[发明专利]一种基于PCA-CNN-LVQ的电压暂降源识别方法

权利要求书

1.一种基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于，所述识别方法包括以下步骤：

步骤1，构建并训练PCA-CNN-LVQ模型：

步骤101，采集电压暂降源的电压暂降数据作为样本；

步骤102，采用主成分分析法PCA对电压暂降数据进行降维；

步骤103，将降维后的电压暂降数据输入到卷积神经网络CNN中提取电压暂降数据特征；

步骤104，将电压暂降数据特征输入到学习矢量量化神经网络LVQ中对LVQ进行分类训练；

步骤2，通过训练好的PCA-CNN-LVQ模型对待识别的电压暂降数据进行分类，得到待识别电压暂降数据的电压暂降类型。

2.根据权利要求1所述的基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于：所述电压暂降源的类型包括：单相接地故障、三相接地故障、变压器投切、大型感应电动机启动、变压器投切同时发生单相接地故障和大型感应电动机启动同时发生单相接地故障。

3.根据权利要求1所述的基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于：步骤1中，采用10折交叉试验法对每个电压暂降源类型的样本进行交叉验证。

4.根据权利要求1所述的基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于：步骤102包括：

步骤1021，计算样本数据集X＝[x₁,x₂,x₃...x_e...x_m]的对应每一维的样本数据的样本均值得到样本均值矩阵计算样本的协方差矩阵

其中，x_e为第e组采集的电压暂降数据，x_e＝[x_e1,x_e2,…x_ei,...x_en]^T，x_ei为采集的第e组第i维的电压暂降数据，x_en为采集的第e组第n维的电压暂降数据，总共采集维数为n维，n维表示n个电压信号采样点数据，总共采集组数为m组，得到总采样矩阵即样本数据集X，样本数据集X为n行，m列的矩阵；为第i维的m组电压暂降数据均值，为第n维的m组电压暂降数据均值；

其中，为样本距离样本均值的偏差，为样本距离样本均值的偏差的转置；

步骤1022，对协方差矩阵C进行特征分解，求取第j组的特征值λ_j和对应的特征向量b_j，对特征值从大到小进行排序，选择其中最大的k个，k的个数满足积累贡献率的阈值；根据特征值的大小顺序，构建由特征值对应的特征向量组成的特征向量矩阵P＝(b₁,b₂..b_k)，特征向量b_j中的每个元素为：其中，为按顺序排列的前k个特征值之和；

步骤1023，计算降维后的电压暂降数据即前k维电压暂降数据矩阵Y，Y＝PX，其中，P为构造的特征向量矩阵，X为原始的总采样矩阵。