一种基于一维CNN多模型融合电能质量扰动分类方法及系统技术方案

技术编号：41125736 阅读：4 留言：0更新日期：2024-04-30 17:53

本发明专利技术公开了一种基于一维CNN多模型融合电能质量扰动分类方法及系统，步骤一、构建基于原始信号的时域一维CNN模型；步骤二、构建基于傅里叶变换的频域一维CNN模型；步骤三、构建基于小波变换的时频域一维CNN模型；步骤四、根据构建的时域一维CNN模型、频域一维CNN模型和时频域一维CNN模型，基于BP神经网络构建参数可学习的结果融合模型；步骤五、通过结果融合模型进行电能质量扰动分类；本申请在计算量、准确率、抗噪声等各方面的综合表现突出，特别是抗噪性能明显优于其他方法，能够在高噪声条件下保持较高的准确率；同时具有通用性，便于进行模型扩展，可引入更多PQD分类模型进行更大规模的融合，进一步挖掘分类方法的潜力。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及电网安全运行，尤其涉及一种基于一维cnn多模型融合电能质量扰动分类方法及系统。

技术介绍

1、电能质量扰动(power quality disturbance，pqd)是影响电网安全运行的显著问题。传统pqd分类方法为“特征提取+模式分类”方式，特征提取需人工参与，且没有统一方法指导，常常在大量工作后，所提取特征的分类表现却并不理想。近年来卷积神经网络(convolutional neural network，cnn)pqd检测分类成为了一个研究热点，其优势在于cnn可以直接对数据进行特征学习、提取和分类，灵活高效，对先验知识依赖度低，能够大大提升pqd分类检测模型及方法的构建效率。但传统的多cnn模型只使用原始时域信号波形进行特征的多次学习和提取，未充分利用频域等其他特征，也欠缺规模化扩展能力。

技术实现思路

1、本专利技术主要解决的技术问题是提供一种基于一维cnn多模型融合电能质量扰动分类方法及系统，解决传统的多cnn模型只使用原始时域信号波形进行特征的多次学习和提取，未充分利用频域等其他特征，也欠缺规模化扩展能力的问题。

2、为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种基于一维cnn多模型融合电能质量扰动分类方法，其特征在于：包括以下步骤：

3、步骤一、构建基于原始信号的时域一维cnn模型；

4、步骤二、构建基于傅里叶变换的频域一维cnn模型；

5、步骤三、构建基于小波变换的时频域一维cnn模型；</p>

6、步骤四、根据构建的时域一维cnn模型、频域一维cnn模型和时频域一维cnn模型，基于bp神经网络构建参数可学习的结果融合模型；

7、步骤五、通过结果融合模型进行电能质量扰动分类。

8、进一步的，所述步骤一中，对常规的时域模型框架进行降维并修改，获得时域一维cnn模型。

9、进一步的，所述时域一维cnn模型包括三层卷积层和三层池化层，其中，使用1×5卷积核，三层卷积层的卷积核数量分别为6、16、64，池化区域为1×2，池化步长为2，全连接层输入神经元数量32，隐藏层1个，24个神经元，softmax层输出14种分类结果。

10、进一步的，所述步骤二中，选择pqd信号的快速傅里叶变换作为常规频域模型框架的输入信息，并进行调整后获得频域一维cnn模型。

11、进一步的，所述频域一维cnn模型包括两层卷积层和两层池化层，其中，使用1×5卷积核，两层卷积层的卷积核数量分别为6、24，池化区域为1×2，池化步长为2，全连接层输入神经元数量24，直接连接softmax层输出14种分类结果。

12、进一步的，所述步骤三中，选择pqd信号的离散小波变换作为常规时频域模型框架的输入信息，并进行调整后获得时频域一维cnn模型。

13、进一步的，所述时频域一维cnn模型包括三层卷积层和三层池化层，其中，使用1×5卷积核，三层卷积层的卷积核数量分别为6、16、120，池化区域为1×2，池化步长为2，全连接层输入神经元数量56，隐藏层1个，28个神经元，softmax层输出14种分类结果。

14、进一步的，所述步骤四中，时域一维cnn模型、频域一维cnn模型和时频域一维cnn模型的输出参数作为bp神经网络的输入参数，并以bp神经网络的输入参数作为待学习参数，与输出参数的模型一同进行整体训练。

15、进一步的，所述bp神经网络的输入参数还包括其他分类模型的输出参数。

16、为解决上述技术问题，本专利技术采用的另一个技术方案是：提供一种基于一维cnn多模型融合电能质量扰动分类系统，其特征在于：包括子模型构建模块、融合模型构建模块和分类模块，其中：

17、子模型构建模块：对常规的时域模型框架进行降维并修改，获得时域一维cnn模型；选择pqd信号的快速傅里叶变换作为常规频域模型框架的输入信息，并进行调整后获得频域一维cnn模型；选择pqd信号的离散小波变换作为常规时频域模型框架的输入信息，并进行调整后获得时频域一维cnn模型；

