电能质量扰动识别模型的构建及电能质量扰动识别的方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113744084A(43)申请公布日2021.12.03(21)申请号202111027340.XG06N3/08(2006.01)(22)申请日2021.09.02(71)申请人广东电网有限责任公司广州供电局地址510630广东省广州市天河区天河南二路2号(72)发明人栾乐许中彭和平莫文雄王勇马智远王海靖范伟男肖天为刘田(74)专利代理机构北京集佳知识产权代理有限公司11227代理人刘思言(51)Int.Cl.G06Q50/06(2012.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书12页附图2页(54)发明名称电能质量扰动识别模型的构建及电能质量扰动识别的方法(57)摘要本申请公开了一种电能质量扰动识别模型的构建方法及电能质量扰动识别方法，包括：构建包括电能质量扰动信号的训练集；基于DBN确定特征提取网络的拓扑结构和网络参数；根据CSO对网络参数的初始值进行优化，得到网络参数的目标初始值；基于训练集中的训练数据以及网络参数的目标初始值，对特征提取网络进行基于RBM的无监督训练以及有监督的微调，得到电能扰动信号特征及更新后的网络参数；将电能扰动信号特征输入到基于WKELM构建的分类网络，逐层地对所述分类网络进行训练，得到训练后的分类网络；由特征提取网络和分类网络构成所述电能质量扰动识别模型。所述电能质量扰动识别模型可以较为高效且准确地识别出电能质量扰动信号。CN113744084ACN113744084A权利要求书1/3页1.一种电能质量扰动识别模型的构建方法，其特征在于，包括：构建训练集，所述训练集包括电能质量扰动信号；基于深度置信网络DBN确定特征提取网络的拓扑结构和权重；根据纵横交叉算法CSO，对权重的初始值进行优化，得到权重的目标初始值；基于训练集中的训练数据以及权重的目标初始值，对特征提取网络进行基于受限玻尔兹曼机RBM的无监督训练以及有监督的微调，得到电能扰动信号特征及更新后的权重；将电能扰动信号特征输入到基于小波核极限学习机WKELM构建的分类网络，逐层地对所述分类网络进行训练，得到训练后的分类网络；由所述特征提取网络和所述分类网络构成所述电能质量扰动识别模型。2.根据权利要求1所述的方法，其特征在于，所述构建训练集的过程，包括：模拟生成若干种电能质量扰动信号；对每种电能质量扰动信号进行抽样，得到预设数目的样本数据；对各电能质量扰动信号的样本数据打上相应的类别标签，得到打上标签的样本数据；其中，所述打上标签的样本数据构成训练集。3.根据权利要求2所述的方法，其特征在于，所述电能质量扰动信号包括：正弦信号、电压暂升信号、电压暂降信号、电压中断信号、电压波动信号、脉冲暂态信号、谐波信号、暂态振荡信号、电压暂升谐波信号和/或电压暂降谐波信号。4.根据权利要求1所述的方法，其特征在于，所述根据纵横交叉算法CSO，对权重的初始值进行优化的过程，包括：对CSO算法中的种群、解空间维数、种群大小系数、迭代次数、纵向、横向交叉概率进行初始化；对种群中两个不同粒子的同一维进行算术交叉：MShc(i，d)＝r1×X(i，d)+(1‑r1)×X(i，d)+c1×(X(i，d)‑X(j，d))MShc(j，d)＝r2×X(j，d)+(1‑r2)×X(j，d)+c2×(X(j，d)‑X(i，d))其中，r1、r2是[0，1]上均匀分布的随机数，c1、c2是[‑1，1]上均匀分布的随机数，MShc(i，d)、MShc(j，d)分别Xi是和Xj通过横向交叉产生的第d维；对种群所有个体粒子在不同维之间进行的算术交叉：MSsv(i，d1)＝r×X(i，d1)+(1‑r)×X(i，d2)其中，r∈[0，1]，MSsv(i，d1)是个体粒子i的第d1维与第d2维个体通过纵向交叉产生的。5.根据权利要求1所述的方法，其特征在于，所述基于训练集中的训练数据以及权重的目标初始值，对特征提取网络进行基于受限玻尔兹曼机RBM的无监督训练的过程，包括：基于训练集中的训练数据，对特征提取网络的可见层的偏置向量a、隐藏层的偏置向量b、可见层神经元v和隐藏层神经元h进行初始化；其中，可见层的偏置向量a表示为：其中，Pi表示训练数据中的第i个数据处于激活状态的概率；权重ω表示为：2CN113744084A权利要求书2/3页可见层神经元v表示为：隐藏层神经元h表示为：计算使得隐藏层神经元开启的概率：其中，计算隐藏层神经元的激活概率h：根据隐藏层神经元和可见层神经元之间的相关性差异来更新权重ω。6.根据权利要求1所述的方法，其特征在于，所述对特征提取网络进行有监督的微调的过程，包括：逐层地计算特征提取网络的隐藏层中每个神经元的激励值，并采用si