System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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;<
...【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。