[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

说明书

本发明公开了一种基于深度学习的电能质量扰动识别与分类方法，包括如下步骤：1)构建电能质量扰动模型，生成训练集；2)构建深度神经网络；3)利训练集对深度神经网络进行训练；4)验证深度神经网络的性能；该基于深度学习的电能质量扰动识别与分类方法将传统方法中信号分析、特征选择、分类器构建三部分内容合而为一，通过深度神经网络的训练解决这三个问题，从而避免了信号分析中计算量大，对噪声敏感等问题，克服了人工特征选择步骤繁琐、鲁棒性差的缺点，有利于更准确迅速地发现电能质量问题所属类别。

技术领域

本发明涉及电能质量分析技术领域，特别涉及一种基于深度学习的电能质量扰动识别与分类方法。

背景技术

近年来，电能质量问题日益突出，引起了供电部门和广大电力用户的普遍重视，研究影响电能质量的各种因素，及时发现引起电能质量下降的各种问题，并对这些问题实现有效分类，对最终解决电能质量问题既十分必要，也具有重大的现实意义。

传统的电能质量分析方法包括两个步骤，首先通过傅里叶变换、短时傅里叶变换、小波变换、dq变换、S变换等数字信号处理方法，对电能质量扰动进行特征提取，然后通过人工神经网络、支持向量机、决策树等方法对电能质量扰动进行分类。

现有技术存在以下问题：已有的数字信号处理方法对噪声干扰很敏感，而且处理耗时较长，需要人工对信号分析得到的特征进行提取，以确定所用特征组合具有最优的分类效果，步骤繁琐。

发明内容

本发明的目的是提供一种基于深度学习的电能质量扰动识别与分类方法。

为此，本发明技术方案如下：

一种基于深度学习的电能质量扰动识别与分类方法，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。

进一步的，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。

进一步的，所述的激励函数为ReLU。

进一步的，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。

进一步的，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。

进一步的，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。