[发明专利]一种基于PCA-CNN-LVQ的电压暂降源识别方法

说明书

本发明公开一种基于PCA‑CNN‑LVQ的电压暂降源识别方法，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。本发明提升识别电压暂降类型的准确性。

技术领域

本发明涉及电能质量领域，尤其涉及一种基于PCA-CNN-LVQ的电压暂降源识别方法。

背景技术

随着信息技术、电力电子技术等各种高新技术的快速发展，对于电能要求更高的基于数字型处理器控制的机电设备投入使用，且大量非线性电力电子设备的投入运行使得电网电压以及电流畸变率不断上升，周波级的电压暂降/跌落、电压暂升和瞬时供电中断等新的动态电能质量问题逐步显露出来；电压暂降是指电源电压的有效值在短时间内突然下降到10％到90％的事件，其典型持续时间为0.5至30个周期。一些工业园区对电能质量要求较高，由于某些不可控性，会发生电压暂降造成一定的经济损失，正确识别电压暂降源是解决电压暂降问题的首要步骤。

现有的技术主要是基于物理特征的方法对电压暂降源进行特征提取和模式识别，现代智能电网的引入，电网数字化和海量的用电数据，使得现有的人工方法难以提取大量电压暂降特征，并且也难以在复杂时间序列数据上建立精确的数学模型。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于PCA-CNN-LVQ的电压暂降源识别方法，采用主成分分析法PCA对电压暂降数据进行降维，利用深度学习方法中的卷积神经网络CNN对电压暂降源的特征进行提取，并且利用学习矢量量化神经网络LVQ对电压暂降类型进行识别，克服了人工提取特征的缺陷和建立精确数学模型的局限性，提升识别电压暂降类型的准确性。

本发明采用如下的技术方案：

一种基于PCA-CNN-LVQ的电压暂降源识别方法，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。

优选地，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。

优选地，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。

优选地，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