[发明专利]一种电能质量扰动分类方法

摘要

本发明针对电能质量扰动识别困难的问题，提出一种基于迁移学习的电能质量扰动分类方法。本方法将ImageNet数据集作为源数据集，首先，通过AlexNet卷积神经网络模型提取电能质量扰动波形的固有抽象特征；然后，将训练过的AlexNet卷积神经网络模型进行迁移学习，建立新的AlexNet卷积神经网络模型，对电能质量扰动波形信号的分类。并通过matlab建立大量的单一扰动和双重扰动波形信号，对迁移后的经电能质量扰动波形信号训练过的AlexNet模型进行训练和测试。实验结果表明，本文迁移学习方法对电能质量扰动具有良好的分类准确性和抗噪性。

主权项

1.一种电能质量扰动分类方法，采用Imagenet图像分数据集和AlexNet卷积神经网络模型，将电能扰动波形集按照扰动产生的原因进行分类，所述AlexNet卷积神经网络模型第一至第五层为卷积层，第六至第八层为全连接层，最后还接有一个Softmax分类层，其特征在于，包括以下步骤：S1、将Imagenet图像数据集作为源数据集，训练得到提取了Imagenet图像数据集固有抽象特征的AlexNet卷积神经网络模型；S2、基于迁移学习原理进行特征迁移，利用步骤S1中所训练的AlexNet卷积神经网络模型，建立新的AlexNet卷积神经网络模型；S3、随机初始化Softmax分类层的参数；S4、将每个待分类的电能质量扰动信号波形图像转换为227*227*3像素；将所述转换后的图像作为新的AlexNet卷积神经网络模型的输入，对新的AlexNet卷积神经网络模型进行训练，并从Softmax分类层得到电能质量扰动信号波形的分类结果；S5、生成多种扰动方式的电能质量扰动信号，验证经电能质量扰动信号波形图像训练过的AlexNet卷积神经网络模型的分类正确率。