[发明专利]将注意力机制与深度学习融合的电压暂降扰动源定位方法

权利要求书

1.一种将注意力机制与深度学习融合的电压暂降扰动源定位方法，其特征在于：具体包括如下步骤：

步骤1，针对待检测的电力系统网络，对网络中的支路进行编号，在每条支路发生电动机启动、变压器投切、短路故障原因引起的各类电压暂降时，获得监测数据；

步骤2，计算经步骤1采集到数据的电压均方根值，若只要存在任意一个监测数据的电压均方根值下降至额定值的90％～10％，则将其保留，构成一组电压暂降数据样本；否则将其从经步骤1采集到的数据中踢除；

步骤3，将经步骤2处理后得到的每组电压暂降数据样本，依次分别标注其所对应的支路编号；

步骤4，将经步骤3标注后的数据样本分为训练集和测试集，采用随机抽样的方式，抽取其中80％的数据样本作为训练集，其余20％的数据样本作为测试集；

步骤5，构建注意力机制与独立循环神经网络融合的模型结构；

步骤6，将经步骤5构建完成的注意力机制与独立循环神经网络融合模型进行训练；

步骤7，对步骤6训练后的模型进行过拟合判断，获取泛化性好的注意力机制与独立循环神经网络融合模型；

步骤8，使用经步骤7所得的注意力机制与独立循环神经网络融合模型进行电压暂降扰动源定位，输入数据为步骤1所得的监测数据，输出数据为步骤1中的电压暂降扰动源所处的网络支路编号。

2.根据权利要求1所述的将注意力机制与深度学习融合的电压暂降扰动源定位方法，其特征在于：所述步骤2的具体过程为：

根据如下公式(1)计算经步骤1采集到数据的电压均方根值：

其中，N为每个周期采集的数据点数，x₁，x₂，x₃，……，x_N依次为每个采样数据点所对应的数据。

3.根据权利要求1所述的将注意力机制与深度学习融合的电压暂降扰动源定位方法，其特征在于：所述步骤5的具体过程为：

所述注意力机制与独立循环神经网络融合模型包括四部分，即由下到上依次连接的输入层部分、隐含层部分、注意力层部分、输出层部分；

第一部分为输入层部分，仅包含一个输入层；第二部分为隐含层部分，包含多个隐含层，每一个隐含层中都含有独立循环神经网络层、批规范化层；第三部分为注意力层部分，仅包含一个注意力层；第四部分为输出层部分，包含全连接层、Softmax层；

除第一层输入层外其余神经网络层均通过激活函数与前一层神经网络层连接。

4.根据权利要求3所述的将注意力机制与深度学习融合的电压暂降扰动源定位方法，其特征在于：所述输入层，是整体模型的接口处，负责对监测数据进行预处理，采用式(2)所示的最大-最小规范化方法获得检测数据：

其中，x为监测数据采集值，x*为处理后的监测数据，x_min为监测数据最小值，x_max为监测数据最大值。

5.根据权利要求4所述的将注意力机制与深度学习融合的电压暂降扰动源定位方法，其特征在于：所述隐含层中的独立循环神经网络如式(3)所示：

h_t＝σ(Wx_t+U⊙h_t-1+b) (3)；

其中，⊙表示Hadamard算子，实现权重向量U与h中的元素对应单独相乘，运算得到的矩阵与原矩阵维度相同；W、U为权重向量，h_t-1为上一时刻的输出，h_t为当前时刻的输出，b为偏置向量，σ为激活函数。

所述隐含层中的批规范化的表示如式(4)～式(7)所示：

其中，x_t为输入数据，μ_β为输入数据的平均值，σ_β²为入输数据的方差，缩放参数γ和移动参数β为待优化参数；y_i即为输入数据经过批规范化后的输出，ε为平滑参数，T为一批运算中所包含的数据样本的数量；为归一化后的数据；y_i为输入数据经过变换后的输出量。