当前位置: 首页 > 专利查询>天津大学专利>正文

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

技术编号:22565688 阅读:50 留言:0更新日期:2019-11-16 12:16
本发明专利技术属,为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,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,本发明专利技术,压缩感知和深度卷积神经网络电能质量扰动分类方法,步骤如下:1)建立电能质量扰动信号模型;2)针对采集的压缩数据,设计一种基于深度学习的分类器解决压缩数据中噪声干扰的问题;3)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。本发明专利技术主要应用于电能质量扰动分类场合。

Power quality disturbance classification method based on compressed sensing and deep convolution neural network

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,本专利技术采取的技术方案是,压缩感知和深度卷积神经网络电能质量扰动分类方法,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2)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。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。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-D卷积层:卷积层是深度学习自学特征提取的关键步骤,通过构建过滤器来感知小的感知域的重要特征,第l层中的滤波器数量是fl,Xi是输入1-D矩阵(n×1),滤波器内核表示为K(k×1),第fl滤波器的卷积层输出表示如下:其中m=nk+1,f(x)是激活函数。它实现了从输入到输出的神经元的激活,是第l层的第fl个滤波器输出卷积层,是l中的fl过滤器内核参数,BL是第l层的偏差项。(2)电能质量压缩数据的采集和传输过程会产生噪声的干扰,为了抑制噪声干扰对分类准确率的影响,网络首层采用宽内核设计,卷积核为64*1,来滤除噪声。因为宽内核提取不到局部特征,在后续的网络中卷积采用3*1的内核设计;(3)网络为3层卷积层,1层全连接层和softmax层。在所述步骤3)中:(1)批量归一化:通过增设批量归一化BN(Batchnormalization)层来对每一层进行归一化处理,且在卷积层或完全连接层之后并且在激活单元之前添加BN层,BN层的转换描述如下:其中,zl(i,j)是一个神经元响应的输出,ε是一个为数值稳定性增加的小常数,γl(i)和βl(i)是要学习的比例和移位参数,y代表一个输出;(2)高级优化器:在训练过程中,每个层的权重由称为“优化器”的函数更新,通过分析不同优化器对网络的影响来确定网络采用的优化器;3)小型小批量训练:使用较小批量计算梯度的近似值然后更新参数数据增强操作采用的是随机裁剪,适度增加随机噪声,对信号进行反转操作,同时对所有操作的信号进行随机抽取验证,确保数据增强后的数据属于扰动类别数据。本专利技术的特点及有益效果是:本专利技术采用压缩感知技术进行电能质量扰动数据采集,针对采集到压缩数据设计了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,该模型设计了噪声适应模块,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。同时该模型应用了很多易于实现的技巧,使得训练的模型具有更好的泛化能力和分类效果。附图说明:图1电能质量仿真信号(a)电压暂降信号压缩重建(b)IDCT稀疏表示(c)压缩重建误差。图2八种扰动重构准确率和M值关系。图3三种扰动重构准确率和M值关系。图4本王方法与传统方法框架的比较。图5提出1D-DCNN结构。图6传统卷积神经网络结构。图7电能质量分类结果和损失。图8不同学习率对分类结果的影响。图9不同优化器对分类效果的影响。图10电能质量实测信号(a)电压暂降信号压缩重建(b)IDCT稀疏表示(c)压缩重建误差。图11数据增强操作图。具体实施方式为了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,采用压缩感知技术进行电能质量扰动数据采集,针对采集到压缩数据设计了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,该模型设计了噪声适应模块,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。同时该模型应用了很多易于实现的技巧,使得训练的模型具有更好的泛化能力和分类效果。1.本专利技术提供一种基于压缩感知和深度卷积神经网络的电能质量扰动分类方法,所述方案包括以下步骤: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2)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本文档来自技高网...

【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-...

【专利技术属性】
技术研发人员:王继东徐志林
申请(专利权)人:天津大学
类型:发明
国别省市:天津;12

网友询问留言 已有0条评论
  • 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。

1