[发明专利]基于LSTM的电压暂降扰动分类方法在审
| 申请号： | 201910037950.4 | 申请日： | 2019-01-16 |
| 公开（公告）号： | CN109766853A | 公开（公告）日： | 2019-05-17 |
| 发明（设计）人： | 齐林海;陈倩;潘爱强;王红;周健 | 申请（专利权）人： | 华北电力大学;国网上海市电力公司 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06N3/04 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 102206*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明属于电能质量分类识别技术领域，公开了一种基于深度学习长短期记忆网络(Long Short‑Term Memory,LSTM)算法的电压暂降扰动分类方法。本方法首先通过数据处理层对电压暂降扰动数据进行处理，然后通过两层LSTM网络提取特征值，再通过全连接层进行特征降维处理，最后采用sigmoid网络层进行分类识别。本发明通过深度学习算法提取电能质量暂降扰动相关特征，克服了复杂电网环境下，基于时域、频域以及变换域等物理特性的分类识别建模方法在适应性、算法效率和准确性方面面临的局限性。使用该模型可以很好地克服传统方法提取步骤繁琐复杂和可能丢失部分信号的原始特征等缺点，并改善了传统的循环神经网络(Recurrent Neural Network,RNN)容易发生梯度爆炸等缺陷，具有较高的电压暂降扰动识别准确率。 | ||
| 搜索关键词： | 电压暂降扰动 分类识别 电能质量分类 循环神经网络 数据处理层 方法提取 复杂电网 记忆网络 算法效率 特征降维 网络提取 物理特性 学习算法 原始特征 变换域 传统的 连接层 网络层 分类 扰动 准确率 建模 两层 频域 时域 算法 爆炸 学习 | ||
【主权项】：
1.一种基于LSTM深度学习模型的电压暂降扰动原因分类方法。其特征在于，该方法的具体步骤为：步骤1：数据处理层对数据进行归一化处理；步骤2：由两层LSTM网络对步骤1中处理好的数据，进行特征提取操作；步骤3：由全连接层对步骤2中提取的特征值进行降维处理；步骤4：由sigmoid分类层对步骤3中的特征进行分类识别。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华北电力大学;国网上海市电力公司，未经华北电力大学;国网上海市电力公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910037950.4/，转载请声明来源钻瓜专利网。
- 上一篇：自动化医疗服务平台
- 下一篇：一种基于两阶段互补网络的鲁棒人脸识别算法
