[發明專利]一種基于復雜不變性與深度神經網絡的同調機群辨識方法

有效

• 申請號: 202011506029.9
• 申請日: 2020-12-18
• 公開（公告）號: CN112531706B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 陳厚合;劉豐瑞;王長江;姜濤;李雪;李國慶;李斌;范維;段方維
• 申請（專利權）人: 東北電力大學;國網遼寧省電力有限公司電力科學研究院;國家電網有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;H02J3/00;G06F18/2321;G06N3/0455;G06N3/0464;G06N3/0442;G06N3/084
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李林娟

1.一種基于復雜不變性與深度神經網絡的同調機群辨識方法，其特征在于，所述方法包括：

將樣本映射到n維空間，基于構建的自編碼器深度神經網絡進行廣域相量量測數據特征的挖掘；所述樣本為電廠時序PMU數據；

根據廣域相量量測數據特征計算機組時序數據間的復雜度不變性距離；

基于復雜度不變性距離在n維空間中確定樣本間的相似度，根據相似度結果對樣本進行聚類；

所述自編碼器深度神經網絡，包括：編碼器和譯碼器，

所述編碼器包括：1維卷積神經網絡、最大池化層和兩層雙向長短期記憶神經網絡；

所述譯碼器包括：上采樣層和反卷積神經網絡；

所述根據廣域相量量測數據特征計算機組時序數據間的復雜度不變性距離具體為：

時間序列Q和C的復雜度不變性距離為：

CID(Q,C)＝ED(Q,C)×CF(Q,C)

其中，ED(Q,C)表示時間序列Q和C之間的歐式距離，CF(Q,C)表示時間序列Q和C之間的復雜度相關系數；

其中，序列Q和C的復雜度衡量標準分別為CE(Q)，CE(C)；

其中，q_i表示時序數據特征的一個特征點，n為采樣點個數；

所述基于復雜度不變性距離在n維空間中確定樣本間的相似度，根據相似度結果對機組樣本進行聚類具體為：

計算每個樣本屬于某一類的概率，與真實分布對比，計算KL散度，反向更改聚類層初始質心和編碼器參數，通過網格搜索，最終選取KL散度損失值最小的最優聚類方案；

基于高斯混合模型和最大期望算法，通過迭代最小化KL散度，搜索最優聚類結果；

所述計算每個樣本屬于某一類的概率具體為：

其中，q_ik表示第i個樣本屬于質心k的概率；Φ(z_i|θ_k)表示第i個樣本點與第k個質心的相似度；a_k是高斯分布系數；z_i是樣本i的隱變量；表示高斯分布參數，K為質心總數，μ_k為第k個質心對應高斯分布的均值，σ_k為第k個質心對應高斯分布的方差；

所述與真實分布對比，計算KL散度，反向更改聚類層初始質心和編碼器參數具體為：

新一輪迭代中質心k的聚類均值為：

其中，η是學習率，將損失函數Loss定義為預測概率與真實估計概率的KL散度即：

真實估計概率分布為：

協方差矩陣為：

高斯分布系數為：

其中，p_ik為第i個樣本屬于質心k的真實概率，N為樣本總數，T為轉置符號；Σ_k為協方差矩陣；a_k為高斯分布系數；

所述通過網格搜索，最終選取KL散度損失值最小的最優聚類方案具體為：

通過不斷逆向微調初始編碼器的參數和聚類層質心，與初始的譯碼器和編碼器的訓練過程進行聯合調節，當達到KL散度和MSE兩個損失函數都最小時，流程結束。