的輸出端為一維卷積單元的輸出端。

16、可選的，特征融合模型包括依次相連的一維卷積子模型、上采樣子模型和特征拼接子模型；

17、一維卷積子模型的輸入端和特征拼接子模型的輸入端均為特征融合模型的輸入端，特征拼接子模型的輸入端與輕量化網(wǎng)絡(luò)模型的第一輸出端連接，一維卷積子模型的輸入端與輕量化網(wǎng)絡(luò)模型的第二輸出端連接，特征拼接子模型的輸出端為特征融合模型的輸出端。

18、可選的，預(yù)測(cè)模型包括第一預(yù)測(cè)子模型、第二預(yù)測(cè)子模型和拼接子模型；

19、拼接子模型的輸入端分別與第一預(yù)測(cè)子模型的輸出端、第二預(yù)測(cè)子模型的輸出端相連接。

20、可選的，第一預(yù)測(cè)子模型和第二預(yù)測(cè)子模型均包括一個(gè)預(yù)測(cè)子模型；

21、預(yù)測(cè)子模型包括一維卷積單元、語(yǔ)義卷積單元、語(yǔ)義預(yù)測(cè)單元、檢測(cè)卷積單元、檢測(cè)預(yù)測(cè)單元、置信度預(yù)測(cè)單元、拼接單元；

22、一維卷積單元的輸入端為預(yù)測(cè)子模型的輸入端，拼接單元的輸出端為預(yù)測(cè)子模型的輸出端；

23、一維卷積單元的輸出端分別與語(yǔ)義卷積單元的輸入端、檢測(cè)卷積單元的輸入端相連接，語(yǔ)義卷積單元的輸出端與語(yǔ)義預(yù)測(cè)單元的輸入端相連接，檢測(cè)卷積單元的輸出端分別與檢測(cè)預(yù)測(cè)單元的輸入端、置信度預(yù)測(cè)單元的輸入端相連接，拼接單元的輸入端分別與語(yǔ)義預(yù)測(cè)單元的輸出端、檢測(cè)預(yù)測(cè)單元的輸出端和置信度預(yù)測(cè)單元的輸出端相連接。

24、可選的，損失函數(shù)為：

25、loss＝loss_iou+loss_obj+loss_cls

26、其中，loss表示損失函數(shù)的值，loss_iou表示位置損失函數(shù)，loss_obj表示置信度損失函數(shù)，loss_cls表示分類損失函數(shù)：

27、loss_iou＝1-iou2

28、

29、其中，iou表示所有預(yù)測(cè)中心點(diǎn)與真實(shí)中心點(diǎn)之間的交并比以及所有預(yù)測(cè)長(zhǎng)度與真實(shí)長(zhǎng)度之間的交并比，y表示所有預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題的真實(shí)置信度的集合，表示所有預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題的置信度的集合，c表示所有電能質(zhì)量信號(hào)序列的暫態(tài)電能質(zhì)量問(wèn)題的真實(shí)類別的集合，表示所有預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題的預(yù)測(cè)類別的集合。

30、第二方面，本技術(shù)實(shí)施例提供了一種暫態(tài)電能質(zhì)量問(wèn)題的識(shí)別裝置，包括：

31、獲取模塊，獲取目標(biāo)配電網(wǎng)的多個(gè)電能質(zhì)量信號(hào)序列；每個(gè)電能質(zhì)量信號(hào)序列包括多個(gè)歷史時(shí)刻的電能質(zhì)量信號(hào)，電能質(zhì)量信號(hào)用于描述目標(biāo)配電網(wǎng)的電能質(zhì)量；

32、特征獲取模塊，基于每個(gè)電能質(zhì)量信號(hào)序列中的所有電能質(zhì)量信號(hào)，利用輕量化網(wǎng)絡(luò)模型獲取每個(gè)電能質(zhì)量信號(hào)序列的底層特征和高層特征；底層特征用于描述電能質(zhì)量信號(hào)序列的所有電能質(zhì)量信號(hào)的位置信息，高層特征用于電能質(zhì)量信號(hào)序列的所有電能質(zhì)量信號(hào)的語(yǔ)義信息；

33、融合模塊，分別針對(duì)每個(gè)電能質(zhì)量信號(hào)序列，利用特征融合模型對(duì)電能質(zhì)量信號(hào)序列的底層特征和高層特征進(jìn)行融合，得到最終特征；

34、識(shí)別結(jié)果獲取模塊，基于所有最終特征和所有高層特征，利用預(yù)測(cè)模型獲取每個(gè)電能質(zhì)量信號(hào)序列的識(shí)別結(jié)果；識(shí)別結(jié)果包括多個(gè)預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題對(duì)應(yīng)的預(yù)測(cè)中心點(diǎn)、預(yù)測(cè)長(zhǎng)度、置信度和預(yù)測(cè)類別，預(yù)測(cè)長(zhǎng)度為預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題的持續(xù)時(shí)間段對(duì)應(yīng)的所有電能質(zhì)量信號(hào)的數(shù)量，預(yù)測(cè)中心點(diǎn)為預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題的持續(xù)時(shí)間段對(duì)應(yīng)的所有電能質(zhì)量信號(hào)的中心電能質(zhì)量信號(hào)，置信度用于描述預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題真實(shí)發(fā)生的概率，預(yù)測(cè)類別為預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題的類別；

