本發(fā)明涉及電力大數據、諧波源建模等，尤其涉及一種基于時頻特征提取的諧波源建模方法。

背景技術：

1、隨著能源結構轉型和國民經濟工業(yè)化水平的迅速提高，電弧爐、電力機車和電力電子設備等非線性負荷的數量激增，隨之帶來的諧波污染問題也日益嚴重。準確掌握諧波源負荷的諧波特性有助于諧波污染防治，提高電能質量水平。因此，構建精確且合理的諧波源模型具有重要意義。

2、目前，諧波源建?？砂凑账⒅C波電壓與諧波電流表達式的形式分為頻域建模和時域建模兩大類。頻域諧波源模型可以輸出諧波源所發(fā)射各次諧波的向量值，能反映諧波源的長期穩(wěn)態(tài)頻域特性，但此類模型在諧波源運行狀態(tài)改變時通常需要更新模型參數，故常用于工作狀況較穩(wěn)定的諧波源，難以適用于諧波源工況變化頻繁或諧波源具有強時變性的情況。時域建模通過引入時序信息來反映諧波源的時變特性，所得諧波源電壓、電流時域波形中包含諧波源的瞬時變化特征，在建立諧波源精確模型中應用較多，但該類對于具體拓撲未知且機理特性不明的復雜諧波源往往難以保證建模精度及泛化性。

3、在諧波源種類繁多、性質各異的背景下，諧波源的諧波特性受產生諧波機理的影響呈現較大的差異性。若僅關注諧波源的動態(tài)時變特性，則將導致所構建的諧波源模型復雜度過高、泛化性不足且極易出現過擬合現象；若僅注重諧波源的頻域穩(wěn)態(tài)特性，則無法準確反映諧波源運行于非平穩(wěn)態(tài)的諧波特性，難以表征諧波源的時變性。為了更全面反應諧波源的諧波特性，提高諧波源模型精確度，應同時提取諧波源的短期時變特征與長期穩(wěn)態(tài)頻域特征用以分析建模。目前，有學者在rbf神經網絡的最小化目標誤差函數中加入對頻域的約束，通過引入頻域特征提升模型對時變噪聲的抗干擾能力。但該方法中頻域誤差函數復雜且難以求解，且在神經元權重更新中時域與頻域誤差函數的相應參數不易確定?？梢?，如何兼顧諧波源穩(wěn)態(tài)頻域特性及動態(tài)時變性以提升當前諧波源建模的準確性及泛化性是目前諧波源建模存在的一大難題。

技術實現思路

1、針對現有技術存在的局限性，考慮隨著同步相量測量裝置的廣泛應用，大量精確的諧波源實測數據不斷積累，基于數據驅動的諧波源時域建模方法取得了一定的進展。此類方法從諧波源的外特性出發(fā)，無需知曉具體拓撲結構，僅需諧波源端口的量測數據即可建立諧波源時域模型。其中，深度學習憑借神經網絡強大的非線性映射能力，在非線性較強且內部機理復雜不明的諧波源時域建模中可以實現較好效果。鑒于現有同步相量測量裝置已經能夠提供豐富的高精度諧波測量數據，本發(fā)明提出了一種基于時-頻特征提取的諧波源數據驅動建模方法。

2、該方法基于時域分析方法采用反映諧波源動態(tài)時變特征及頻域穩(wěn)態(tài)特征的異構特征輸入組合，引入多重卷積神經網絡(multiple?convolutional?neural?network,mcnn)及雙向長短時記憶網絡(bi-directional?long?short?term?memory，bilstm)組合的諧波源電壓電流映射模型。

3、該方案的設計要點包括：

4、(1)提出時-頻特征提取方法，通過對諧波源諧波主成分進行分析，能準確提取影響諧波源諧波特性的關鍵頻域特征，通過構建時-頻特征分量彩色圖，將時-頻特征增強融合。

5、(2)提出mcnn模型，由時域特征提取模塊和頻域特征提取模塊共同提取特征，兩路并行的結構實現同時提取多通道和多維度輸入的不同特征信息。

6、(3)提出mcnn-bilstm模型，采用將mcnn和bilstm的串行連接，將mcnn模型提取到時-頻域融合特征輸入到bilstm網絡中來獲得諧波電壓在整個時間域的特征信息。

7、其具體采用以下技術方案：

8、一種基于時頻特征提取的諧波源建模方法：

9、首先，對同步相量測量裝置采集得到的諧波源電壓電流數據進行歸一化處理和fft分析；計算各次諧波分量含有率，通過設定的閾值判斷規(guī)則確定諧波源諧波主成分頻次；

10、然后，提取諧波源諧波主成分頻次相應的諧波電壓幅值與相角，得到諧波源頻域特征集合；通過idft重構該頻域特征集合，形成諧波源頻域特征分量矩陣，并與同步相量測量裝置采集得到的原始電壓序列拼接得到時-頻特征分量矩陣；利用矩陣規(guī)范化方法將分量矩陣轉化為灰度圖，并通過偽彩色編碼技術轉化為三通道時-頻特征分量彩色圖；

11、最后，將同步相量測量裝置采集得到的諧波源電壓數據和所述時-頻特征分量彩色圖作為mcnn-bilstm模型的輸入，將同步相量測量裝置采集得到的相應的諧波源電流數據作為mcnn-bilstm模型的輸出，通過實測數據不斷訓練網絡模型，直至實現諧波源諧波電壓與諧波電流關系的準確映射，得到諧波源數據驅動模型；

