[发明专利]用于电能质量扰动类型识别的序列对序列模型建立方法

摘要

本发明公开了用于电能质量扰动类型识别的序列对序列模型建立方法，具体为：首先，采集信号或数据，对数据进行预处理，进行人工分类；再将输入数据集和标签集转换为矩阵形式，并对其分别进行随机划分为训练集和测试集，之后构建基于独立循环神经网络的序列对序列模型，并对模型进行训练，过拟合判断；最后对序列数据中各单一元素的识别，使用Argmax函数获得对序列中单一元素的识别结果。基于独立循环神经网络的序列对序列模型不仅可以从最大程度上提取出序列数据的内在特征，而且可以极大程度上提高采样点数多或时间跨度大的序列数据中各序列元素所属类别的判断准确率。

主权项

1.基于双向独立循环神经网络的序列对序列模型的建立方法，其特征在于，具体按照以下步骤实施：步骤1，在节点处安装测量装置采集信号或数据；步骤2，对获得的数据进行预处理，剔除监测数据中的无效数据并进行平滑处理，之后进行人工分类；对每一个序列元素标注上所属标签，从而形成两个数据集，即输入数据集和与所有原始的输入数据对应的标签集，使得标签序列与输入数据集内的样本序列元素依次对应；输入数据可以为一维或多维数据，即每次输入一个或多个数据对应一个数据标签，此时将输入的多个数据看作一个序列元素；步骤3，将输入数据集转换为矩阵形式，输入矩阵形状为[序列样本数量，步长，输入数据维度]；同时，将标签集也转换为矩阵形式，标签矩阵形状为[序列样本数量，步长，输出标签维度]；步骤4，将输入数据集和对应的标签集分别进行随机划分为训练集和测试集，其中训练集数据占总样本的75％，测试集数据占总样本的25％；步骤5，构建基于双向独立循环神经网络的序列对序列模型；该双向独立循环神经网络的序列对序列模型包括以下三个部分，第一部分为输入层，输入层仅为一层，实现对输入数据的预处理；输入层的数据格式为[训练集样本数量，步长，输入数据维度]；第二部分为隐含层，隐含层包含有多层，隐含层中含有双向独立循环神经网络层、全连接层，实现对输入数据的特征抽取；隐含层中所包含的双向独立循环神经网络层，每层包含多个隐含神经元单元且不同神经元之间彼此独立，其中第n个神经元单元的隐含状态h_n.t如式(1)所示；全连接层包含n个神经元单元，全连接层所包含神经元单元数量与标签数量一致；h_n.t＝σ(W_nX_t+U_nh_n.t‑1+b_n)  (1)；式(1)中，X_t为t时刻的输入数据；h_n，t代表t时刻隐藏层节点，其含义为输入数据X_t的内在表达形式；h_n，t‑1代表前一时刻隐藏层节点；W_n和U_n分别为输入权重和隐藏层节点的权重矩阵；b_n为隐藏层的偏置向量；σ为神经元的逐元素激活函数；第三部分为输出层，输出层仅为一层Softmax层，实现对序列元素判断结果的输出；输出层与最后一层的全连接层相连，且全连接层使用线性全连接层，无激活函数；除输入层外其余神经网络层均通过激活函数与前一层神经网络层连接；每一层的输出数据使用批规范化进行规范化处理，得到独立循环神经网络模型；步骤6，对构建好的基于独立循环神经网络的序列对序列模型进行训练；步骤7，过拟合判断；使用测试集中其余的20％数据来进行过模型的过拟合判断若测试准确度大幅度下降则表明上述训练完成的模型已经出现了过拟合现象；超参数每次调整后都需要通过步骤5进行重新训练，使得模型具有更强的泛化能力；步骤8，利用经训练好的基于独立循环神经网络的序列对序列模型实现对序列数据中各单一元素的识别，使用Argmax函数获得对序列中单一元素的识别结果。