[发明专利]电能质量扰动信号分类模型的训练方法及装置

说明书

本申请涉及一种电能质量扰动信号分类模型的训练方法、装置、计算机设备和存储介质。所述方法包括：获取训练样本、以及各训练样本分别对应的类型标签；将训练样本分别输入至电能质量扰动信号分类模型中，并依次经由电能质量扰动信号分类模型中的第一卷积单元、第二卷积单元、去特征单元、以及全连接单元进行处理，得到相应的预测信号类型；基于训练样本的类型标签和预测信号类型，构建目标函数；基于目标函数，对电能质量扰动信号分类模型的模型参数进行更新，并基于更新后的模型参数进行迭代训练，直至达到训练终止条件时结束，得到训练好的电能质量扰动信号分类模型。采用本方法能够提供模型的准确度和鲁棒性。

技术领域

本申请涉及电能质量信号技术领域，特别是涉及一种电能质量扰动信号分类模型的训练方法、装置、计算机设备和存储介质。

背景技术

电能质量扰动会导致设备过热、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。然而随着社会的发展和生活水平的提高，越来越多对电能质量敏感的电力电子设备投入使用，对电能质量提出了越来越高的要求。电能质量扰动的准确识别，能为电能质量的管理和治理提供辅助决策，可提高供电质量。

近来，发展迅速的深度学习方法越来越多的被应用到了电能质量扰动信号的分类任务上。但由于电能质量扰动信号的数据特点，基于传统的深度学习神经网络结构构建的分类模型以及相应的训练方式，难以适用于对电能质量扰动信号的分类任务上，存在分类准确性低的问题，训练的效果较差。

发明内容

基于此，有必要针对上述技术问题，提供一种能够对电能质量扰动信号进行准确分类并提高模型训练效果的电能质量扰动信号分类模型的训练方法、装置、计算机设备和存储介质。

一种电能质量扰动信号分类模型的训练方法，所述方法包括：

获取训练样本、以及各训练样本分别对应的类型标签，所述训练样本为电能质量扰动信号的样本数据，所述类型标签表示相应的样本数据的实际信号类型；

将所述训练样本分别输入至电能质量扰动信号分类模型中，并依次经由所述电能质量扰动信号分类模型中的第一卷积单元、第二卷积单元、去特征单元、以及全连接单元进行处理，得到相应的预测信号类型；

基于所述训练样本的类型标签和所述预测信号类型，构建目标函数；

基于所述目标函数，对所述电能质量扰动信号分类模型的模型参数进行更新，并基于更新后的模型参数进行迭代训练，直至达到训练终止条件时结束，得到训练好的电能质量扰动信号分类模型。

在其中一个实施例中，所述第一卷积单元依次包括第一卷积层、归一化层、第二卷积层、以及最大池化层；所述第二卷积单元与所述第一卷积单元中的最大池化层相连，依次包括第三卷积层、归一化层、第四卷积层、以及平均池化层；所述去特征单元与所述第二卷积单元中的平均池化层相连，包括一个Dropout层；所述全连接单元与所述去特征单元相连，包括一个全连接层。

在其中一个实施例中，所述获取训练样本、以及各训练样本分别对应的类型标签，包括：

获取多个不同信号类型的训练样本；其中，每个训练样本分别对应于一种信号类型；

对所述多个训练样本进行标准化处理，得到标准化训练样本；

依据各个训练样本对应的信号类型，分别对每个标准化训练样本进行标签标注，得到多个标注有类型标签的训练样本。

在其中一个实施例中，所述对所述多个训练样本进行标准化处理，得到标准化训练样本，包括：

计算多个训练样本的均值和方差；

对每个训练样本，确定训练样本与均值的差异，并基于所述差异与所述方差，确定标准化训练样本。