12、所述mcnn-bilstm模型為多重卷積神經網絡mcnn及雙向長短時記憶網絡bilstm組合構成的諧波源電壓電流映射模型。

13、進一步地，所述mcnn-bilstm模型中，mcnn模型由時域特征提取模塊和頻域特征提取模塊共同提取特征，兩路并行的結構實現同時提取多通道和多維度輸入的不同特征信息；采用將mcnn和bilstm的串行連接，將mcnn模型提取到時-頻域融合特征輸入到bilstm網絡中以獲得諧波電壓在整個時間域的特征信息。

14、進一步地，諧波源諧波主成分分析的具體步驟如下：

15、首先，對同步相量測量裝置獲取的原始數據進行歸一化處理，以統(tǒng)一諧波源原始測量數據的尺度：

16、

17、式中：為歸一化后電壓電流序列，u、i為同步相量測量裝置測得的原始電壓電流序列，umax、imax為同步相量測量裝置測得的原始電壓電流序列極值；

18、其次，對歸一化后的電壓電流序列進行快速傅里葉變換得到相應第k階諧波的分量：

19、

20、式中：uk,為第k階諧波電壓幅值與相角；ik,為第k階諧波電流幅值與相角；

21、然后，分別計算諧波電壓含有率hruk和諧波電流含有率hrik：

22、

23、式中：u1、i1分別為基波電壓和基波電流幅值；

24、最后，根據下式選取所有hruk和hrik占比均大于1％的諧波頻次作為諧波主成分頻次，構成諧波源諧波主成分次數集合γ；

25、

26、進一步地，根據所述諧波主成分次數集合，提取相應k次諧波電壓幅值與相角，得到諧波源頻域特征集合將f轉換為時-頻特征分量彩色圖的步驟如下：

27、首先，采用傅里葉逆變換重構各次諧波電壓分量：

28、

29、式中：uk(t)表示第k次諧波電壓特征分量，n為采樣點個數；

30、其次，將傅里葉逆變換后得到諧波主成分對應的諧波電壓特征分量{u1(t),u3(t),…,uk(t)}與同步相量測量裝置采集的原始電壓序列u(t)進行拼接，從而得到時-頻特征分量矩陣{u1(t),u3(t),…,uk(t),u(t)}；

31、然后，將時-頻特征分量矩陣用下式進行處理，令其數據皆規(guī)范至(0,255)范圍內，再將其與灰度值對應，獲得時-頻特征的灰度圖像；

32、

33、式中：g(m,n)表示第m行、第n列中灰度矩陣的數值；xi表示第i個數據點的值；xmin與xmax分別表示時-頻特征分量矩陣中的最小值與最大值；

34、最后，利用偽彩色編碼將灰度圖像轉換為三通道的rgb彩色圖像，得到時-頻特征分量彩色圖。

35、進一步地，所述時域特征提取模塊采用雙層1維卷積網絡的結構，每一層1維卷積網絡包含一個1d卷積層、一個1d正則層和一個1d池化層；將同步相量測量裝置采集得到的諧波源電壓數據x1作為輸入，依次經過兩層1維卷積網絡，最終得到特征向量y1dcnn：

36、y1dcnn＝f1dcnn(x1)?(19)

37、式中：f1dcnn表示時域特征提取模塊。

38、進一步地，所述頻域特征學習模塊采用雙層2維卷積網絡，每一層2維卷積網絡包含一個2d卷積層、一個2d正則層和一個2d池化層；將所述時-頻特征分量彩色圖x2作為輸入，依次經過兩層2維卷積網絡，最終得到特征向量y2dcnn：

39、y2dcnn＝f2dcnn(x2)?(20)

40、式中：f2dcnn表示頻域特征提取模塊。

41、進一步地，將時域特征提取模塊和頻率特征提取模塊輸出的特征向量扁平化后，經全連接層轉換為兩個相同尺寸的特征向量；對兩個特征向量以拼接的方法進行融合，得到融合特征ycat，作為諧波源特征時頻特征的局部深層表示，拼接操作表示如下：

42、

43、式中：ycat表示拼接后的融合特征，flatten為扁平化函數，fc為全連接層函數。

44、進一步地，bilstm網絡的輸入為融合特征ycat，模型的輸出為諧波電流xout，具體為：

45、xout＝fbilstm(ycat)?(22)

46、式中：fbilstm表示bilstm網絡。

47、以及，一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述計算機程序包括通過以上所述的一種基于時頻特征提取的諧波源建模方法獲得的諧波源數據驅動模型。

48、一種非暫態(tài)計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序包括通過以上所述的一種基于時頻特征提取的諧波源建模方法獲得的諧波源數據驅動模型。

49、相比于現有技術，本發(fā)明及其優(yōu)選方案能充分發(fā)揮同步相量測量裝置高質量諧波采集數據的優(yōu)勢，實現諧波源模型的數據驅動精確建模，為諧波污染防治和電能質量水平改善提供支持。本發(fā)明所提時-頻特征提取方法能準確提取影響諧波源諧波特性的諧波主成分頻次，并采用idft和偽彩色編碼技術對離散頻域特征進行特征升維并融合時域特征，所得時-頻特征彩色圖相比1維時域波形具有更豐富的時空特征信息和更強的特征表現力。所提的mcnn模型利用不同尺度卷積塊和不同大小卷積核可以充分挖掘諧波源時域上短期局部特征與頻域上各頻次諧波分量間關聯關系。相比單一結構cnn模型，mcnn能提取更加豐富和全面的諧波源特征信息。mcnn-bilstm模型在單一諧波源建模和復雜諧波源網絡建模中都有更優(yōu)良的模型精度，能更全面反映諧波源的諧波特性。