一种基于深度学习SDAE-BP的暂降类型识别方法、装置和系统制造方法及图纸

本发明专利技术公开一种基于深度学习SDAE‑BP的暂降类型识别方法、装置和系统，方法包括：获取待识别暂降类型的电压暂降波形数据，并进行预处理；将预处理后的电压暂降波形数据输入预先训练的堆栈降噪自编码器SDAE，得到由SDAE提取出的电压暂降特征数据，再输入预先训练的BP神经网络模型；最终根据BP神经网络模型的输出，确定电压暂降波形数据的暂降类型。本发明专利技术利用深度学习中的堆栈降噪自编码器（SDAE）提取电压暂降信号特征，再使用BP神经网络对暂降类型进行识别，可解决人为提取特征受未知特征影响和噪声影响的问题，提升暂降类型识别的准确性。

【技术实现步骤摘要】
一种基于深度学习SDAE-BP的暂降类型识别方法、装置和系统
本专利技术涉及电能质量分析
，特别是一种基于深度学习SDAE-BP的暂降类型识别方法、装置和系统。
技术介绍
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。目前国内外学者对电压暂降源的识别主要基于“特征提取+类型识别”的模式。首先对电压暂降信号进行变换和重构，并从中提取时、频域上的有效特征，常用的方法包括S变换、小波变换、傅里叶变换、Hilbert-Huang变换等；然后利用分类器实现电压暂降源的识别，主要采用神经网络、支持向量机、模糊综合评价等方法。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(DeepLeaning)算法可以对数据特征进行学习，其分层特征提取的能力可以解决人为特征提取的问题。名词解释SDAE-BP，堆叠去噪自动编码器(StackDenoisingAutoEncoder,SDAE)和BP神经网络(BackPropagation,BP)的融合算法。
技术实现思路
本专利技术的目的是提供一种基于深度学习SDAE-BP的暂降类型识别方法、装置和系统，利用深度学习中的堆栈降噪自编码器(SDAE)提取电压暂降信号特征，再使用BP神经网络对暂降类型进行识别，解决人为提取特征受未知特征影响和噪声影响的问题，提升暂降类型识别的准确性。本专利技术采用的技术方案如下。一方面，本专利技术提供一种基于深度学习SDAE-BP的暂降类型识别方法，包括：获取待识别暂降类型的电压暂降波形数据；对获取到的电压暂降波形数据进行预处理；将预处理后的电压暂降波形数据输入预先训练的堆栈降噪自编码器SDAE，得到由SDAE提取出的电压暂降特征数据；将所述电压暂降特征数据输入预先训练的BP神经网络模型；根据所述BP神经网络模型的输出，确定电压暂降波形数据的暂降类别；其中，所述堆栈降噪自编码器SDAE的特征提取训练样本包括对应多种电压暂降类别的电压暂降波形数据样本；所述BP神经网络的暂降类型识别训练样本为，SDAE对应各特征提取训练样本的输出和特征提取训练样本对应的暂降类型标签。可选的，计算三相电压的有效值和相位；提取故障时间段的电压暂降波形数据，对其三相电压的有效值和相位进行下采样处理；对下采样得到的三相电压有效值和相位数据进行归一化处理；将归一化处理后的数据组成并集序列，作为SDAE的输入数据。可选的，所述堆栈降噪自编码器SDAE的训练包括：基于多种预设暂降类型，分别对应各暂降类型获取多组电压暂降波形信号；对所获取的电压暂降波形信号进行预处理，得到电压暂降波形信号数据样本；将所述电压暂降波形数据样本输入预先搭建的SDAE网络，依次对SDAE网络的各层DAE进行训练，确定使得各层DAE重构误差最小的最优权值和最优偏置值，并得到最后一层DAE输出的特征参数。在SDAE训练时进行的数据预处理内容与实际应用时进行的预处理内容优选为尽量相同，可进一步提升针对特定类型特征的提取可靠性。可选的，所述多种预设暂降类型包括由短路故障引起的电压暂降类型，和由变压器传播过程引起的电压暂降类型；所述短路故障包括三相短路故障、单相接地故障、两相相间短路故障和两相接地故障。可选的，依次对SDAE网络的各层DAE进行训练包括：A)对于输入的任一电压暂降波形信号数据样本x，进行加噪处理，得到含有噪声的信号B)根据进行编码得到第一层特征h1，其中，W1为连接输入层和隐藏层的权值矩阵，b1为编码过程中神经元的偏置，f(·)为传递函数；C)根据式从h1解码得到输入数据x的重构输出其中，W1′为连接隐藏层和输出层的权值向量，b′1为解码过程时的偏置，g(·)为传递函数；D)通过以下公式进行代价函数优化，得到重构误差最小时的第一层DAE的最优权值W1、最优偏置值b1，并得到原始输入数据x的特征h1：式中，为重构误差，即输入样本数据和重构数据之间的误差；E)对于其它第i层DAE，分别将第(i-1)层输出的特征h(i-1)作为原始数据，重复步骤A)-D)，得到各层DAE的的最优权值Wi、最优偏置值bi和特征hi；其中，最后一层DAE输出的特征即为经SDAE网络提取的最终特征。上述传递函数一般选择Sigmoid函数，即f(x)＝1/1+e-x。可选的，所述BP神经网络模型的训练包括：对于经SDAE网络提取的最终特征，根据特征对应的训练样本配置相应的暂降类型标签；将特征与对应的暂降类型标签输入预先构建的BP神经网络，完成对BP神经网络的训练。第二方面，本专利技术提供一种基于深度学习SDAE-BP的暂降类型识别装置，包括：波形数据获取模块，被配置用于获取待识别暂降类型的电压暂降波形数据；预处理模块，被配置用于对获取到的电压暂降波形数据进行预处理；特征提取模块，被配置用于将预处理后的电压暂降波形数据输入预先训练的堆栈降噪自编码器SDAE，得到由SDAE提取出的电压暂降特征数据；以及，暂降类型识别模块，被配置用于将所述电压暂降特征数据输入预先训练的BP神经网络模型，并根据所述BP神经网络模型的输出，确定电压暂降波形数据的暂降类别；其中，所述堆栈降噪自编码器SDAE的特征提取训练样本包括对应多种电压暂降类别的电压暂降波形数据样本；所述BP神经网络的暂降类型识别训练样本为，SDAE对应各特征提取训练样本的输出和特征提取训练样本对应的暂降类型标签。第三方面，本专利技术提供一种基于深度学习SDAE-BP的暂降类型识别系统，包括处理器和存储器，所述存储器存储有计算机指令，所述处理器用于根据所述计算机指令进行操作以执行根据第一方面所述的基于深度学习SDAE-BP的暂降类型识别方法。有益效果与现有技术相比，本专利技术具有以下优点和进步：1)本专利技术基于SDAE-BP模型实现电压暂降类型的识别，充分利用了SDAE特征提取的能力，将人为设定特征提取转变为自动特征提取，并采用BP神经网络进行分类识别，能够实现电压暂降类型的有效识别；2)在模型构建和训练阶段，本专利技术通过利用大量对应不同暂降类型的电压暂降数据对SDAE网路和BP神经网络进行联合训练，使得SDAE网络能够自主学习并提取电压暂降信号的特征参数，避免了人为提取特征过程中的信息丢失，本专利技术训练生成的模型具有更好的抗噪性能，能够有效地应用于实际的电力系统中。附图说明图1所示为本专利技术方法的一种实施例流程示意图；图2所示为本专利技术一种实施例中SDAE-BP模型训练流程示意图；图3所示为本专利技术一种实施例中定义的7类电压暂降类型特征向量示意图；...

