本发明涉及智能电网，具体而言，涉及一种基于神经网络的电能质量扰动识别方法及装置、电子设备。
背景技术：
1、精确辨识电能质量扰动就显得尤为重要，电能扰动的辨识工作不仅有助于评估电能质量的实际状况，而且为制定相应的治理方案提供了必要的基础。因此，电能质量扰动的辨识和分类具有极其重要的理论和实践价值，对于确保电力系统的稳定运行和可靠供电起到重要作用。
2、目前针对电能质量分类问题已经发展出了很多方法，例如通过工作经验人工进行辨识，或者通过支持向量机进行分类分析等，现存方法对于电力系统电能信号的质量扰动识别准确率较低。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种基于神经网络的电能质量扰动识别方法及装置、电子设备，以至少解决相关技术中，基于向量机对电能信号的质量扰动进行分类识别的方法，识别准确率较低的技术问题。
2、根据本发明实施例的一个方面，提供了一种基于神经网络的电能质量扰动识别方法，包括：采集待识别的电能信号；对所述电能信号进行预处理，得到信号向量；将所述信号向量输入至预先训练的神经网络模型，基于所述神经网络模型的自注意力网络输出权重特征向量，将所述权重特征向量作为所述神经网络模型的时域卷积网络的输入数据，基于所述时域卷积网络输出时序特征向量，并将所述时序特征向量作为所述神经网络模型的长短期记忆网络的输入数据，基于所述长短期记忆网络输出质量扰动特征向量，其中，所述神经网络模型至少由所述自注意力网络、所述时域卷积网络和所述长短期记忆网络构成，所述神经网络模型用于识别所述电能信号的电能质量扰动情况；基于所述质量扰动特征向量获取所述电能信号的电能质量扰动识别结果。
3、可选地，对所述电能信号进行预处理，得到信号向量的步骤包括：对所述电能信号进行归一化处理，得到处理后的电能信号；获取预设的采样频率，基于所述预设的采样频率将预处理后的所述电能信号离散化为一维的所述信号向量。
4、可选地，基于所述质量扰动特征向量获取所述电能信号的电能质量扰动识别结果的步骤包括：将所述质量扰动特征向量输入至所述神经网络模型的分类层，基于所述分类层输出所述电能信号的质量扰动标签；基于所述质量扰动标签确定所述电能信号的质量扰动类型，并依据所述质量扰动类型生成电能质量扰动识别结果。
5、可选地，基于所述神经网络模型的自注意力网络输出权重特征向量的步骤包括：将所述信号向量输入至所述自注意力网络的卷积层，输出信号特征向量；经过所述自注意力网络的全局平均池化层和两个全连接层对所述信号特征向量进行处理，输出通道权重向量；基于所述通道权重向量与所述信号特征向量计算得到权重特征向量，并将所述权重特征向量作为所述自注意力网络的输出数据。
6、可选地，基于所述时域卷积网络输出时序特征向量的步骤包括：步骤一，将所述权重特征向量作为时域卷积模块的输入数据输入至所述时域卷积网络中的第一个时域卷积模块，基于所述时域卷积模块中的两个膨胀因果卷积层对所述权重特征向量进行计算，输出该时域卷积模块对应的时序特征向量，其中，所述时域卷积网络包含m个时域卷积模块，每个时域卷积模块由两个相同的膨胀因果卷积层构成，各时域卷积模块中膨胀因果卷积层的膨胀系数与所述时域卷积模块的序号存在映射关系，所述膨胀因果卷积层是基于膨胀卷积层和因果卷积层结合得到的；步骤二，将所述时序特征向量与所述时域卷积模块的输入数据进行计算得到时序特征向量，并将所述时序特征向量输入至下一个时域卷积模块，基于所述下一个时域卷积模块输出新的时序特征向量；重复执行步骤二，直至得到第m个时域卷积模块输出的时序特征向量，将第m个所述时域卷积模块输出的所述时序特征向量作为所述时域卷积网络的输出数据。
7、可选地，所述神经网络模型是预先训练得到的，训练所述神经网络模型的步骤包括：通过仿真计算获取仿真电能信号，并对所述仿真电能信号进行预处理，得到仿真电能信号向量；基于所述仿真电能信号的质量扰动类型为所述仿真电能信号向量配置质量扰动标签；基于所述仿真电能信号向量和所述质量扰动标签构建样本集，并基于预设的划分比例对所述样本集进行划分，得到训练集和测试集；搭建初始的神经网络模型；基于所述训练集对所述初始的神经网络模型进行迭代训练，得到训练后的神经网络模型；基于所述测试集对训练后的所述神经网络模型进行测试，得到测试结果，在所述测试结果指示所述神经网络模型通过测试的情况下，得到训练完成的所述神经网络模型。
8、可选地，通过仿真计算获取仿真电能信号，并对所述仿真电能信号进行预处理，得到仿真电能信号向量的步骤包括：确定待构建的所述仿真电能信号的n个类型，并为各类型的所述仿真电能信号构建函数表达式，为所述函数表达式中各参数配置取值范围，其中，n为正整数；基于所述函数表达式和参数的取值范围构建仿真程序；运行所述仿真程序，生成k个初始仿真电能信号，并为每个所述初始仿真电能信号加入高斯白噪声，得到所述仿真电能信号，其中，k为正整数，各类型的所述仿真电能信号的数量为k/n；基于预设的采样频率将每个所述仿真电能信号离散化为一维的所述仿真电能信号向量。
