The invention discloses a power quality disturbance identification and classification method based on depth learning, which comprises the following steps: 1) constructing a power quality disturbance model and generating a training set; 2) constructing a depth neural network; 3) training a depth neural network with a benefit training set; 4) verifying the performance of a depth neural network; and 3) generating a training set based on depth learning. The method of power quality disturbance identification and classification combines three parts of the traditional method: signal analysis, feature selection and classifier construction, and solves these three problems by training the depth neural network, thus avoiding the problems of large amount of calculation in signal analysis and being sensitive to noise, and overcoming the steps of artificial feature selection. The shortcomings of tedious and poor robustness are conducive to finding the categories of power quality problems more accurately and quickly.
【技术实现步骤摘要】
一种基于深度学习的电能质量扰动识别与分类方法
本专利技术涉及电能质量分析
,特别涉及一种基于深度学习的电能质量扰动识别与分类方法。
技术介绍
近年来,电能质量问题日益突出,引起了供电部门和广大电力用户的普遍重视,研究影响电能质量的各种因素,及时发现引起电能质量下降的各种问题,并对这些问题实现有效分类,对最终解决电能质量问题既十分必要,也具有重大的现实意义。传统的电能质量分析方法包括两个步骤,首先通过傅里叶变换、短时傅里叶变换、小波变换、dq变换、S变换等数字信号处理方法,对电能质量扰动进行特征提取,然后通过人工神经网络、支持向量机、决策树等方法对电能质量扰动进行分类。现有技术存在以下问题:已有的数字信号处理方法对噪声干扰很敏感,而且处理耗时较长,需要人工对信号分析得到的特征进行提取,以确定所用特征组合具有最优的分类效果,步骤繁琐。
技术实现思路
本专利技术的目的是提供一种基于深度学习的电能质量扰动识别与分类方法。为此,本专利技术技术方案如下:一种基于深度学习的电能质量扰动识别与分类方法,包括如下步骤:1)构建电能质量扰动模型,根据电能质量扰动模型在参数约束范围内随机生成若干扰动数据作为训练集;2)构建深度神经网络,所述的深度神经网络包括卷基层、池化层、BN层和softmax层;3)利用步骤1)中的训练集对步骤2)中构建的深度神经网络进行训练,并判断是否达到训练指标,若判单结果为“是”,则进入下一步,如判断结果为“否”,则重复步骤3),继续训练;4)利用步骤1)中的扰动模型在参数约束范围内随机生成若干扰动数据作为测试集,验证深度神经网络的性能;若性能符合要 ...
【技术保护点】
1.一种基于深度学习的电能质量扰动识别与分类方法,其特征在于,包括如下步骤:1)构建电能质量扰动模型,根据电能质量扰动模型在参数约束范围内随机生成若干扰动数据作为训练集;2)构建深度神经网络,所述的深度神经网络包括卷基层、池化层、BN层和softmax层;3)利用步骤1)中的训练集对步骤2)中构建的深度神经网络进行训练,并判断是否达到训练指标,若判单结果为“是”,则进入下一步,如判断结果为“否”,则重复步骤3),继续训练;4)利用步骤1)中的扰动模型在参数约束范围内随机生成若干扰动数据作为测试集,验证深度神经网络的性能;若性能符合要求,利用训练好的深度神经网络对电能扰动质量进行识别和分类。
【技术特征摘要】
1.一种基于深度学习的电能质量扰动识别与分类方法,其特征在于,包括如下步骤:1)构建电能质量扰动模型,根据电能质量扰动模型在参数约束范围内随机生成若干扰动数据作为训练集;2)构建深度神经网络,所述的深度神经网络包括卷基层、池化层、BN层和softmax层;3)利用步骤1)中的训练集对步骤2)中构建的深度神经网络进行训练,并判断是否达到训练指标,若判单结果为“是”,则进入下一步,如判断结果为“否”,则重复步骤3),继续训练;4)利用步骤1)中的扰动模型在参数约束范围内随机生成若干扰动数据作为测试集,验证深度神经网络的性能;若性能符合要求,利用训练好的深度神经网络对电能扰动质量进行识别和分类。2.根据权利要求1所述的基于深度学习的电能质量扰动识别与分类方法,其特征在于,所述的卷积层计算方法为:l表示网络层数,K表示卷积核,B表示偏置向量,表示l层输出,表示l层输入,f表示激励函数。3.根据权利要求2所述的基于深度学习的电能质量扰动识别与分类方法,其特征在于,所述的激励函数为ReLU。4.根据权利要求1所述的基于深度学习的电能质量扰动识别与分类方法,其特征在于,所述的池化层的算法采用最大池化法,最大值池化方法的计算公式为:l表示网络层数,K表示卷积核,B表示偏置向量,表示l层...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。