[发明专利]一种基于深度学习SDAE-BP的暂降类型识别方法、装置和系统

权利要求书

1.一种基于深度学习SDAE-BP的暂降类型识别方法，其特征是，包括：

获取待识别暂降类型的电压暂降波形数据；

对获取到的电压暂降波形数据进行预处理；

将预处理后的电压暂降波形数据输入预先训练的堆栈降噪自编码器SDAE，得到由SDAE提取出的电压暂降特征数据；

将所述电压暂降特征数据输入预先训练的BP神经网络模型；

根据所述BP神经网络模型的输出，确定电压暂降波形数据的暂降类别；

其中，所述堆栈降噪自编码器SDAE的特征提取训练样本包括对应多种电压暂降类别的电压暂降波形数据样本；所述BP神经网络的暂降类型识别训练样本为，SDAE对应各特征提取训练样本的输出和特征提取训练样本对应的暂降类型标签。

2.根据权利要求1所述的方法，其特征是，所述预处理包括：

计算三相电压的有效值和相位；

提取故障时间段的电压暂降波形数据，对其三相电压的有效值和相位进行下采样处理；

对下采样得到的三相电压有效值和相位数据进行归一化处理；

将归一化处理后的数据组成并集序列，作为SDAE的输入数据。

3.根据权利要求1或2所述的方法，其特征是，所述堆栈降噪自编码器SDAE的训练包括：

基于多种预设暂降类型，分别对应各暂降类型获取多组电压暂降波形信号；

对所获取的电压暂降波形信号进行预处理，得到电压暂降波形信号数据样本；

将所述电压暂降波形数据样本输入预先搭建的SDAE网络，依次对SDAE网络的各层DAE进行训练，确定使得各层DAE重构误差最小的最优权值和最优偏置值，并得到最后一层DAE输出的特征参数。

4.根据权利要求3所述的方法，其特征是，所述多种预设暂降类型包括由短路故障引起的电压暂降类型，和由变压器传播过程引起的电压暂降类型；所述短路故障包括三相短路故障、单相接地故障、两相相间短路故障和两相接地故障。

5.根据权利要求3所述的方法，其特征是，依次对SDAE网络的各层DAE进行训练包括：

A)对于输入的任一电压暂降波形信号数据样本x，进行加噪处理，得到含有噪声的信号

B)根据进行编码得到第一层特征h₁，其中，W₁为连接输入层和隐藏层的权值矩阵，b₁为编码过程中神经元的偏置，f(·)为传递函数；

C)根据式从h1解码得到输入数据x的重构输出其中，W₁′为连接隐藏层和输出层的权值向量，b′₁为解码过程时的偏置，g(·)为传递函数；

D)通过以下公式进行代价函数优化，得到重构误差最小时的第一层DAE的最优权值W1、最优偏置值b1，并得到原始输入数据x的特征h1：

式中，为重构误差，即输入样本数据和重构数据之间的误差；

E)对于其它第i层DAE，分别将第(i-1)层输出的特征h(i-1)作为原始数据，重复步骤A)-D)，得到各层DAE的的最优权值Wi、最优偏置值bi和特征hi；其中，最后一层DAE输出的特征即为经SDAE网络提取的最终特征。

6.根据权利要求5所述的方法，其特征是，传递函数f(·)和g(·)选择Sigmoid函数。

7.根据权利要求5所述的方法，其特征是，所述BP神经网络模型的训练包括：

对于经SDAE网络提取的最终特征，根据特征对应的训练样本配置相应的暂降类型标签；

将特征与对应的暂降类型标签输入预先构建的BP神经网络，完成对BP神经网络的训练。