In order to propose an end-to-end intelligent classification framework, it can directly classify the collected data without any time-consuming data preprocessing operation, and it also has good classification performance in noise data in response to the error of compressed perception recovery. In the invention, the classification method of power quality disturbance of compressed perception and deep convolution neural network is established as follows: 1) the steps are as follows: Power quality disturbance signal model; 2) for the collected compressed data, a classifier based on deep learning is designed to solve the problem of noise interference in the compressed data; 3) a model suitable for power quality disturbance classification is trained; in view of the imbalance of the actual disturbance data and the shortage of the actual collected data, the method of data enhancement is used to process the measured data. The invention is mainly applied to the occasions of power quality disturbance classification.
【技术实现步骤摘要】
压缩感知和深度卷积神经网络电能质量扰动分类方法
本专利技术涉及电能质量扰动分类技术,具体涉及压缩感知和深度卷积神经网络电能质量扰动分类方法。
技术介绍
随着电力电子器件的大量使用,分布式电源并网、非线性负载增多,无功功率设备和固态开关的增殖导致电网频繁遭受各种干扰,导致了各种电能质量扰动的出现。智能电表和各种智能采集装置的应用使得采集到的电能质量数据越来越多,海量电力信息的产生给当前电网的数据传输和存储造成了较大负担。为减少数据量对通信的压力和采集端存储的问题,电物理量轻型化的应用是智能电网的发展趋势。压缩感知技术的提出,对智能电网的发展具有重要的影响,压缩采样技术在智能电网的应用研究也日渐增加。目前,常用于电能质量扰动分类中的分类器主要有:概率神经网络算法、决策树、支持向量机和人工神经网络等。这些传统的人工智能方法在实际应用中都取得了一定的成果,但它们自主提取特征和处理大量数据等方面的能力仍然较差,需要有特征提取过程,影响分类速度。近年来,机器学习算法的发展,硬件计算能力的提升,更多的智能算法被应用于电能质量扰动分类的领域。深度学习应用于电能质量扰动分类,提高分类性能。
技术实现思路
为克服现有技术的不足,减轻大数据对电网采集装置的影响,减少数据量对通信的压力和采集端存储的问题,本专利技术旨在针对采集到压缩数据,提出端到端的智能分类框架,可以针对采集的数据直接进行分类,不需要任何耗时的数据预处理操作,并设计噪声适应模块,可以应对压缩感知恢复的误差,在噪声数据中也具有良好的分类性能。为此,本专利技 ...
【技术保护点】
1.一种压缩感知和深度卷积神经网络电能质量扰动分类方法,其特征是,步骤如下:/n1)建立电能质量扰动信号模型,对电能质量扰动进行分析,通过分析电能质量扰动压缩重构成功率与压缩比的关系,确定观测矩阵的维数M值,确定电能质量扰动的压缩感知采样方法,对电能质量扰动进行采样,采集电能质量扰动的压缩数据;/n2)针对采集的压缩数据,设计一种基于深度学习的分类器,该分类器的结构设计解决压缩数据中噪声干扰的问题;/n3)根据步骤3设计的分类器和步骤1采集的数据,训练一个适用于电能质量扰动分类的模型;/n针对实际扰动数据不平衡和实际采集的数据量不足问题,采用数据增强的方法对实测数据进行处理。/n
【技术特征摘要】
1.一种压缩感知和深度卷积神经网络电能质量扰动分类方法,其特征是,步骤如下:
1)建立电能质量扰动信号模型,对电能质量扰动进行分析,通过分析电能质量扰动压缩重构成功率与压缩比的关系,确定观测矩阵的维数M值,确定电能质量扰动的压缩感知采样方法,对电能质量扰动进行采样,采集电能质量扰动的压缩数据;
2)针对采集的压缩数据,设计一种基于深度学习的分类器,该分类器的结构设计解决压缩数据中噪声干扰的问题;
3)根据步骤3设计的分类器和步骤1采集的数据,训练一个适用于电能质量扰动分类的模型;
针对实际扰动数据不平衡和实际采集的数据量不足问题,采用数据增强的方法对实测数据进行处理。
2.如权利要求1所述的压缩感知和深度卷积神经网络电能质量扰动分类方法,其特征是,所述步骤1)中,根据IEEE1159标准搭建各种电能质量扰动模型,并通过压缩感知技术,对电能质量扰动信号进行分析,采用逆离散余弦变换IDCT(InverseDiscreteCosineTransform)作为稀疏基,
离散余弦变换DCT(DiscreteCosineTransform)的变换矩阵表示如下式所示:
其中i∈{0,…,N-1}和j∈{0,…,N-1}表示矩阵的行号和列号,C的定义式:
由于DCT矩阵是正交的,因此通过执行矩阵转置操作来获得其逆矩阵:
IDCT=DCT-1
采用IDCT作为稀疏基,采用随机观测矩阵作为观测矩阵。
3.如权利要求1所述的压缩感知和深度卷积神经网络电能质量扰动分类方法,其特征是,所述步骤2)中,为了能对压缩数据进行直接分类电能质量扰动,根据压缩数据的特点采用深度学习网络结构:
(1)采用一维卷积
1-...
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。