一种基于深度学习的电能质量分析与识别方法技术

本发明专利技术公开了一种基于深度学习的电能质量分析与识别方法，包括采集待检测的电能信号，将待检测的电能信号随机分为训练样本集和测试样本集，将训练样本集输入到长短期记忆网络LSTM模型中进行训练，获得训练后的LSTM模型，将测试样本集输入到训练后的LSTM模型中测试电能质量扰动分类情况。本发明专利技术用长短时记忆网络作为电能信号分类的模型，通过Softmax函数和反向传播算法对该模型进行训练，使其快速达到收敛，避免了人为介入进行特征提取，直接实现电能质量信号分类，减小了误差，提高了识别精度，实用性较强。实用性较强。实用性较强。

【技术实现步骤摘要】
一种基于深度学习的电能质量分析与识别方法


[0001]本专利技术属于电力系统电能质量分析识别领域，涉及一种基于深度学习的电能质量分析与识别方法。

技术介绍

[0002]随着社会和经济的不断发展，现代电力系统的复杂度和多样性也在不断提高，在包括冲击性、波动性、非线性等负荷的影响下，电能质量问题愈来愈突出。例如，一些非线性设备使用过程中会向电力系统注入各种干扰信号，这些扰动信号容易引起设备过热、电机停转、保护失灵以及计量不准等严重后果，造成严重的经济损失和社会影响，对电网的正常运行产生诸多不利影响。
[0003]传统电能质量分析识别主要将电能质量的分类分成两个步骤解决：电能信号特征提取和根据提取的特征进行分类。
[0004]目前特征提取的方法有：傅里叶变换，短时傅里叶变换、小波变换，S变换等数字信号处理方法。近几年也涌现了一些新技术如希尔伯特黄变换和集合经验模态分解。傅里叶变换是最基础也是最常用的电能信号特征提取方法，但因为傅里叶变换是一种全局性的变换，因此不能确定电能扰动的具体位置。短时傅里叶变换是选择时域内的窗函数并通过移窗来分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电能质量分析与识别方法，其特征在于，包括采集待检测的电能信号，将待检测的电能信号随机分为训练样本集和测试样本集，将训练样本集输入到长短期记忆网络LSTM模型中进行训练，获得训练后的LSTM模型，将测试样本集输入到训练后的LSTM模型中测试电能质量扰动分类情况。2.根据权利要求1所述的一种基于深度学习的电能质量分析与识别方法，其特征在于，具体包括以下步骤：步骤1，采集多个时间段内的待检测电能信号，将采集的信号随机分为训练样本集和测试样本集，将训练样本集中信号按照时间先后顺序拼接为一个大信号，即训练集信号，将测试样本集中信号按照时间先后顺序拼接为一个大信号，即测试集信号；步骤2，构建长短期记忆神经网络LSTM模型，所述LSTM模型包括输入层、隐藏层和输出层；步骤3，训练LSTM模型，从训练集信号中选取采样点输入到LSTM模型中训练，修正LSTM模型内矩阵的权值，利用样本输出值和目标值之差更新LSTM模型中参数，在训练次数达到预设值时，获得训练后的LSTM模型；步骤4，将测试集信号输入训练后的LSTM模型中进行测试，LSTM模型输出电能质量扰动分类结果。3.根据权利要求2所述的一种基于深度学习的电能质量分析与识别方法，其特征在于，所述步骤3包括以下步骤：步骤3.1，将构建的LSTM模型中隐藏层和状态层初始化为随机数；步骤3.2，从训练集信号中选取一个采样点(X,Y
label
)输入到LSTM模型的输入层，经过隐藏层计算后，输出到输出层，得到Y
out
；；步骤3.3，使用Softmax函数处理输出层结果，输出处理多神经元输出，在得到多个神经元的输出后，softmax分类器将输出映射到(0,1)区间内，为每个输出分类的结果都赋予一个概率值，在最后选取输出结点的时候，选取概率最大结点，作为预测目标；步骤3.4，将Y
label
和Y
out
进行比较，得到误差项，将所述误差项输入到反向传播算法中进行反向传播训练，优化LSTM模型，在每一个时阶都进行一次输出，计算样本输出值与目标值的误差E
d
，利用该误差更新神经网络的权重，获得训练后的LSTM模型。4.根据权利要求3所述的一种基于深度学习的电能质量分析与识别方法，其特征在于，所述步骤3.4中，在反向传播算法中，模型分为输入层、隐藏层、输出层，输出层节点j的误差项为：δ
j
＝y

【专利技术属性】
技术研发人员：王倩，梁雪，朱龙辉，李宁，李贺，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：