[发明专利]一种基于深度学习的电能质量混合扰动分析方法

摘要

本发明公开了一种基于深度学习的电能质量混合扰动分析方法。使用本发明能够有效对电能质量混合扰动进行分类，且有较强的鲁棒性。本发明首先通过调整高斯窗函数衰减速率来改变S变换的时间分辨率与频率分辨率，更能体现不同类别电质量信号的特点，增大不同类别电质量信号的区分力度；然后构建基于LSTM的深度学习模型，对电质量信号进行分类，其中，在构建的深度学习模型中，首先采用多层感知机对数据进行预处理，对数据进行初步的分析与特征的提取，然后利用对序列数据有着更强分析能力的LSTM人工神经网络，更适合对电质量信号进行语义分割；最后，采用池化层和多层感知机对LSTM的语义分割进行有监督的分类，有利于提升模型的分类能力。

主权项

1.一种基于深度学习的电能质量混合扰动分析方法，其特征在于，包括如下步骤：步骤1，建立电能质量混合干扰信号训练集，其中，干扰信号包含各类幅值变化较快的电能质量干扰、各类频率变化较快的电能质量干扰以及混合电能质量干扰；步骤2，采用改进型S变换对步骤1训练集中各训练数据进行特征提取，得到训练数据对应的二维特征矩阵；其中，改进型S变换为在传统S变换中的高斯窗函数上增加一个调节因子λ；其中，对于仅包含幅值变化较快的电能质量干扰的训练数据，λ>1；对于仅包含频率变化较快的电能质量干扰的训练数据，0<λ<1；对于包含混合电能质量干扰的训练数据，λ＝1；步骤3，构建深度学习模型并利用步骤2得到的二维特征矩阵进行训练，得到训练后的深度学习模型；其中，深度学习训练模型包括输入层、LSTM网络、池化层和多层感知机；其中，输入层为包含Dense层的多层感知机，对步骤2的二维特征矩阵进行预处理，其中，预处理包括降维处理、归一化处理以及特征提取；LSTM网络为双LSTM结构，对输入层预处理后的结果进行语义分割；池化层对LSTM网络的语义分割结果进行降维；采用多层感知机对池化层的输出进行分类；多层感知机的输出即为深度学习模型的输出；步骤4，针对待检测的电能质量干扰信号，采用传统S变换对该待测试信号进行特征提取，得到该待测试信号的二维特征矩阵；然后以该待测试信号的二维特征矩阵作为输入，利用步骤3训练好的深度学习模型进行分类，获得分类结果。