一种基于PCA-CNN-LVQ的电压暂降源识别方法技术

本发明专利技术公开一种基于PCA

【技术实现步骤摘要】
一种基于PCA
‑
CNN
‑
LVQ的电压暂降源识别方法


[0001]本专利技术涉及电能质量领域，尤其涉及一种基于PCA
‑
CNN
‑
LVQ的电压暂降源识别方法。

技术介绍

[0002]随着信息技术、电力电子技术等各种高新技术的快速发展，对于电能要求更高的基于数字型处理器控制的机电设备投入使用，且大量非线性电力电子设备的投入运行使得电网电压以及电流畸变率不断上升，周波级的电压暂降/跌落、电压暂升和瞬时供电中断等新的动态电能质量问题逐步显露出来；电压暂降是指电源电压的有效值在短时间内突然下降到10％到90％的事件，其典型持续时间为0.5至30个周期。一些工业园区对电能质量要求较高，由于某些不可控性，会发生电压暂降造成一定的经济损失，正确识别电压暂降源是解决电压暂降问题的首要步骤。
[0003]现有的技术主要是基于物理特征的方法对电压暂降源进行特征提取和模式识别，现代智能电网的引入，电网数字化和海量的用电数据，使得现有的人工方法难以提取大量电压暂降特征，并且也难以在复杂时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PCA
‑
CNN
‑
LVQ的电压暂降源识别方法，其特征在于，所述识别方法包括以下步骤：步骤1，构建并训练PCA
‑
CNN
‑
LVQ模型：步骤101，采集电压暂降源的电压暂降数据作为样本；步骤102，采用主成分分析法PCA对电压暂降数据进行降维；步骤103，将降维后的电压暂降数据输入到卷积神经网络CNN中提取电压暂降数据特征；步骤104，将电压暂降数据特征输入到学习矢量量化神经网络LVQ中对LVQ进行分类训练；步骤2，通过训练好的PCA
‑
CNN
‑
LVQ模型对待识别的电压暂降数据进行分类，得到待识别电压暂降数据的电压暂降类型。2.根据权利要求1所述的基于PCA
‑
CNN
‑
LVQ的电压暂降源识别方法，其特征在于：所述电压暂降源的类型包括：单相接地故障、三相接地故障、变压器投切、大型感应电动机启动、变压器投切同时发生单相接地故障和大型感应电动机启动同时发生单相接地故障。3.根据权利要求1所述的基于PCA
‑
CNN
‑
LVQ的电压暂降源识别方法，其特征在于：步骤1中，采用10折交叉试验法对每个电压暂降源类型的样本进行交叉验证。4.根据权利要求1所述的基于PCA
‑
CNN
‑
LVQ的电压暂降源识别方法，其特征在于：步骤102包括：步骤1021，计算样本数据集X＝[x1,x2,x3...x
e
...x
m
]的对应每一维的样本数据的样本均值得到样本均值矩阵计算样本的协方差矩阵其中，x
e
为第e组采集的电压暂降数据，x
e
＝[x
e1
,x
e2
,
…
x
ei
,...x
en
]
T
，x
ei
为采集的第e组第i维的电压暂降数据，x
en
为采集的第e组第n维的电压暂降数据，总共采集维数为n维，n维表示n个电压信号采样点数据，总共采集组数为m组，得到总采样矩阵即样本数据集X，样本数据集X为n行，m列的矩阵；为第i维的m组电压暂降数据均值，为第n维的m组电压暂降数据均值；其中，为样本距离样本均值的偏差，为样本距离样本均值的偏差的转置；步骤1022，对协方差矩阵C进行特征分解，求取第j组的特征值λ
j
和对应的特征向量b
j
，对特征值从大到小进行排序，选择其中最大的k个，k的个数满足积累贡献率的阈值；根据特征值的大小顺序，构建由特征值对应的特征向量组成的特征向量矩阵P＝(b1,b2..b
k
)，特征向量b
j
中的每个元素为：其中，为按顺序排列的前k个特征值之和；步骤1023，计算降维后的电压暂降数据即前k维电压暂降数据矩阵Y，Y＝PX，其中，P为构造的特征向量矩阵，X为原始的总采样矩阵。5.根据权利要求1所述的基于PCA
‑
CNN
‑
LVQ的电压暂降源识别方法，其特征在于：步骤
103中的卷积神经网络CNN由一个输入层，两个卷积层C1、C2，两个池化层P1、P2，一个Flatten层和全连接层FC1构成；降维后的电压暂降数据输入到CNN的输入层中，从输入层到卷积层C1，卷积层C1应用多个卷积核对输入张量进行卷积处理，从卷积层C1输出的张量输入到池化层P1，池化层P...

【专利技术属性】
技术研发人员：陈堃，姜小涛，汪自虎，李晓东，宋扬，杨宇坤，张玮，李想，吴思若，朱宇超，赵锡正，石可，齐路，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：