基于深度学习的周期性信号数据特征序列提取方法和系统技术方案

本发明专利技术提供了一种基于深度学习的周期性信号数据特征序列提取方法和系统，包括：按预设的时间窗将周期性信号数据划分为多段；对所述多段信号数据进行转换并组合得到二维数据信号图；将所述二维数据信号图带入预先建立的卷积神经网络模型，从所述二维数据信号图中定位多个特征区域；根据所述多个特征区域确定所述信号数据的特征序列；其中，所述卷积神经网络模型基于带有特征标记的二维数据信号图训练得到；本发明专利技术提供了一种周期性信号识别方法，提高了信号处理的准确率和效率。提高了信号处理的准确率和效率。提高了信号处理的准确率和效率。

【技术实现步骤摘要】
基于深度学习的周期性信号数据特征序列提取方法和系统


[0001]本专利技术属于负荷预测领域，尤其是涉及一种基于深度学习的周期性信号数据特征序列提 取方法和系统。

技术介绍

[0002]信号的分析与处理过程就是对测试信号进行去伪存真、排除干扰从而获得所需的有用信 息的过程。一般来说，通常把研究信号的构成和特征值的过程称为信号分析，把对信号进行 必要的变换以获得所需信息的过程称为信号处理，信号的分析与处理过程是相互关联的。现 有的信号分析手段可以处理多类型的非线性复杂信号，例如经验模态分解(EMD)方法是一 种自适应的时频信号分析法，可以广泛地用于非线性非平稳过程的分析，通过将信号分解为 若干的本征函数(IMFS)，再通过对本征函数进行分析实现对信号数据特征的提取。但是， 该类方法存在着较大的局限性，需要基于专家经验，通常会因为噪声因素造成信号的模态混 叠，信号特征提取过程准确率和效率不高。
[0003]近年来，机器学习(ML,Machine Learning)理论取得了快速发展，通过借助计算机作为工 具致力于真实实时的模拟人类学习方式，并本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的周期性信号数据特征序列提取方法，其特征在于，包括：S1:按预设的时间窗将周期性信号数据划分为多段；S2:对所述多段信号数据进行转换并组合得到二维数据信号图；S3:将所述二维数据信号图带入预先建立的卷积神经网络模型，从所述二维数据信号图中定位多个特征区域；S4:根据所述多个特征区域确定所述信号数据的特征序列；其中，所述卷积神经网络模型基于带有特征标记的二维数据信号图训练得到。2.根据权利要求1所述的方法，其特征在于，所述根据所述多个特征区域确定所述信号数据的特征序列，包括：根据所述多个特征区域进行二值化操作；根据所述二值化操作对所述多个特征区域进行追溯，获得所述信号数据的多个特征序列。3.根据权利要求1所述的方法，其特征在于，所述对所述多段信号数据进行转换并组合得到二维数据信号图，包括：对所述多段信号数据利用短时傅里叶变换或小波变换进行转换，并组合排入预设大小的矩阵中，得到所述信号数据对应的二维数据信号图。4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的建立，包括：将带有特征标记的二维数据信号图作为初始卷积神经网络模型的输入，以所述带有特征标记的二维数据信号图中的特征区域作为初始卷积神经网络模型的输出，训练并获取卷积神经网络模型。5.根据权利要求4所述的方法，其特征在于，带有特征标记的二维数据信号图的获取，包括：获取历史周期性信号数据并对所述历史周期性信号数据按照特征进行标记处理；将所述历史周期性信号数据转化并组合成带有特征标记的二维数据信号图。6.根据权利要求1所述的方法，其特征在于，从所述二维数据信号图中定位多个特征区域，包括：从所述二维数据信号图中利用Grad
‑

【专利技术属性】
技术研发人员：林晶怡，张思瑞，覃剑，李文，杨斌，张静，李昊，李斌，刘畅，邵雪松，屈博，成岭，蒋利民，郭炳庆，黄奇峰，王忠东，
申请(专利权)人：国网江苏省电力有限公司营销服务中心国网江苏省电力有限公司，
类型：发明
国别省市：