基于LSTM的电压暂降扰动分类方法技术

本发明专利技术属于电能质量分类识别技术领域，公开了一种基于深度学习长短期记忆网络(Long Short‑Term Memory,LSTM)算法的电压暂降扰动分类方法。本方法首先通过数据处理层对电压暂降扰动数据进行处理，然后通过两层LSTM网络提取特征值，再通过全连接层进行特征降维处理，最后采用sigmoid网络层进行分类识别。本发明专利技术通过深度学习算法提取电能质量暂降扰动相关特征，克服了复杂电网环境下，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局限性。使用该模型可以很好地克服传统方法提取步骤繁琐复杂和可能丢失部分信号的原始特征等缺点，并改善了传统的循环神经网络(Recurrent Neural Network,RNN)容易发生梯度爆炸等缺陷，具有较高的电压暂降扰动识别准确率。

【技术实现步骤摘要】
基于LSTM的电压暂降扰动分类方法
本专利技术涉及一种基于LSTM的电压暂降扰动分类方法，属于电能质量分类识别

技术介绍
电网规模不断扩大，网架结构和负荷类型日趋复杂；具有显著随机性、间歇性和波动性的分布式新能源直接或以微网形式接入配电网；为主动消纳分布式电源而引入的大量非线性电力电子设备应用以及电源和补偿电容器投切等电源与装置、装置与装置之间多种因素相互作用，使得现代电能质量概念成为覆盖诸多主题的复杂领域。在复杂电网环境下，造成电压暂降扰动的因素增多；扰动之间的关联性增大；扰动在源-网-荷之间传播与叠加，使异地扰动之间也产生关联。这种纵横交错的关系将时空中多个扰动事件关联到一起，形成复杂暂态电压扰动，致使扰动事件不确定因素增加、分析难度加大。电压暂降难以避免且危害巨大，电力系统中70％以上的电能质量问题由电压暂降引起。随着智能电网中电力电子设备的多样化应用和工业生产中敏感用电设备的广泛使用，电压暂降带来的影响逐渐受到电工领域的关注。实现电压暂降的准确识别有助于扰动治理方案的及时制定和事故双方责任的明确界定，能够有效降低经济损失并解决相关纠纷。目前，对电压暂降扰动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高维、时变、非线性、多物理参量影响所带来的综合挑战，需要根据扰动成因的变化，不断地新建或改进模型。因此，基于物理特性的分析识别建模方法，面对复杂扰动现象的模式识别建模在适应性、算法效率和准确性方面面临挑战。深度学习是数据驱动的技术，它的核心是利用大量的数据训练模型，通过学习发现规律，完全避免了基于物理特性建模的局限性。深度学习是典型的数据特征提取技术，分为前馈神经网络(代表性网络模型有深度置信网络DBN，卷积神经网络CNN等)和反馈神经网络(代表性网络模型有循环神经网络RNN)。它和传统的人工神经网络的不同在于分层训练机制，采用无监督逐层训练、多层堆叠，有监督整体微调的结构设计和优化激活函数方法，构建多隐含层的多层感知器，实现逐层数据特征提取，通过组合底层特征形成更加抽象的高层特征，最终揭示数据对象的特征分布。本文提出了基于LSTM的电压暂降扰动识别模型，该模型首先通过两层LSTM网络得到暂降信号的固有的抽象特征，再通过全连接层进行特征降维处理，最后将其输入到分类器中进行分类识别。使用该模型可以有效的识别电网中产生的电压暂降原因。还克服了传统电压暂降分类识别中人工特征提取，易于丢失信号的部分固有特征的缺陷。此外，该模型还能够适应电网设备的复杂化和用电模式的区域化，只需在实际工程环境下用带标注的历史电压暂降数据对网络进行迭代训练，并在现有模型的基础上通过更多数据对网络进行有监督增量训练，生成的模型便能实现对电压暂降源的高精度识别，同时具有良好的抗噪性能和泛化能力。能够更有效地应用于实际工程。
技术实现思路
本专利技术的目的在于，针对暂降信号人工特征提取步骤复杂繁琐，易丢失部分信号特征，信号分类识别准确率不高等问题，提供一种新型的基于LSTM的电压暂降扰动分类方法。本专利技术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暂降波形数据进行特征提取、并通过全连接层将其提取的特征值进行降维处理，最后通过分类输出层对降维处理过的特征值进行分类。这种通过深度学习的方式来获取数据的相关特征，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、算法效率和准确性等方面面临的缺陷。本专利技术的方法同时具有良好的抗噪性能和泛化能力。一种基于LSTM的电压暂降扰动分类方法，该方法在数据处理层对暂降原始波形数据进行贴标签和按数据的矩阵重构、归一化等操作，然后是模型的训练过程，该过程可分为无监督预训练和模型微调两部分。该方法步骤为：步骤1：数据处理层对数据进行归一化处理；步骤2：由两层LSTM网络对步骤1中处理好的数据，进行特征提取操作；步骤3：由全连接层对步骤2中提取的特征值进行降维处理；步骤4：由sigmoid分类层对步骤3中的特征进行分类识别。所述的数据预处理，将获取的电压暂降原始波形数据做归一化处理，所用归一化方法为min-max标准化(Min-maxnormalization)/0-1标准化(0-1normalization)也叫离差标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数如下：其中max为样本数据的最大值，min为样本数据的最小值。所述的两层LSTM网络的特征提取步骤为：步骤1：第一层LSTM对数据处理层输入的每条样本，提取出200个抽象特征值；步骤2：然后由第二层LSTM对这200个特征值进一步处理，得到更加精准的抽象特征。这样的两层结构适用于数据复杂度高、采样点多、时序长的电压暂降扰动数据，有助于提高电压暂降扰动识别的准确率。所述的全连接层对两层LSTM网络提取的200个特征值进行降维处理，降低分类层输入的数据复杂度，提高分类准确率。所述的sigmoid分类层通过对全连接层传递来的特征进行学习，计算出待分类数据属于各类别的概率，并输出结果，最终给出待分类样本的预测类别。与现有技术相比，本专利技术方法具有以下的优点：(1)本专利技术采用的是深度学习技术，可以有效避免传统特征提取方法的局限性；(2)在电网中，电压暂降数据复杂度高，其扰动波形开始时和结束时波动较大。若电压暂降扰动采用10个周波的采样数据，其一个样本的采样点可达1280/2560个，时序较长。对于传统的RNN网络，其内部神经元仅一层结构，在提取时序长度较长的数据特征时，会因为梯度消失，导致RNN的长时记忆失效。所以RNN在提取电压暂降扰动波性特征时，可能学习到电压暂降扰动结束时的特征，就已经忘记了电压暂降扰动开始时的特征。而本专利技术采用的LSTM网络的内部神经元的四层结构可以有效改善这一现象；(3)本专利技术设计的两层结构的LSTM网络适用于数据复杂度高、采样点多、时序长的电压暂降扰动数据，有助于提高电压暂降扰动类型的识别准确率。附图说明图1是基于LSTM的电压暂降扰动分类模型图。图2是本专利技术的模型训练构建图。具体实施方式下面结合附图1、附图2和实施例对基于LSTM的电压暂降扰动分类方法作详细介绍，但本专利技术的实施不局限于此。实施例：如图1所示，本实施例的基于LSTM的电压暂降扰动分类方法，搭建一个含有数据处理层、2层LSTM层、全连接层、分类层的四层深度学习网络模型，其中数据处理层也是整个模型的输入层，分类层也是结果输出层。如图2所示，本实施例模型的训练过程包括无监督预训练和模型微调两个步骤，其中无监督预训练过程用来确定整个模型每层的神经元个数和学习率等超参数，模型微调则是在预训练的基础上对模型进行权重等参数的微调，通过这两步最终获得本专利技术的基于LSTM的电压暂降扰动分类模型。整个模型的建立步骤如下：(1)准备暂降数据：a)通过在Matlab/Simulink平台中建立三个独立的仿真系统模型分别模拟三种电压暂降类型对应的信号。其中本文档来自技高网...

