摘要：针对电能质量复合扰动信号数据量大、识别效率低的问题，提出一种基于压缩感知理论和深度信念网络的电能质量复合扰动识别方法。通过压缩感知理论对原始信号进行压缩采样，得到一个维数远小于原始信号的测量信号，再通过正交匹配追踪算法求得稀疏向量。稀疏向量保留了原始信号的有用特征，且信息更加集中。将稀疏向量作为深度信念网络的输入，通过对比散度算法实现网络的预训练，然后在深度信念网络的顶层附加一个电能质量扰动信号的标签集，通过Softmax回归实现扰动信号的分类。该方法有效地减少了所需处理的扰动数据量，与直接将原始数据作为深度信念网络输入的方法相比，该方法对单一扰动和复合扰动都有效且具有很高的识别效率。
关键词：电能质量；扰动识别；压缩感知；深度信念网络
0 引言
随着智能电网的发展，各种新型能源作为分布式电源并入电网，大量电力电子设备的投入在提高电能使用效率的同时也产生了各种复杂的电能质量问题[1-2]。对电能质量扰动问题的解决需以对电能质量扰动的充分认识为前提，因此电能质量扰动的识别
和分类具有重要的研究意义。
目前国内外学者对电能质量扰动的研究大多采用不同特征提取方法与分类器相结合的手段解决扰动识别和分类问题。特征提取方法主要有：快速傅里叶变换(FFT)[1]、小波变换[3]、S变换[4]、希尔伯特黄变换(HHT)[5]、数学形态学[6]、瞬时无功理论[7]、原子分解法[8]等。分类器设计方法有：人工神经网络[3]、支持向量机[9]、模糊分类[10]、决策树[4]等。在实际电力系统中，扰动信号以复合形式存在，各种扰动之间特征量的交叉重叠导致特征提取困难，分类精度下降[11]，文献[12]采用快速傅里叶变换和S变换提取扰动特征，采用决策树和支持向量机设计组合分类器进行扰动分类，并通过仿真验证了该方法识别率很稳定，抗噪能力强，但是该方法分类器的分块化设计复杂，并且考虑的复合扰动种类较少。
电能质量扰动信号的分类需以扰动信号的特征提取为前提，提取的特征量直接决定着分类的效果。但由于扰动信号自身的复杂性，使得特征提取步骤非常繁琐，且很可能丢失部分原始信号中的重要信息，导致分类精度下降。针对此问题，文献[13]将受限玻尔兹曼机应用于电能质量扰动识别，克服了人工选择扰动特征的缺陷和传统神经网络易陷入局部最优的缺点。但由于电能质量扰动信号数据量庞大，存储和传输困难，导致直接识别计算量大，难以满足实时性要求。
作者：陈　伟，何家欢，裴喜平