[发明专利]一种基于深度学习的电能质量分析与识别方法

说明书

本发明公开了一种基于深度学习的电能质量分析与识别方法，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。本发明用长短时记忆网络作为电能信号分类的模型，通过Softmax函数和反向传播算法对该模型进行训练，使其快速达到收敛，避免了人为介入进行特征提取，直接实现电能质量信号分类，减小了误差，提高了识别精度，实用性较强。

技术领域

本发明属于电力系统电能质量分析识别领域，涉及一种基于深度学习的电能质量分析与识别方法。

背景技术

随着社会和经济的不断发展，现代电力系统的复杂度和多样性也在不断提高，在包括冲击性、波动性、非线性等负荷的影响下，电能质量问题愈来愈突出。例如，一些非线性设备使用过程中会向电力系统注入各种干扰信号，这些扰动信号容易引起设备过热、电机停转、保护失灵以及计量不准等严重后果，造成严重的经济损失和社会影响，对电网的正常运行产生诸多不利影响。

传统电能质量分析识别主要将电能质量的分类分成两个步骤解决：电能信号特征提取和根据提取的特征进行分类。

目前特征提取的方法有：傅里叶变换，短时傅里叶变换、小波变换，S变换等数字信号处理方法。近几年也涌现了一些新技术如希尔伯特黄变换和集合经验模态分解。傅里叶变换是最基础也是最常用的电能信号特征提取方法，但因为傅里叶变换是一种全局性的变换，因此不能确定电能扰动的具体位置。短时傅里叶变换是选择时域内的窗函数并通过移窗来分析信号，但需要人为选择时间窗，时间窗的大小极大地关系到特征提取的效果。在使用小波变换方法进行特征提取时，则需要人为选择最合适的小波基。如果选择了不合适的小波基，则会导致特征提取的效率大幅下降。即在提取过程中都需要一定的人为介入以进行特征提取，这就难免会造成特征提取的不全面，影响后续的类别划分过程，对分类结果产生较大影响。而希尔伯特黄变换不适用于宽频带的信号，集合经验模态分解则为了减少白噪声带来的误差增加了算法的的运行时间。

在分类阶段，目前的方法有专家系统、人工神经网络、决策树、卷积神经网络等。专家系统依赖人类经验，客观上存在限制，而且效率有限且用该方法进行分类时，特征提取较难进行。人工神经网路在小样本的训练过程中可能陷入局部极值进而导致训练不成功，且训练时间较长。决策树在训练过程中容易过拟合。而卷积神经网络主要应用于图像识别领域，因此在电能质量扰动的识别上，以往的研究都是将电能信号以一定的方式转换为二维的图像，并传入网络进行学习。

以上情况表明，目前的几种电能质量分析识别方法都需要对电能信号进行预处理，都需要一定的人为介入以进行特征提取，难免造成特征提取的不全面，影响后续的类别划分过程。

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分析与识别方法，解决了现有电能质量分析识别方法需要人为介入提取特征，误差较大且不能对时序化的电能信号直接进行处理的问题。

本发明所采用的技术方案是，一种基于深度学习的电能质量分析与识别方法，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。

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；