基于粒子群算法和卷积神经网络的电能质量扰动分类方法技术

本发明专利技术公开了基于粒子群算法和卷积神经网络的电能质量扰动分类方法，具体包括以下步骤：S1：转换电能质量扰动信号；S2：建立基于卷积神经网络的电能质量扰动分类模型；S3：利用粒子群算法对电能质量扰动分类模型的参数进行优化；S4：验证基于粒子群算法

【技术实现步骤摘要】
基于粒子群算法和卷积神经网络的电能质量扰动分类方法


[0001]本专利技术属于电能质量信号
，具体为基于粒子群算法和卷积神经网络的电能质量扰动分类方法。

技术介绍

[0002]随着多能源一体化系统的发展，越来越多的可再生能源系统和联合优化能源系统接入电网，与传统电力系统相比，在能源生产、转换和消费的不同阶段，扰动产生的风险越来越高，这样会对电力系统安全稳定运行造成严重影响；对电能质量扰动精准分类是治理电能质量问题的基础，能够减小电能质量扰动造成的损失。
[0003]目前对电能质量扰动分类问题的研究大部分采用不同特征提取方法与分类器结合的手段来解决电能质量扰动分类问题；其中特征提取方法有傅里叶变换、希尔波特
‑
黄变换、小波变换和S变换等，所用的分类方法有决策树、支持向量机和人工神经网络等；将特征提取与分类器结合的电能质量扰动分类方法对扰动信号的分类有着较好的表现，但也存在着一些缺陷；在特征提取阶段，傅里叶变换无法提取暂态特征，在噪声环境下小波变换的效果会变差，希尔伯特
‑
黄变换存在端点效应和模态混叠现象，而S变换虽然对特征提取的效果很好，但计算复杂，对于实时运用有不利影响；这些会造成提取的特征冗余或者不足的情况。

