[發明專利]一種基于深度學習的電能質量擾動識別與分類方法

在審

• 申請號: 201810494099.3
• 申請日: 2018-05-22
• 公開（公告）號: CN108664950A
• 公開（公告）日: 2018-10-16
• 發明（設計）人: 王守相;陳海文
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08;G06N3/04
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 王顕

1.一種基于深度學習的電能質量擾動識別與分類方法，其特征在于，包括如下步驟：

1)構建電能質量擾動模型，根據電能質量擾動模型在參數約束范圍內隨機生成若干擾動數據作為訓練集；

2)構建深度神經網絡，所述的深度神經網絡包括卷基層、池化層、BN層和softmax層；

3)利用步驟1)中的訓練集對步驟2)中構建的深度神經網絡進行訓練，并判斷是否達到訓練指標，若判單結果為“是”，則進入下一步，如判斷結果為“否”，則重復步驟3)，繼續訓練；

4)利用步驟1)中的擾動模型在參數約束范圍內隨機生成若干擾動數據作為測試集，驗證深度神經網絡的性能；若性能符合要求，利用訓練好的深度神經網絡對電能擾動質量進行識別和分類。

2.根據權利要求1所述的基于深度學習的電能質量擾動識別與分類方法，其特征在于，所述的卷積層計算方法為：

l表示網絡層數，K表示卷積核，B表示偏置向量，表示l層輸出，表示l層輸入，f表示激勵函數。

3.根據權利要求2所述的基于深度學習的電能質量擾動識別與分類方法，其特征在于，所述的激勵函數為ReLU。

4.根據權利要求1所述的基于深度學習的電能質量擾動識別與分類方法，其特征在于，所述的池化層的算法采用最大池化法，最大值池化方法的計算公式為：

l表示網絡層數，K表示卷積核，B表示偏置向量，表示l層輸出，表示l層輸入，f表示激勵函數。

5.根據權利要求4所述的基于深度學習的電能質量擾動識別與分類方法，其特征在于，所述的BN層用于在神經網絡的訓練過程中對每層的輸入數據增加標準化處理，處理方法為：

式中，x_i為輸入，μ_x為輸入x的均值，為輸入x的方差，γ、β為正則項，保證規則化后的輸出滿足均值為0，方差為1的標準高斯分布。

6.根據權利要求5所述的基于深度學習的電能質量擾動識別與分類方法，其特征在于，所述的softmax層softmax值S_i的計算公式為：

S_i表示輸入屬于對應類別的概率，Z表示序列。

7.根據權利要求6所述的基于深度學習的電能質量擾動識別與分類方法，其特征在于，所述的步驟3)在對深度神經網絡進行性訓練時采用的損失函數的計算公式為：

y_i表示深度神經網絡的輸出，a_i為目標輸出，i為softmax層神經元數量。

8.根據權利要求1～7中任意一項權利要求所述的基于深度學習的電能質量擾動識別與分類方法，其特征在于，所述的訓練集和驗證集隨機添加20dB-50dB的噪聲。

9.根據權利要求1所述的基于深度學習的電能質量擾動識別與分類方法，其特征在于，所述的步驟3)中深度神經網絡的訓練采用GPU并行計算，硬件為NVIDIA GTX1060 6G，采用NVIDIA的cuDNN包進行加速。