基于改进PSO优化的SDAE-BP暂降类型识别方法、装置和系统制造方法及图纸

本发明专利技术公开基于改进PSO优化的SDAE

【技术实现步骤摘要】
基于改进PSO优化的SDAE
‑
BP暂降类型识别方法、装置和系统


[0001]本专利技术涉及电能质量分析领域，具体涉及一种基于改进PSO优化的SDAE
‑
BP暂降类型识别方法、装置和系统。

技术介绍

[0002]不同短路故障引起的暂降类型不同，对用户造成的影响也不相同，准确地识别暂降类型可针对实际的电压暂降情况进行分析、补偿和抑制，对于电压暂降的治理具有重要的意义，同时还可作为电力供应部门和用户之间协调纠纷的依据。
[0003]目前对电压暂降源的识别主要基于“特征提取+类型识别”的模式。随着越来越多的电力电子设备接入电网，实际的波形并不理想，所提取的特征也受到影响，进而影响了暂降源的识别。深度学习能从复杂数据中提取出数据的有效特征，从而获得较高的暂降分类准确率，但网络隐含层层数以及网络相关参数的设置都会对分类结果产生很大的影响。目前，深层网络大多是凭借前人经验或者多次实验的方式来确定相关参数，在一定程度上降低了暂降分类的准确率与效率。

技术实现思路

[0004]专利技术目的：本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进PSO优化的SDAE
‑
BP暂降类型识别方法，其特征在于，包括以下步骤：(1)原始采样数据预处理，计算三相电压有效值和相位；(2)提取发生短路故障时间段的数据，统一数据时长，对幅值和相位数据进行重采样以降低数据维度；(3)按照ABC相电压、相位的顺序组成并集数列并进行数据归一化处理；(4)将预处理后的电压暂降数据随机分配训练集和测试集，作为SDAE
‑
BP网络的输入数据；(5)初始化粒子群，并设定目标阈值、迭代次数参数，利用改进PSO算法完成暂降特征提取与分类训练SDAE
‑
BP网络参数的自适应选取；(6)当暂降分类错误率达到预期目标或达到最大迭代次数时，终止训练，并输出优化后的网络参数，从而确定SDAE
‑
BP网络模型参数；(7)把测试集作为SDAE
‑
BP网络的输入，得到暂降类型的分类结果，测试验证模型分类正确率。2.根据权利要求1所述基于改进PSO优化的SDAE
‑
BP暂降类型识别方法，其特征在于：步骤(4)中，所述训练集、测试集包括对应中性点有效接地系统发生三相短路、单相接地故障、两相相间短路、两相接地故障时及其经过变压器传播后得到的暂降类型的数据样本和对应的暂降类型标签。3.根据权利要求1所述基于改进PSO优化的SDAE
‑
BP暂降类型识别方法，其特征在于：步骤(5)中，所述SDAE
‑
BP网络参数包括SDAE第一层隐藏层个数、SDAE第二层隐藏层个数、SDAE训练模型迭代次数、BP神经网络隐含层个数、BP神经网络迭代次数、SDAE输入数据置0比例、BP神经网络学习率、BP神经网络动量参数。4.根据权利要求1所述基于改进PSO优化的SDAE
‑
BP暂降类型识别方法，其特征在于，步骤(5)中，利用改进PSO算法完成暂降特征提取与分类训练SDAE
‑
BP网络参数的自适应选取，具体包括以下步骤：(5.1)根据暂降数据并集数列维数及参数取值范围，设置SDAE
‑
BP网络需要优化参数的取值范围，将其作为更新粒子速度和位置的范围区间，超过区间范围时相应取区间的最大值或最小值；(5.2)初始化粒子群参数，包括粒子的初始位置和速度，种群数量、惯性权重、加速因子、粒子的迭代次数和目标阈值；(5.3)将训练SDAE
‑
BP得到的暂降分类错误率作为改进PSO算法的适应度值，若适应度值优于个体最优值和全局最优值，则更新这两者的值；同时为了增加种群多样性，用随机生成的新粒子取代适应度最差的10％个粒子；若训练达到精度要求或迭代次数，将所得的参数作为SDAE
‑
BP的最优结构参数，否则更新粒子速度和粒子位置，重复该步骤。5.根据权利要求4所述基于改进PSO优化的SDAE
‑
BP暂降类型识别方法，其特征在于，所述粒子速度、粒子位置的更新...

【专利技术属性】
技术研发人员：张金娈，邓祖强，王亮，张鑫，孙腾达，
申请(专利权)人：国电南瑞南京控制系统有限公司，
类型：发明
国别省市：