基于深度卷积自编码器的电力系统扰动无监督聚类
信号处理
2024-09-21 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
电能质量(PQ)事件在电网检测到异常事件时由PQ仪表记录。使用带机器学习的神经网络有助于准确分类所记录的波形，并帮助电力系统工程师诊断与纠正问题的根本原因。然而，电力系统中扰动期间捕获的许多波形需要标注以进行有监督学习，导致大量数据记录需工程师手动处理或被忽视。本文提出一种基于自编码器与K-means聚类的无监督技术，可将PQ事件聚类为电压暂降、中断、暂态、正常及谐波畸变等类别，从而将异常波形从重复或正常波形中过滤出来。该方法使用配电电网中记录的三相现场电压波形进行演示。首先，卷积自编码器将输入信号压缩为一组较低的特征维度，经进一步处理后送入K-means算法以识别数据簇。利用一个小型标注数据集，基于余弦相似度分析为事件分配数值标签。最后，研究使用t分布随机邻域嵌入(t-SNE)可视化工具分析聚类，表明该技术有助于快速处理大量捕获的事件。
引用
@article{arxiv.2306.06124,
title = {Unsupervised clustering of disturbances in power systems via deep convolutional autoencoders},
author = {Md Maidul Islam and Md Omar Faruque and Joshua Butterfield and Gaurav Singh and Thomas A. Cooke},
journal= {arXiv preprint arXiv:2306.06124},
year = {2024}
}