基于机器学习和深度学习的电能质量扰动识别

 电能作为现阶段使用最广泛的能源，伴随着人民生活质量的提高和社会科技水平的进步，人们对电能质量的要求逐步上升。近年来，在国家政策的大力引导下，新能源技术蓬勃发展，越来越多的新能源分布式电源并入电网，电力系统由起初的分散辐射性配网结构转变为具有多个电源点的多端结构，会引起电力谐波、三相电压不平衡、电压波动与闪变等电能质量（Power Quality，PQ）问题。

同时，电力系统中投入大量电力电子设备，致使电能质量问题越来越突出，导致人们生活所必须的家电运行不稳定，减少其运行寿命，给人们日常生活造成不便，同时会对精密加工企业造成巨大打击，导致生产停滞甚至会造成巨额经济损失，因此要求电力系统平稳运行，保证电能质量，需在电力系统的各个环节中关注电能质量扰动问题。

电能质量扰动检测与识别问题研究包括扰动信号的特征提取与特征的识别分类。其中，电能质量扰动信号的检测参数一般为信号的扰动开始与结束时刻、电压幅值波动等，利用检测的参数提取相关数值特征量，比如均值、方差、峭度等，取的相关特征量输入到分类器中进行分类。

因此，如何有效的提取电能质量扰动信号的相关特征量以及最大限度的优化分类系统是该领域研究的重点。大量而复杂的电能质量扰动数据，采取扰动信号特征提取以及识别分类方法的手段，部分情况下已无法满足电力系统的长期稳定运行的要求。

如今，伴随着深度学习技术的不断兴起与完善，在研究电能质量扰动检测与分类时，引入深度学习的方法，如卷积神经网络、循环神经网络等，深度学习采用了端到端的特征提取与分类手段，有效解决了因传统人工手段提取特征而产生的特征冗余与特征分量提取不足的问题，能够解决和处理大量扰动数据，增加了有效特征的数据量并加深网络层次，有效提高识别准确率。因此电能质量扰动检测与识别的研究为电力系统治理电能质量问题奠定了基础。