35、優(yōu)化模塊，根據(jù)所有識(shí)別結(jié)果構(gòu)建損失函數(shù)，并利用損失函數(shù)對(duì)輕量化網(wǎng)絡(luò)模型、特征融合模型和預(yù)測(cè)模型進(jìn)行優(yōu)化，得到優(yōu)化后的輕量化網(wǎng)絡(luò)模型、優(yōu)化后的特征融合模型和優(yōu)化后的預(yù)測(cè)模型；損失函數(shù)用于描述所有識(shí)別結(jié)果的準(zhǔn)確性；

36、識(shí)別模塊，獲取待識(shí)別配電網(wǎng)的多個(gè)當(dāng)前電能質(zhì)量信號(hào)，利用優(yōu)化后的輕量化網(wǎng)絡(luò)模型、優(yōu)化后的特征融合模型和優(yōu)化后的預(yù)測(cè)模型對(duì)所有當(dāng)前電能質(zhì)量信號(hào)進(jìn)行識(shí)別，得到待識(shí)別配電網(wǎng)的最終識(shí)別結(jié)果；最終識(shí)別結(jié)果包括多個(gè)最終預(yù)測(cè)暫態(tài)電能質(zhì)量問(wèn)題對(duì)應(yīng)的預(yù)測(cè)中心點(diǎn)、預(yù)測(cè)長(zhǎng)度、置信度和預(yù)測(cè)類別。

37、第三方面，本技術(shù)實(shí)施例提供了一種終端設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在存儲(chǔ)器中并可在處理器上運(yùn)行的計(jì)算機(jī)程序，該處理器執(zhí)行上述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的暫態(tài)電能質(zhì)量問(wèn)題的識(shí)別方法。

38、第四方面，本技術(shù)實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的暫態(tài)電能質(zhì)量問(wèn)題的識(shí)別方法。

39、本技術(shù)的上述方案有如下的有益效果：

40、在本技術(shù)的一些實(shí)施例中，通過(guò)獲取目標(biāo)配電網(wǎng)的多個(gè)電能質(zhì)量信號(hào)序列，然后基于每個(gè)電能質(zhì)量信號(hào)序列中的所有電能質(zhì)量信號(hào)，利用輕量化網(wǎng)絡(luò)模型獲取每個(gè)電能質(zhì)量信號(hào)序列的底層特征和高層特征，再分別針對(duì)每個(gè)電能質(zhì)量信號(hào)序列，利用特征融合模型對(duì)電能質(zhì)量信號(hào)序列的底層特征和高層特征進(jìn)行融合，得到最終特征，然后基于所有最終特征和所有高層特征，利用預(yù)測(cè)模型獲取每個(gè)電能質(zhì)量信號(hào)序列的識(shí)別結(jié)果，然后根據(jù)所有識(shí)別結(jié)果構(gòu)建損失函數(shù)，并利用損失函數(shù)對(duì)輕量化網(wǎng)絡(luò)模型、特征融合模型和預(yù)測(cè)模型進(jìn)行優(yōu)化，得到優(yōu)化后的輕量化網(wǎng)絡(luò)模型、優(yōu)化后的特征融合模型和優(yōu)化后的預(yù)測(cè)模型，最后獲取待識(shí)別配電網(wǎng)的多個(gè)當(dāng)前電能質(zhì)量信號(hào)，利用優(yōu)化后的輕量化網(wǎng)絡(luò)模型、優(yōu)化后的特征融合模型和優(yōu)化后的預(yù)測(cè)模型對(duì)所有當(dāng)前電能質(zhì)量信號(hào)進(jìn)行識(shí)別，得到待識(shí)別配電網(wǎng)的最終識(shí)別結(jié)果。其中，通過(guò)獲取底層特征和高層特征，能夠?qū)﹄娔苜|(zhì)量信號(hào)序列在兩個(gè)層面的信息進(jìn)行表述，增加信息的全面性，將底層特征和高層特征進(jìn)行融合得到最終特征，使得最終特征中包含底層特征和高層特征的信息，提高最終特征的信息豐富度，基于信息豐富的最終特征和高層特征得到識(shí)別結(jié)果，能夠提高識(shí)別結(jié)果的準(zhǔn)確性，同時(shí)，識(shí)別結(jié)果包括預(yù)測(cè)中心點(diǎn)、預(yù)測(cè)長(zhǎng)度、置信度和預(yù)測(cè)類別四方面數(shù)據(jù)，提高了電能質(zhì)量問(wèn)題識(shí)別的全面性。

41、本技術(shù)的其它有益效果將在隨后的具體實(shí)施方式部分予以詳細(xì)說(shuō)明。