[发明专利]一种基于深度学习的电能质量扰动识别与分类方法

权利要求书

1.一种基于深度学习的电能质量扰动识别与分类方法，其特征在于，包括如下步骤：

1)构建电能质量扰动模型，根据电能质量扰动模型在参数约束范围内随机生成若干扰动数据作为训练集；

2)构建深度神经网络，所述的深度神经网络包括卷基层、池化层、BN层和softmax层；

3)利用步骤1)中的训练集对步骤2)中构建的深度神经网络进行训练，并判断是否达到训练指标，若判单结果为“是”，则进入下一步，如判断结果为“否”，则重复步骤3)，继续训练；

4)利用步骤1)中的扰动模型在参数约束范围内随机生成若干扰动数据作为测试集，验证深度神经网络的性能；若性能符合要求，利用训练好的深度神经网络对电能扰动质量进行识别和分类。

2.根据权利要求1所述的基于深度学习的电能质量扰动识别与分类方法，其特征在于，所述的卷积层计算方法为：

l表示网络层数，K表示卷积核，B表示偏置向量，表示l层输出，表示l层输入，f表示激励函数。

3.根据权利要求2所述的基于深度学习的电能质量扰动识别与分类方法，其特征在于，所述的激励函数为ReLU。

4.根据权利要求1所述的基于深度学习的电能质量扰动识别与分类方法，其特征在于，所述的池化层的算法采用最大池化法，最大值池化方法的计算公式为：

l表示网络层数，K表示卷积核，B表示偏置向量，表示l层输出，表示l层输入，f表示激励函数。

5.根据权利要求4所述的基于深度学习的电能质量扰动识别与分类方法，其特征在于，所述的BN层用于在神经网络的训练过程中对每层的输入数据增加标准化处理，处理方法为：

式中，x_i为输入，μ_x为输入x的均值，为输入x的方差，γ、β为正则项，保证规则化后的输出满足均值为0，方差为1的标准高斯分布。

6.根据权利要求5所述的基于深度学习的电能质量扰动识别与分类方法，其特征在于，所述的softmax层softmax值S_i的计算公式为：

S_i表示输入属于对应类别的概率，Z表示序列。

7.根据权利要求6所述的基于深度学习的电能质量扰动识别与分类方法，其特征在于，所述的步骤3)在对深度神经网络进行性训练时采用的损失函数的计算公式为：

y_i表示深度神经网络的输出，a_i为目标输出，i为softmax层神经元数量。

8.根据权利要求1～7中任意一项权利要求所述的基于深度学习的电能质量扰动识别与分类方法，其特征在于，所述的训练集和验证集随机添加20dB-50dB的噪声。

9.根据权利要求1所述的基于深度学习的电能质量扰动识别与分类方法，其特征在于，所述的步骤3)中深度神经网络的训练采用GPU并行计算，硬件为NVIDIA GTX1060 6G，采用NVIDIA的cuDNN包进行加速。