[发明专利]一种基于深度学习的电能质量分析与识别方法

权利要求书

1.一种基于深度学习的电能质量分析与识别方法，其特征在于，包括采集待检测的电能信号，将待检测的电能信号随机分为训练样本集和测试样本集，将训练样本集输入到长短期记忆网络LSTM模型中进行训练，获得训练后的LSTM模型，将测试样本集输入到训练后的LSTM模型中测试电能质量扰动分类情况。

2.根据权利要求1所述的一种基于深度学习的电能质量分析与识别方法，其特征在于，具体包括以下步骤：

步骤1，采集多个时间段内的待检测电能信号，将采集的信号随机分为训练样本集和测试样本集，将训练样本集中信号按照时间先后顺序拼接为一个大信号，即训练集信号，将测试样本集中信号按照时间先后顺序拼接为一个大信号，即测试集信号；

步骤2，构建长短期记忆神经网络LSTM模型，所述LSTM模型包括输入层、隐藏层和输出层；

步骤3，训练LSTM模型，从训练集信号中选取采样点输入到LSTM模型中训练，修正LSTM模型内矩阵的权值，利用样本输出值和目标值之差更新LSTM模型中参数，在训练次数达到预设值时，获得训练后的LSTM模型；

步骤4，将测试集信号输入训练后的LSTM模型中进行测试，LSTM模型输出电能质量扰动分类结果。

3.根据权利要求2所述的一种基于深度学习的电能质量分析与识别方法，其特征在于，所述步骤3包括以下步骤：

步骤3.1，将构建的LSTM模型中隐藏层和状态层初始化为随机数；

步骤3.2，从训练集信号中选取一个采样点(X,Y_label)输入到LSTM模型的输入层，经过隐藏层计算后，输出到输出层，得到Y_out；；

步骤3.3，使用Softmax函数处理输出层结果，输出处理多神经元输出，在得到多个神经元的输出后，softmax分类器将输出映射到(0,1)区间内，为每个输出分类的结果都赋予一个概率值，在最后选取输出结点的时候，选取概率最大结点，作为预测目标；

步骤3.4，将Y_label和Y_out进行比较，得到误差项，将所述误差项输入到反向传播算法中进行反向传播训练，优化LSTM模型，在每一个时阶都进行一次输出，计算样本输出值与目标值的误差E_d，利用该误差更新神经网络的权重，获得训练后的LSTM模型。

4.根据权利要求3所述的一种基于深度学习的电能质量分析与识别方法，其特征在于，所述步骤3.4中，在反向传播算法中，模型分为输入层、隐藏层、输出层，输出层节点j的误差项为：

δ_j＝y_j(1-y_j)(t_j-y_j)

其中，δ_j为输出层节点j的误差项，y_j是输出层节点j的输出值，t_j是输出层节点j的目标值；

隐藏层节点i的误差项为：

δ_i＝a_i(1-a_i)∑_k∈outputw_jiδ_j

其中，a_i为隐藏层节点i的输出值，w_ji为隐藏层节点i到输出层节点j的权重，δ_j为输出层节点j的误差项，δ_i为隐藏层节点i的误差项；

获得节点误差项后，更新权重：

w_ji←w_ji+ηδ_jx_ji

其中，w_ji是隐藏层节点i到输出层节点j的权重，η为学习速率，δ_j是输出层节点j的误差项，x_ji是隐藏层节点i的输出，同时也是输出层节点j的输入，输入的偏置项永远为1。