基于LSTM的谐波多标签分类方法技术

一种基于深度学习模型的谐波多标签分类方法，属于电能质量分类识别技术领域。该方法采用具有记忆特性的长短期记忆单元（LSTM）网络，对具有时间序列特性的谐波数据进行特征提取操作，再通过全连接层对其提取的特征值进行降维处理，然后将降维过的特征值输入到sigmoid网络层对谐波数据进行分类识别。本发明专利技术使得电能质量谐波扰动的相关特征可以通过数据驱动的方式来提取，完全克服了基于时域、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挑战。该方法在克服电能质量扰动多标签分类时常用的标签幂集法缺陷的同时，还具有较高的谐波分类识别准确率。

【技术实现步骤摘要】
基于LSTM的谐波多标签分类方法
本专利技术涉及一种基于LSTM的谐波多标签分类方法，属于电能质量分类识别

技术介绍
随着新能源发电的研究和应用在世界范围内的超高速增长，对智能电力电子设备的发展提出了一系列的新需求。同时，能源互联网建设的推进，电网将从传统的发、输、配、荷的垂直单一模式，转变为含多电力电子变换的功率与信息双向流动模式，新一代电力系统呈现出电力电子化和多源多变换特征。电能质量问题变得更加复杂。由于电力电子设备的广泛接入，非线性负荷对电网造成的冲击，影响更广泛、更严重，谐波污染也将更加复杂，对电力系统的经济效益、安全运行构成严重威胁。准确识别出谐波类型，有助于抑制和治理谐波污染以及进一步控制电网的电能质量，对于维护电网安全稳定运行具有重要意义。目前，对谐波的分类识别研究已经形成较为成熟的思路。即采取特征提取和信号分类两步骤来实现。其中常见的特征提取方法包括小波变换、短时傅里叶变换、S变换等；常见的信号分类方法包括决策树、支持向量机等。但是，物理模型具有较强的局限性，对扰动变化的复杂性和影响因素多样化适应性不强，难以依据不确定性因素建模。已无法充分适应复杂扰动现象本文档来自技高网...

【技术保护点】
1.一种基于LSTM的谐波多标签分类方法，其特征在于，采用深度学习中的LSTM网络，通过分层训练机制，将不同的谐波数据的特征提取出来输入到全连接层；全连接层将LSTM层提取的高维特征进行降维处理输入到分类层；最后由分类层计算提取的特征值，将不同的谐波信号和多种谐波叠加的信号分类识别出来；该方法中的模型训练过程分为无监督预训练和模型微调两部分；最后得到通用的基于LSTM的谐波多标签分类模型；该方法步骤为：步骤1：将原始样本数据进行数据预处理；步骤2：将处理好的样本数据输入到LSTM模型中进行无监督预训练，调整模型的各项超参数得到合适的模型结构；步骤3：将样本数据输入到预训练后得到的模型进行模型的...

【技术特征摘要】
1.一种基于LSTM的谐波多标签分类方法，其特征在于，采用深度学习中的LSTM网络，通过分层训练机制，将不同的谐波数据的特征提取出来输入到全连接层；全连接层将LSTM层提取的高维特征进行降维处理输入到分类层；最后由分类层计算提取的特征值，将不同的谐波信号和多种谐波叠加的信号分类识别出来；该方法中的模型训练过程分为无监督预训练和模型微调两部分；最后得到通用的基于LSTM的谐波多标签分类模型；该方法步骤为：步骤1：将原始样本数据进行数据预处理；步骤2：将处理好的样本数据输入到LSTM模型中进行无监督预训练，调整模型的各项超参数得到合适的模型结构；步骤3：将样本数据输入到预训练后得到的模型进行模型的微调，并保存模型；步骤4：对需要分类的谐波数据进行与训练数据同样的预处理；步骤5：将处理过的数据输入到保存的模型，得到分类结果。2.根据权利要求1所述的一种基于LSTM的谐波多标签分类方法，其特征在于，所述的数据预处理的步骤为：步骤1：将样本数据的训练集和测试集按9：1划分；步骤2：对训练集的数据进行按照规定的步长进行矩阵向量重构，并将对...

【专利技术属性】
技术研发人员：齐林海，陈倩，王红，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11