一种基于深度学习的电能质量扰动识别与分类方法技术

本发明专利技术公开了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，生成训练集；2)构建深度神经网络；3)利训练集对深度神经网络进行训练；4)验证深度神经网络的性能；该基于深度学习的电能质量扰动识别与分类方法将传统方法中信号分析、特征选择、分类器构建三部分内容合而为一，通过深度神经网络的训练解决这三个问题，从而避免了信号分析中计算量大，对噪声敏感等问题，克服了人工特征选择步骤繁琐、鲁棒性差的缺点，有利于更准确迅速地发现电能质量问题所属类别。

A method of power quality disturbance recognition and classification based on deep learning

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。进一步的，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。进一步的，所述的激励函数为ReLU。进一步的，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层输出，表示l层输入，f表示激励函数。进一步的，所述的BN层用于在神经网络的训练过程中对每层的输入数据增加标准化处理，处理方法为：式中，xi为输入，μx为输入x的均值，为输入x的方差，γ、β为正则项，保证规则化后的输出满足均值为0，方差为1的标准高斯分布。进一步的，所述的softmax层softmax值Si的计算公式为：Si表示输入属于对应类别的概率，Z表示序列。进一步的，所述的步骤3)在对深度神经网络进行性训练时采用的损失函数的计算公式为：yi表示深度神经网络的输出，ai为目标输出，i为softmax层神经元数量。进一步的，所述的训练集和验证集随机添加20dB-50dB的噪声。进一步的，所述的步骤3)中深度神经网络的训练采用GPU并行计算，硬件为NVIDIAGTX10606G，采用NVIDIA的cuDNN包进行加速。与现有技术相比，该基于深度学习的电能质量扰动识别与分类方法将传统方法中信号分析、特征选择、分类器构建三部分内容合而为一，通过深度神经网络的训练解决这三个问题，从而避免了信号分析中计算量大，对噪声敏感等问题，克服了人工特征选择步骤繁琐、鲁棒性差的缺点，有利于更准确迅速地发现电能质量问题所属类别。附图说明图1为电能质量扰动波形。图2为深度卷积神经网络分类原理示意图。图3为深度卷积神经网络结构。图4为卷积运算原理示意图。图5为softmax层进行分类的原理图。图6为分类准确率及损失值变化过程仿真图。具体实施方式下面结合附图及具体实施例对本专利技术做进一步的说明，但下述实施例绝非对本专利技术有任何限制。实施例：1)构建如表1所示的电能质量扰动模型，电能质量扰动样本的数学模型基于Python的Numpy包搭建；根据电能质量扰动模型在参数约束范围内随机生成768000组扰动数据作为训练集；生成的电能质量扰动波形如图1所示；2)构建深度神经网络，深度神经网络基于Keras构建，后端引擎采用TensorFlow；深度神经网络的训练及后续试验采用GPU并行计算，硬件为NVIDIAGTX10606G，采用NVIDIA的cuDNN包进行加速；所述的深度神经网络包括卷基层、池化层、BN层和softmax层；卷积层具有稀疏连接、权值共享、池化及易于堆叠的特性，从本质来看，卷积层相当于一系列可训练的滤波器，输入数据通过卷积核过滤后得到富含局部细节特征的输出。图像处理场景中输入是RGB三个颜色通道堆叠的二维像素数据，而电能质量扰动样本输入是一维的时序数据，因而对二维卷积层进行维度缩减；设卷积层的输入为一维矩阵(n×1)，通过一维卷积核(k×1)进行卷积运算，经激活函数后得到本层的输出矩阵(m×1)，其中m＝n-k+1。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层输出，表示l层输入，f表示激励函数；所述的激励函数f采用ReLU函数，其表达式为：函数f(x)＝max(0,x)，一维卷积运算过程如图4所示。池化层用于对卷积后的数据进行缩放映射以减少数据维度，能够在一定程度上防止过拟合；池化层功能上相当于一个模糊滤波器，常见的池化方法有均值池化、最大值池化等；本实施例采用了最大值池化方法，计算公式为：BN层用于在神经网络的训练过程中对每层的输入数据增加标准化处理，从而保证深度神经网络在训练过程中每层的输入保持相同的分布；BN层的引入能保证深度神经网络以较高的学习率进行训练，极大地提高了深度神经网络的训练速度，同时在一定程度上避免了过拟合问题。其计算过程如下：式中，xi为输入，μx为输入x的均值，为输入x的方差，γ、β为正则项，保证规则化后的输出满足均值为0，方差为1的标准高斯分布。电能质量扰动识别问题是一个典型的多分类问题，因此在网络最后添加softmax层，该层的神经元个数等于类别标签的数量；对于一个含j个元素的序列Z，i为Z的下标，以Si表示softmax值，计算公式为：Si表示输入属于对应类别的概率，softmax层的15个神经元将产生15个softmax值，对应15个候选扰动类型，取最大值对应的类型即可实现多类分类，分类原理图如图5所示；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；深度神经网络的训练采用反向传播算法，首先通过前向计算得到整个网络的输出值，然后计算输出与目标值之间的损失值，反向更新网络权重以减小输出误差；该实施例采用类别交叉熵作为损失函数，计算公式为：yi表示深度神经网络的输出，ai为目标输出，i为softmax层神经元数量。式中，yi表示深度神经网络的输出，ai表示预期输出，i表示softmax层神经元的个数。通过损失值的反向传播实现网络权重的更新，训练的目标是最小化损失函数值，通过优化算法来实现。求解深度神经网络的模型参数问题是一个无约束优化问题，在最小化损失函数时，可以通过梯度下降法迭代求解，得到最小化的损失函数及模型参数。目前已有多种基于梯度下降的改进算法，称为优化器，常用优化器有Adagrad,Adadelta,RMSprop,Adam。实际训练时，由于样本数量多，不本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：王守相，陈海文，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12