18、融合模型构建模块：以构建的子模型输出参数和其他分类模型输出参数作为bp神经网络的输入参数，并以bp神经网络的输入参数作为待学习参数，与子模型和其他分类模型一同进行整体训练获得基于bp神经网络构建参数可学习的结果融合模型；

19、分类模块：通过构建的结果融合模型进行电能质量扰动分类。

20、本专利技术的有益效果是：

21、本专利技术分别构建针对原始信号、傅里叶变换、小波变换的一维cnn分类模型，并构建参数可学习的多模型融合方法，使用bp神经网络进行融合pqd分类，在计算量、准确率、抗噪声(低信噪比)等各方面的综合表现突出，特别是抗噪性能明显优于其他方法，能够在高噪声条件下保持较高的准确率；同时具有通用性，便于进行模型扩展，可引入更多pqd分类模型进行更大规模的融合，进一步挖掘分类方法的潜力。

22、为了让本申请的上述和其他目的、特征和优点更能明显易懂，下文特举较佳实施例，并配合所附图示，做详细说明如下。

本文档来自技高网...

【技术保护点】

1.一种基于一维CNN多模型融合电能质量扰动分类方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于一维CNN多模型融合电能质量扰动分类方法，其特征在于：所述步骤一中，对常规的时域模型框架进行降维并修改，获得时域一维CNN模型。

3.根据权利要求2所述的一种基于一维CNN多模型融合电能质量扰动分类方法，其特征在于：所述时域一维CNN模型包括三层卷积层和三层池化层，其中，使用1×5卷积核，三层卷积层的卷积核数量分别为6、16、64，池化区域为1×2，池化步长为2，全连接层输入神经元数量32，隐藏层1个，24个神经元，softmax层输出14种分类结果。

4.根据权利要求1所述的一种基于一维CNN多模型融合电能质量扰动分类方法，其特征在于：所述步骤二中，选择PQD信号的快速傅里叶变换作为常规频域模型框架的输入信息，并进行调整后获得频域一维CNN模型。

5.根据权利要求4所述的一种基于一维CNN多模型融合电能质量扰动分类方法，其特征在于：所述频域一维CNN模型包括两层卷积层和两层池化层，其中，使用1×5卷积核，两层卷积层的卷

6.根据权利要求1所述的一种基于一维CNN多模型融合电能质量扰动分类方法，其特征在于：所述步骤三中，选择PQD信号的离散小波变换作为常规时频域模型框架的输入信息，并进行调整后获得时频域一维CNN模型。

7.根据权利要求6所述的一种基于一维CNN多模型融合电能质量扰动分类方法，其特征在于：所述时频域一维CNN模型包括三层卷积层和三层池化层，其中，使用1×5卷积核，三层卷积层的卷积核数量分别为6、16、120，池化区域为1×2，池化步长为2，全连接层输入神经元数量56，隐藏层1个，28个神经元，softmax层输出14种分类结果。

8.根据权利要求1所述的一种基于一维CNN多模型融合电能质量扰动分类方法，其特征在于：所述步骤四中，时域一维CNN模型、频域一维CNN模型和时频域一维CNN模型的输出参数作为BP神经网络的输入参数，并以BP神经网络的输入参数作为待学习参数，与输出参数的模型一同进行整体训练。

9.根据权利要求8所述的一种基于一维CNN多模型融合电能质量扰动分类方法，其特征在于：所述BP神经网络的输入参数还包括其他分类模型的输出参数。

10.一种基于一维CNN多模型融合电能质量扰动分类系统，其特征在于：包括子模型构建模块、融合模型构建模块和分类模块，其中：

...

【技术特征摘要】

1.一种基于一维cnn多模型融合电能质量扰动分类方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于一维cnn多模型融合电能质量扰动分类方法，其特征在于：所述步骤一中，对常规的时域模型框架进行降维并修改，获得时域一维cnn模型。

3.根据权利要求2所述的一种基于一维cnn多模型融合电能质量扰动分类方法，其特征在于：所述时域一维cnn模型包括三层卷积层和三层池化层，其中，使用1×5卷积核，三层卷积层的卷积核数量分别为6、16、64，池化区域为1×2，池化步长为2，全连接层输入神经元数量32，隐藏层1个，24个神经元，softmax层输出14种分类结果。

4.根据权利要求1所述的一种基于一维cnn多模型融合电能质量扰动分类方法，其特征在于：所述步骤二中，选择pqd信号的快速傅里叶变换作为常规频域模型框架的输入信息，并进行调整后获得频域一维cnn模型。

5.根据权利要求4所述的一种基于一维cnn多模型融合电能质量扰动分类方法，其特征在于：所述频域一维cnn模型包括两层卷积层和两层池化层，其中，使用1×5卷积核，两层卷积层的卷积核数量分别为6、24，池化区域为1×2，池化步长为2，全连接层输入神经元数量24，直接连接softmax层输出14种分类结果。

...

【专利技术属性】
技术研发人员：宋磊，陆春光，张怀雅，张志龙，王帅帅，
申请(专利权)人：国网浙江省电力有限公司营销服务中心，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人