9、可选地，搭建初始的神经网络模型的步骤包括：搭建初始的所述神经网络模型的输入层，其中，所述输入层的维数与所述仿真电能信号向量的维数相同；搭建初始的所述神经网络模型的自注意力网络，并将所述输入层与所述自注意力网络进行连接，其中，所述自注意力网络由一个卷积层、一个全局平均池化层和两个全连接层构成；搭建初始的所述神经网络模型的时域卷积网络，并将所述自注意力网络与所述时域卷积网络进行连接，其中，搭建所述时域卷积网络包括：在所述时域卷积网络中设置m个时域卷积模块，并在每个所述时域卷积模块中搭建两个膨胀因果卷积层；搭建初始的所述神经网络模型的长短期记忆网络，并将所述时域卷积网络与所述长短期记忆网络进行连接；搭建初始的所述神经网络模型的分类层，并将所述长短期记忆网络与所述分类层进行连接，其中，所述分类层用于基于所述长短期记忆网络输出的质量扰动特征向量进行分类，得到所述电能信号的质量扰动标签；基于所述输入层、所述自注意力网络、所述时域卷积网络、所述长短期记忆网络和所述分类层得到初始的所述神经网络模型。
10、根据本发明实施例的另一方面，还提供了一种基于神经网络的电能质量扰动识别装置，包括：采集单元，用于采集待识别的电能信号；处理单元，用于对所述电能信号进行预处理，得到信号向量；输出单元，用于将所述信号向量输入至预先训练的神经网络模型，基于所述神经网络模型的自注意力网络输出权重特征向量，将所述权重特征向量作为所述神经网络模型的时域卷积网络的输入数据，基于所述时域卷积网络输出时序特征向量，并将所述时序特征向量作为所述神经网络模型的长短期记忆网络的输入数据，基于所述长短期记忆网络输出质量扰动特征向量，其中，所述神经网络模型至少由所述自注意力网络、所述时域卷积网络和所述长短期记忆网络构成，所述神经网络模型用于识别所述电能信号的电能质量扰动情况；获取单元，用于基于所述质量扰动特征向量获取所述电能信号的电能质量扰动识别结果。
11、可选地，所述处理单元包括：第一处理模块，用于对所述电能信号进行归一化处理，得到处理后的电能信号；第一离散化模块，用于获取预设的采样频率，基于所述预设的采样频率将预处理后的所述电能信号离散化为一维的所述信号向量。
12、可选地，所述获取单元包括：第一输出模块，用于将所述质量扰动特征向量输入至所述神经网络模型的分类层，基于所述分类层输出所述电能信号的质量扰动标签；第一确定模块，用于基于所述质量扰动标签确定所述电能信号的质量扰动类型，并依据所述质量扰动类型生成电能质量扰动识别结果。
13、可选地，所述输出单元包括：第一输出模块，用于将所述信号向量输入至所述自注意力网络的卷积层，输出信号特征向量；第二输出模块，用于经过所述自注意力网络的全局平均池化层和两个全连接层对所述信号特征向量进行处理，输出通道权重向量；第一计算模块，用于基于所述通道权重向量与所述信号特征向量计算得到权重特征向量，并将所述权重特征向量作为所述自注意力网络的输出数据。
14、可选地，所述输出单元包括：第二计算模块，用于步骤一，将所述权重特征向量作为时域卷积模块的输入数据输入至所述时域卷积网络中的第一个时域卷积模块，基于所述时域卷积模块中的两个膨胀因果卷积层对所述权重特征向量进行计算，输出该时域卷积模块对应的时序特征向量，其中，所述时域卷积网络包含m个时域卷积模块，每个时域卷积模块由两个相同的膨胀因果卷积层构成，各时域卷积模块中膨胀因果卷积层的膨胀系数与所述时域卷积模块的序号存在映射关系，所述膨胀因果卷积层是基于膨胀卷积层和因果卷积层结合得到的；第一输入模块，用于步骤二，将所述时序特征向量与所述时域卷积模块的输入数据进行计算得到时序特征向量，并将所述时序特征向量输入至下一个时域卷积模块，基于所述下一个时域卷积模块输出新的时序特征向量；第一重复模块，用于重复执行步骤二，直至得到第m个时域卷积模块输出的时序特征向量，将第m个所述时域卷积模块输出的所述时序特征向量作为所述时域卷积网络的输出数据。
15、可选地，所述基于神经网络的电能质量扰动识别装置还包括：第一获取模块，用于通过仿真计算获取仿真电能信号，并对所述仿真电能信号进行预处理，得到仿真电能信号向量；第一配置模块，用于基于所述仿真电能信号的质量扰动类型为所述仿真电能信号向量配置质量扰动标签；第一构建模块，用于基于所述仿真电能信号向量和所述质量扰动标签构建样本集，并基于预设的划分比例对所述样本集进行划分，得到训练集和测试集；第一搭建模块，用于搭建初始的神经网络模型；第一训练模块，用于基于所述训练集对所述初始的神经网络模型进行迭代训练，得到训练后的神经网络模型；第一测试模块，用于基于所述测试集对训练后的所述神经网络模型进行测试，得到测试结果，在所述测试结果指示所述神经网络模型通过测试的情况下，得到训练完成的所述神经网络模型。