技术实现思路

[0004]本专利技术的目的在于提供了基于粒子群算法和卷积神经网络的电能质量扰动分类方法。
[0005]实现本专利技术目的的技术解决方案为：基于粒子群算法和卷积神经网络的电能质量扰动分类方法，具体包括以下步骤：
[0006]S1：转换电能质量扰动信号；
[0007]S2：建立基于卷积神经网络的电能质量扰动分类模型；
[0008]S3：利用粒子群算法对电能质量扰动分类模型的参数进行优化；
[0009]S4：验证基于粒子群算法
‑
卷积神经网络的电能质量扰动分类模型；
[0010]S5：对待分析的电能质量扰动实测数据进行分类。
[0011]进一步地，所述步骤S1中转换电能质量扰动信号是利用reshape函数将各电能质量扰动信号的一维时间序列转成行列相等的二维矩阵，利用one
‑
hot编码来表示电能质量扰动类别，并对这些二维矩阵进行适当划分，形成训练数据集和测试数据集。
[0012]进一步地，所述步骤S2的建立基于卷积神经网络的电能质量扰动分类模型，具体步骤如下：
[0013]①
电能质量扰动信号的特征提取；
[0014]②
电能质量扰动信号的特征数据降维；
[0015]③
电能质量扰动信号的特征拟合；
[0016]④
电能质量扰动信号分类。
[0017]进一步地，所述电能质量扰动信号的特征提取：
[0018]卷积层通过在二维电能质量扰动信号上滑动卷积核，并与其覆盖的二维电能质量扰动信号进行卷积操作提取特征；用公式(1)来计算：
[0019][0020]式中，t表示层数；k表示神经元个数；表示第t层输出的第l个神经元；表示第t
‑
1层输出的第j个神经元，表示第t层第j个神经元与第l个神经元的权重；表示第t层第l个神经元的偏置。
[0021]进一步地，所述电能质量扰动信号的特征数据降维：
[0022]池化层是在卷积层之后添加的，能够减少特征的空间大小，减少计算量，防止过拟合；通常池化层分为平均池化和最大池化，由于电能质量扰动信号易受噪声干扰，所以选取最大池化层，用公式(2)来计算：
[0023][0024]进一步地，所述电能质量扰动信号的特征拟合：
[0025]全连接层被放置在卷积神经网络的末端，对卷积层和池化层提取的特征进行拟合操作，并输入到分类器中进行分类，完成输入信号到标签集的映射关系，用公式(3)来计算：
[0026][0027]式中，表示第t层的可学习参数。
[0028]进一步地，所述电能质量扰动信号分类：
[0029]Softmax分类层输出的是电能质量扰动信号对应类别的样本概率，记作p
m
，用公式(4)来计算：
[0030][0031]式中，m＝1,2,
…
,N，N表示扰动类别总数；p
m
表示电能质量扰动类别为m的概率；b
m
表示输出层待激活的神经元；
[0032]卷积神经网络在分类过程中有前向传播和反向传播两种操作，前向传播主要用于输出预测值，通过损失函数得出预测值与标签值之间的差异，而反向传播主要是用梯度下降法更新权重来减小损失函数，损失函数公式为：
[0033][0034]式中，Q
j
表示期望标签值。
[0035]进一步地，所述步骤S3的利用粒子群算法对电能质量扰动分类模型的参数进行优化：
[0036]PSO(粒子群算法)算法对电能质量扰动分类模型中的学习率进行优化，将电能质
量扰动分类模型的损失函数作为PSO(粒子群算法)的适应度评价函数，使用训练数据集对优化后的电能质量扰动分类模型进行训练；PSO(粒子群算法)算法需要设定一个包含m个粒子的群体，并根据法则不断更新粒子的速度和位置，最终找到最优解；对m个粒子的速度和位置进行初始化：
[0037]Y
i
(0)＝Y
max
‑
α(Y
max
‑
Y
min
)(15)
[0038]x
i
(0)＝0.1S+R(16)
[0039]式中，Y
i
(0)表示粒子i的初速度；Y
max
和Y
min
表示速度的上限和下限；x
i
(0)表示粒子i的初始位置；α表示范围(0,1)内的随机数；S表示范围(
‑
1,1)的随机向量，其维数与x
i
(0)相同；R表示待优化参数之前由人为经验组成的向量；而位置与速度更新公式为：
[0040]Y
i
(t+1)＝wY
i
(t)+h1R1(P
i
‑
x
i
(t))+h2R2(P
l
‑
x
i
(t))(17)
[0041]x
i
(t+1)＝x
i
(t)+Y
i
(t+1)(18)
[0042]式中，h1和h2表示加速因子，为常数；w表示惯性因子；R1和R2表示范围(0,1)的随机数；x
i
(t)表示粒子i在t次迭代中的位置；Y
i
(t)表示粒子i在t次迭代中的速度。
[0043]进一步地，所述步骤S4的验证基于粒子群算法
‑
卷积神经网络的电能质量扰动分类模型：
[0044]测试数据集对经过训练的电能质量扰动分类模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于粒子群算法和卷积神经网络的电能质量扰动分类方法，其特征在于，具体包括以下步骤：S1：转换电能质量扰动信号；S2：建立基于卷积神经网络的电能质量扰动分类模型；S3：利用粒子群算法对电能质量扰动分类模型的参数进行优化；S4：验证基于粒子群算法
‑
卷积神经网络的电能质量扰动分类模型；S5：对待分析的电能质量扰动实测数据进行分类。2.根据权利要求1所述的基于粒子群算法和卷积神经网络的电能质量扰动分类方法，其特征在于，所述步骤S1中转换电能质量扰动信号是利用reshape函数将各电能质量扰动信号的一维时间序列转成行列相等的二维矩阵，利用one
‑
hot编码来表示电能质量扰动类别，并对这些二维矩阵进行适当划分，形成训练数据集和测试数据集。3.根据权利要求2所述的基于粒子群算法和卷积神经网络的电能质量扰动分类方法，其特征在于，所述步骤S2的建立基于卷积神经网络的电能质量扰动分类模型，具体步骤如下：
①
电能质量扰动信号的特征提取；
②
电能质量扰动信号的特征数据降维；
③
电能质量扰动信号的特征拟合；
④
电能质量扰动信号分类。4.根据权利要求3述的基于粒子群算法和卷积神经网络的电能质量扰动分类方法，其特征在于，所述电能质量扰动信号的特征提取：卷积层通过在二维电能质量扰动信号上滑动卷积核，并与其覆盖的二维电能质量扰动信号进行卷积操作提取特征；用公式(1)来计算：式中，t表示层数；k表示神经元个数；表示第t层输出的第l个神经元；表示第t
‑
1层输出的第j个神经元，表示第t层第j个神经元与第l个神经元的权重；表示第t层第l个神经元的偏置。5.根据权利要求4所述的基于粒子群算法和卷积神经网络的电能质量扰动分类方法，其特征在于，所述电能质量扰动信号的特征数据降维：池化层是在卷积层之后添加的，能够减少特征的空间大小，减少计算量，防止过拟合；通常池化层分为平均池化和最大池化，由于电能质量扰动信号易受噪声干扰，所以选取最大池化层，用公式(2)来计算：6.根据权利要求5所述的基于粒子群算法和卷积神经网络的电能质量扰动分类方法，其特征在于，所述电能质量扰动信号的特征拟合：全连接层被放置在卷积神经网络的末端，对卷积层和池化层提取的特征进行拟合操
作，并输入到分类器中进行分类，完成输入信号到标签集的映射关系，用公式(3)来计算：式中，表示第t层的可学习参数。7.根据权利要求6所述的基于粒子群算法和卷积神经网络的电能质量扰动分类方法，其特征在于，所述电能质量扰动信号分类：Softmax分类层输出的是电能质量扰动信号对应类别的样本概率，记作p
m
，用公式(4)来计算：式中，m＝1,2,
…
,N，N表示扰动类别总数；p
m
表示电能质量扰动类别为m的概率；b
m
表示输出层待激活的神经元；卷积神经网络在分类过程中有前向传播和反向传播两种操作，前向传播主要用于输出预测值，通过损失函数得出预测值与标签值之间的差异，而反...

【专利技术属性】
技术研发人员：董光德，何永胜，陈咏涛，廖玉祥，马兴，杨爽，付昂，张友强，朱小军，肖白，刘伟，王瑞妙，赵小娟，周敬森，朱晟毅，方辉，
申请(专利权)人：国网重庆市电力公司国家电网有限公司，
类型：发明
国别省市：