【技术保护点】
1.一种基于深度学习SDAE-BP的暂降类型识别方法，其特征是，包括：/n获取待识别暂降类型的电压暂降波形数据；/n对获取到的电压暂降波形数据进行预处理；/n将预处理后的电压暂降波形数据输入预先训练的堆栈降噪自编码器SDAE，得到由SDAE提取出的电压暂降特征数据；/n将所述电压暂降特征数据输入预先训练的BP神经网络模型；/n根据所述BP神经网络模型的输出，确定电压暂降波形数据的暂降类别；/n其中，所述堆栈降噪自编码器SDAE的特征提取训练样本包括对应多种电压暂降类别的电压暂降波形数据样本；所述BP神经网络的暂降类型识别训练样本为，SDAE对应各特征提取训练样本的输出和特征提取训练样本对应的暂降类型标签。/n

【技术特征摘要】
1.一种基于深度学习SDAE-BP的暂降类型识别方法，其特征是，包括：
获取待识别暂降类型的电压暂降波形数据；
对获取到的电压暂降波形数据进行预处理；
将预处理后的电压暂降波形数据输入预先训练的堆栈降噪自编码器SDAE，得到由SDAE提取出的电压暂降特征数据；
将所述电压暂降特征数据输入预先训练的BP神经网络模型；
根据所述BP神经网络模型的输出，确定电压暂降波形数据的暂降类别；
其中，所述堆栈降噪自编码器SDAE的特征提取训练样本包括对应多种电压暂降类别的电压暂降波形数据样本；所述BP神经网络的暂降类型识别训练样本为，SDAE对应各特征提取训练样本的输出和特征提取训练样本对应的暂降类型标签。


2.根据权利要求1所述的方法，其特征是，所述预处理包括：
计算三相电压的有效值和相位；
提取故障时间段的电压暂降波形数据，对其三相电压的有效值和相位进行下采样处理；
对下采样得到的三相电压有效值和相位数据进行归一化处理；
将归一化处理后的数据组成并集序列，作为SDAE的输入数据。


3.根据权利要求1或2所述的方法，其特征是，所述堆栈降噪自编码器SDAE的训练包括：
基于多种预设暂降类型，分别对应各暂降类型获取多组电压暂降波形信号；
对所获取的电压暂降波形信号进行预处理，得到电压暂降波形信号数据样本；
将所述电压暂降波形数据样本输入预先搭建的SDAE网络，依次对SDAE网络的各层DAE进行训练，确定使得各层DAE重构误差最小的最优权值和最优偏置值，并得到最后一层DAE输出的特征参数。


4.根据权利要求3所述的方法，其特征是，所述多种预设暂降类型包括由短路故障引起的电压暂降类型，和由变压器传播过程引起的电压暂降类型；所述短路故障包括三相短路故障、单相接地故障、两相相间短路故障和两相接地故障。


5.根据权利要求3所述的方法，其特征是，依次对SDAE网络的各层DAE进行训练包括：
A)对于输入的任一电压暂降波形信号数据样本x，进行加噪处理，得到含有噪声的信号
B)根据进行编码得到第一层特征h1，其中，W1为连接输入层和隐藏层的权值矩阵，b1为编码过程中神经元的偏置，f(·)为传递函数；
C)...

【专利技术属性】
技术研发人员：张金娈，邓祖强，王亮，张鑫，刘超，金荣江，王俭成，谷岭，王震东，王炜，姜德阳，葛飞，李忠晶，王向军，毛求福，
申请(专利权)人：国电南瑞科技股份有限公司，国网电力科学研究院有限公司，
类型：发明
国别省市：江苏;32