摘要
随着社会的高速发展和经济腾飞，人们对电能的品质要求越来越高，同时非线性负载以及电力电子设备的大量接入，导致电力系统中的电能质量问题日益突出，给系统安全稳定运行带来了新的挑战。因此对电能质量进行在线监测，实时对电能质量信号识别和评估对保证系统平稳安全运行和提供高质量电能有着重要意义。本文基于深度学习对电能质量扰动实时识别，指标实时预测并进行评估，针对评估结果提出建设性意见。 传统的电能质量扰动信号识别方法依靠人工提取扰动信号的特征并且无法对扰动信号进行在线识别，由于系统中的电能质量扰动复杂多变，当复合扰动信号种类较多时，识别准确率较低且抗噪性差。本文提出了一种基于S变换和长短期记忆网络（Long Short Term Memory，LSTM）的电能质量扰动在线识别的方法，利用S变换提取扰动信号的时频特征，并基于LSTM优秀的分析时序数据能力实现对电能质量扰动的在线识别，最后通过仿真实验对模型的准确性、鲁棒性以及在线识别能力进行验证测试。 电能质量指标是对系统目前运行状态的直接反映，对电能质量指标的准确预测对改善供电质量及时排除消极因素有着重要意义。但是目前都是基于历史电能质量指标数据来对未来时段的指标进行预测，没有充分利用采集到的电能质量信号数据，并且预测精度和效率不高。本文研究了基于变分模态分解（Variational Mode Decomposition，VMD）和LSTM残差分析的电能质量指标在线预测，通过VMD-LSTM构建电能质量残差信号发生器模型，利用一维卷积神经网络学习残差信号和指标之间的映射关系，最后通过对比实验验证模型对电能质量指标预测的精度以及在线预测能力。 电能质量评估研究配电网电能质量问题研究中重要的一环，通过评估能够客观地反映出电能质量的优劣，从而为电网升级改造，电价制定等工作提供一个客观标准。但是随着电网规模的不断扩大，传统方法对大规模电能质量数据的评估工作繁琐，效率低下。本文将利用深度学习处理大数据的能力来对电能质量进行评估，首先确定电能质量评估指标体系，再将电能质量指标数据输入自适应卷积神经网络中训练得到电能质量评估模型，并与其他方法进行对比验证了本模型的评估准确率以及优越性。
NETL