[發明專利]一種基于深度置信網絡的電壓暫降原因識別方法

在審

• 申請號: 201811488320.0
• 申請日: 2018-12-06
• 公開（公告）號: CN109596942A
• 公開（公告）日: 2019-04-09
• 發明（設計）人: 王紅;鄭智聰;齊林海
• 申請（專利權）人: 華北電力大學
• 主分類號: G01R31/08
• 分類號: G01R31/08;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度置信網絡的電壓暫降原因識別方法，其特征在于，該方法包括以下步驟：

步驟1：對電壓暫降錄波數據及其電壓暫降原因標簽進行數據預處理；

步驟2：搭建受限玻爾茲曼機網絡；

步驟3：用訓練集數據對步驟2搭建好的網絡進行無監督預訓練；

步驟4：利用步驟3訓練生成的受限玻爾茲曼機模型搭建深度置信網絡；

步驟5：在深度置信網絡的輸出層后面添加softmax層；

步驟6：用訓練集數據對整個網絡進行有監督訓練并保存生成的模型；

步驟7：用測試集數據對步驟6生成的模型進行準確率的驗證；

步驟8：輸入電壓暫降錄波數據，模型自動識別其對應的電壓暫降原因類型。

2.根據權利要求1所述的一種基于深度置信網絡的電壓暫降原因識別方法，其特征在于，步驟1所述數據預處理首先對電壓暫降錄波數據進行連續采樣，接著對采樣到的電壓值做歸一化處理，并將電壓暫降原因標簽向量化，最后將預處理后的電壓暫降數據及其對應的電壓暫降原因標簽劃分為訓練集和測試集。

3.根據權利要求1所述的一種基于深度置信網絡的電壓暫降原因識別方法，其特征在于，步驟2所述受限玻爾茲曼機是兩層神經網絡，相鄰層的節點之間相互連接，同層之間的節點互不相連，其中第一層稱為顯層或者輸入層，第二層成為隱含層或者輸出層。

4.根據權利要求1所述的一種基于深度置信網絡的電壓暫降原因識別方法，其特征在于，步驟3所述無監督預訓練為：利用步驟1處理后的訓練集的連續采樣電壓值作為步驟2搭建好的第一個受限玻爾茲曼機的輸入，并對其進行無監督預訓練；接著利用第一個受限玻爾茲曼機的隱含層輸出對步驟2搭建好的下一個受限玻爾茲曼機進行無監督預訓練，以此類推。

5.根據權利要求4所述的一種基于深度置信網絡的電壓暫降原因識別方法，其特征在于，所述受限玻爾茲曼機的無監督預訓練為：受限玻爾茲曼機引入了能量函數，訓練目標是使網絡的能量函數達到最小值，即網絡的穩定狀態；訓練過程中，首先從受限玻爾茲曼機的顯層獲取輸入數據，通過能量函數推導出顯層和隱層的條件概率；接著推導得到隱層單元和顯層單元被激活的概率，從而得到網絡各個參數的求解結果；最后受限玻爾茲曼機通過反向傳播算法迭代更新網絡的權重和偏置，最大概率地擬合輸入數據，實現能量函數的最小化，從而自動提取電壓暫降錄波數據的抽象化特征，并從隱層輸出。

6.根據權利要求1所述的一種基于深度置信網絡的電壓暫降原因識別方法，其特征在于，步驟4所述深度置信網絡由多個傳統的受限玻爾茲曼機串聯堆疊而成，將上一個受限玻爾茲曼機的隱層輸出作為下一個受限玻爾茲曼機的顯層輸入，以此類推。

7.根據權利要求1所述的一種基于受限玻爾茲曼機的電壓暫降原因識別方法，其特征在于，步驟5所述softmax層調用深度學習中的softmax函數將網絡的輸出映射到(0，1)區間內，從而獲得網絡輸入數據屬于各電壓暫降原因類別的概率。

8.根據權利要求1所述的一種基于深度置信網絡的電壓暫降原因識別方法，其特征在于，步驟6所述有監督訓練為：采用步驟1預處理后的訓練集的連續電壓值及其對應的電壓暫降原因標簽對步驟5搭建好的網絡進行迭代訓練，訓練過程中將softmax層輸出和輸入數據對應標簽的交叉熵作為損失函數，通過深度學習中的反向傳播算法迭代更新網絡的參數，從而實現網絡損失函數的最小化目標。

9.根據權利要求1所述的一種基于深度置信網絡的電壓暫降原因識別方法，其特征在于，步驟7所述準確率的驗證為：將步驟1處理后的測試集數據輸入步驟6訓練生成的模型，對模型softmax層輸出的各電壓暫降原因類別對應的概率值進行判斷，當某類別對應的概率值大于0.5時，認定輸入的測試數據屬于該電壓暫降原因類別，最后將判斷的單一電壓暫降類別或復合電壓暫降類別與輸入數據相應的電壓暫降原因標簽進行匹配，從而測試生成模型的識別準確率。