[发明专利]基于集成深度学习的电能质量扰动分类方法

说明书

本发明涉及电能质量扰动分类技术，为实现电能质量扰动信号的自动分类，简化扰动分类步骤，在噪声数据中也具有较高的分类性能，本发明，基于集成深度学习的电能质量扰动分类方法，步骤如下：1)根据IEEE‑1159标准，建立电能质量扰动信号模型，产生包括正弦波信号在内的扰动信号，用于电能质量扰动分类模型的测试；2)针对产生的扰动信号数据，利用基于深度学习和集成学习的分类器进行分类，所述分类器采用LSTM网络作为基分类器，通过Bagging算法对多个LSTM网络进行集成实现分类；3)利用步骤1和步骤2所述的分类器，训练一个适用于电能质量扰动分类的模型。本发明主要应用于电能质量扰动分类场合。

技术领域

本发明涉及电能质量扰动分类技术，具体涉及基于集成深度学习的电能质量扰动分类方法。

背景技术

随着电力电子器件的大量使用，分布式电源并网、非线性负载增多，无功功率设备和固态开关的增加导致电网频繁遭受各种干扰。这些干扰极大影响了智能电网的安全和经济运行，并降低了电气设备的使用寿命和性能，引起了供电部门和广大电力用户的普遍重视。同时科技的不断发展使电能消耗日益增多，电力用户和用电设备也对供电质量提出了更高要求，电力系统的最终目标是提供稳定，干净且无失真的电网信号，因此准确有效地对电能质量扰动信号进行分类是后续对电能质量的评估及治理的前提。近年来，机器学习算法的发展，硬件计算能力的提升，更多智能算法被应用于电能质量扰动分类领域。深度学习是一种新兴且有前途的分类架构，可以从多层次抽象化信号(如电能质量扰动信号)中学习特征，并捕获规律。

发明内容

为克服现有技术的不足，实现电能质量扰动信号的自动分类，本发明旨在提出基于集成学习和长短期记忆网络(Long Short Term Memory network，LSTM)的电能质量扰动分类框架，能够自动对扰动信号进行特征选择及分类。相较于传统方法，本发明无需使用额外的信号处理和特征选择模块，简化了扰动分类步骤。提出的扰动分类框架在较短的训练时间内，实现一个较高的分类性能。在噪声数据中也具有较好的分类性能。为此，本发明采取的技术方案是，基于集成深度学习的电能质量扰动分类方法，步骤如下：

1)根据IEEE-1159标准，建立电能质量扰动信号模型，产生包括正弦波信号在内的扰动信号，用于电能质量扰动分类模型的测试；

2)针对产生的扰动信号数据，利用基于深度学习和集成学习的分类器进行分类，所述分类器采用LSTM网络作为基分类器，通过集成学习中的Bagging算法对多个LSTM网络进行集成，从而实现分类；

3)利用步骤1中的电能质量扰动数据和步骤2所述的分类器，训练一个适用于电能质量扰动分类的模型。

Bagging算法中，使用基于权重的表决策略。

长短期记忆网络LSTM是一种特殊的递归神经网络RNN(recurrent neuralnetwork)，在RNN中，神经元不仅可以接受其他神经元的信息，还可以接受自身的信息，形成一个环路结构，输入是可变长度序列x＝(x₁,x₂,...,x_t)；

RNN的隐藏层存在有向反馈，RNN中的每一个神经元接受上一时刻隐藏层神经元输出h_t-1和当前时刻的输入x_t，计算隐藏层神经元输出h_t以及输出o_t，其计算公式表示为：

式(1)中，f为隐藏层函数，g为输出层函数；s_t为t时刻隐藏层的输入；h_t为t时刻隐藏层输出；U，V，W为不同时刻隐藏状态的共享矩阵；