[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

本發明公開了一種基于深度學習的電能質量擾動識別與分類方法，包括如下步驟：1)構建電能質量擾動模型，生成訓練集；2)構建深度神經網絡；3)利訓練集對深度神經網絡進行訓練；4)驗證深度神經網絡的性能；該基于深度學習的電能質量擾動識別與分類方法將傳統方法中信號分析、特征選擇、分類器構建三部分內容合而為一，通過深度神經網絡的訓練解決這三個問題，從而避免了信號分析中計算量大，對噪聲敏感等問題，克服了人工特征選擇步驟繁瑣、魯棒性差的缺點，有利于更準確迅速地發現電能質量問題所屬類別。

技術領域

本發明涉及電能質量分析技術領域，特別涉及一種基于深度學習的電能質量擾動識別與分類方法。

背景技術

近年來，電能質量問題日益突出，引起了供電部門和廣大電力用戶的普遍重視，研究影響電能質量的各種因素，及時發現引起電能質量下降的各種問題，并對這些問題實現有效分類，對最終解決電能質量問題既十分必要，也具有重大的現實意義。

傳統的電能質量分析方法包括兩個步驟，首先通過傅里葉變換、短時傅里葉變換、小波變換、dq變換、S變換等數字信號處理方法，對電能質量擾動進行特征提取，然后通過人工神經網絡、支持向量機、決策樹等方法對電能質量擾動進行分類。

現有技術存在以下問題：已有的數字信號處理方法對噪聲干擾很敏感，而且處理耗時較長，需要人工對信號分析得到的特征進行提取，以確定所用特征組合具有最優的分類效果，步驟繁瑣。

發明內容

本發明的目的是提供一種基于深度學習的電能質量擾動識別與分類方法。

為此，本發明技術方案如下：

一種基于深度學習的電能質量擾動識別與分類方法，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。

進一步的，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。

進一步的，所述的激勵函數為ReLU。

進一步的，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。

進一步的，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。

進一步的，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。