16、可选地，所述第一获取模块包括：第一确定子模块，用于确定待构建的所述仿真电能信号的n个类型，并为各类型的所述仿真电能信号构建函数表达式，为所述函数表达式中各参数配置取值范围，其中，n为正整数；第一构建子模块，用于基于所述函数表达式和参数的取值范围构建仿真程序；第一生成子模块，用于运行所述仿真程序，生成k个初始仿真电能信号，并为每个所述初始仿真电能信号加入高斯白噪声，得到所述仿真电能信号，其中，k为正整数，各类型的所述仿真电能信号的数量为k/n；第一离散化子模块，用于基于预设的采样频率将每个所述仿真电能信号离散化为一维的所述仿真电能信号向量。
17、可选地，所述第一搭建模块包括：第一搭建子模块，用于搭建初始的所述神经网络模型的输入层，其中，所述输入层的维数与所述仿真电能信号向量的维数相同；第二搭建子模块，用于搭建初始的所述神经网络模型的自注意力网络，并将所述输入层与所述自注意力网络进行连接，其中，所述自注意力网络由一个卷积层、一个全局平均池化层和两个全连接层构成；第三搭建子模块，用于搭建初始的所述神经网络模型的时域卷积网络，并将所述自注意力网络与所述时域卷积网络进行连接，其中，搭建所述时域卷积网络包括：在所述时域卷积网络中设置m个时域卷积模块，并在每个所述时域卷积模块中搭建两个膨胀因果卷积层；第四搭建子模块，用于搭建初始的所述神经网络模型的长短期记忆网络，并将所述时域卷积网络与所述长短期记忆网络进行连接；第五搭建子模块，用于搭建初始的所述神经网络模型的分类层，并将所述长短期记忆网络与所述分类层进行连接，其中，所述分类层用于基于所述长短期记忆网络输出的质量扰动特征向量进行分类，得到所述电能信号的质量扰动标签；第一获取子模块，用于基于所述输入层、所述自注意力网络、所述时域卷积网络、所述长短期记忆网络和所述分类层得到初始的所述神经网络模型。
18、根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任意一项所述的基于神经网络的电能质量扰动识别方法。
19、在本技术中，通过以下步骤：先采集待识别的电能信号，再对电能信号进行预处理，得到信号向量，然后将信号向量输入至预先训练的神经网络模型，基于神经网络模型的自注意力网络输出权重特征向量，将权重特征向量作为神经网络模型的时域卷积网络的输入数据，基于时域卷积网络输出时序特征向量，并将时序特征向量作为神经网络模型的长短期记忆网络的输入数据，基于长短期记忆网络输出质量扰动特征向量，其中，神经网络模型至少由自注意力网络、时域卷积网络和长短期记忆网络构成，神经网络模型用于识别电能信号的电能质量扰动情况，最后基于质量扰动特征向量获取电能信号的电能质量扰动识别结果。
20、在本技术中，基于自注意力网络、时域卷积网络和长短期记忆网络构成的神经网络对电能信号的电能质量扰动情况进行识别，自注意力网络可以为输入数据的不同部分分配不同的权重，从而使得神经网络能够对扰动特征进行更精准的识别，时域卷积网络具有很强的长期依赖信息的捕获能力，时域卷积网络输出的数据经过长短期记忆网络后更加具有时间依赖性，可以更好地囊括出电能质量扰动信号的特征，从而提升电能质量扰动识别的准确性，进而解决了相关技术中，基于向量机对电能信号的质量扰动进行分类识别的方法，识别准确率较低的技术问题。
1.一种基于神经网络的电能质量扰动识别方法，其特征在于，包括：
2.根据权利要求1所述的识别方法，其特征在于，对所述电能信号进行预处理，得到信号向量的步骤包括：
3.根据权利要求1所述的识别方法，其特征在于，基于所述质量扰动特征向量获取所述电能信号的电能质量扰动识别结果的步骤包括：
4.根据权利要求1所述的识别方法，其特征在于，基于所述神经网络模型的自注意力网络输出权重特征向量的步骤包括：
5.根据权利要求1所述的识别方法，其特征在于，基于所述时域卷积网络输出时序特征向量的步骤包括：
6.根据权利要求1所述的识别方法，其特征在于，所述神经网络模型是预先训练得到的，训练所述神经网络模型的步骤包括：
7.根据权利要求6所述的识别方法，其特征在于，通过仿真计算获取仿真电能信号，
8.根据权利要求6所述的识别方法，其特征在于，搭建初始的神经网络模型的步骤包括：
9.一种基于神经网络的电能质量扰动识别装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任意一项所述的基于神经网络的电能质量扰动识别方法。