【技术保护点】
1.一种基于LSTM深度学习模型的电压暂降扰动原因分类方法。其特征在于，该方法的具体步骤为：步骤1：数据处理层对数据进行归一化处理；步骤2：由两层LSTM网络对步骤1中处理好的数据，进行特征提取操作；步骤3：由全连接层对步骤2中提取的特征值进行降维处理；步骤4：由sigmoid分类层对步骤3中的特征进行分类识别。

【技术特征摘要】
1.一种基于LSTM深度学习模型的电压暂降扰动原因分类方法。其特征在于，该方法的具体步骤为：步骤1：数据处理层对数据进行归一化处理；步骤2：由两层LSTM网络对步骤1中处理好的数据，进行特征提取操作；步骤3：由全连接层对步骤2中提取的特征值进行降维处理；步骤4：由sigmoid分类层对步骤3中的特征进行分类识别。2.根据权利要求1所述的一种基于LSTM的电压暂降扰动分类方法，其特征在于，所述的数据预处理，将获取的电压暂降原始波形数据做归一化处理，所用归一化方法为min-max标准化(Min-maxnormalization)/0-1标准化(0-1normalization)也叫离差标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数如下：其中max为样本数据的最大值，min为样本数据的最小值。3.根据权利要求1所述的一种基于...

【专利技术属性】
技术研发人员：齐林海，陈倩，潘爱强，王红，周健，
申请(专利权)人：华北电力大学，国网上海市电力公司，
类型：发明
国别省市：北京,11