CN110222953A - 一种基于深度学习的电能质量混合扰动分析方法 - Google Patents
一种基于深度学习的电能质量混合扰动分析方法 Download PDFInfo
- Publication number
- CN110222953A CN110222953A CN201910418069.9A CN201910418069A CN110222953A CN 110222953 A CN110222953 A CN 110222953A CN 201910418069 A CN201910418069 A CN 201910418069A CN 110222953 A CN110222953 A CN 110222953A
- Authority
- CN
- China
- Prior art keywords
- power quality
- deep learning
- layer
- interference
- mlp
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000008447 perception Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000001052 transient effect Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 13
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 230000002123 temporal effect Effects 0.000 abstract description 4
- 230000004069 differentiation Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于深度学习的电能质量混合扰动分析方法。使用本发明能够有效对电能质量混合扰动进行分类,且有较强的鲁棒性。本发明首先通过调整高斯窗函数衰减速率来改变S变换的时间分辨率与频率分辨率,更能体现不同类别电质量信号的特点,增大不同类别电质量信号的区分力度;然后构建基于LSTM的深度学习模型,对电质量信号进行分类,其中,在构建的深度学习模型中,首先采用多层感知机对数据进行预处理,对数据进行初步的分析与特征的提取,然后利用对序列数据有着更强分析能力的LSTM人工神经网络,更适合对电质量信号进行语义分割;最后,采用池化层和多层感知机对LSTM的语义分割进行有监督的分类,有利于提升模型的分类能力。
Description
技术领域
本发明涉及电力电子技术领域,具体涉及一种基于深度学习的电能质量混合扰动分析方法,适用于多扰动混合信号的电能质量分类方法以及基于LSTM网络的深度学习分类模型搭建。
背景技术
工业信息社会的迅速发展也使得配电网的网络结构复杂度错综复杂,用户用电类型和需求急剧增加,随之而来对配电网状态估计以及电能质量治理工作的效率和精度也有了更高要求,进行配电网状态估计的前提就是对电能质量扰动信号的精确区分。
传统的电能质量分析方法主要是对扰动信号的特征提取和分类识别两部分组成,由于电力系统的信号在发生电能质量扰动时,往往伴随着大量非稳态信号,所以提取特征时要兼顾时频域信息。随着人们对信号处理的认识,STFT(短时傅里叶变换)、WT(小波变换)、S变换、HHT(希尔伯特变换)以及dq变换等都能够完成复杂扰动信号特征提取的要求,研究领域也由初期的单一扰动信号识别逐步转入符合扰动信号的分类识别。传统的电能质量干扰分类方法多基于上述信号处理方法进行时频域特征提取,再得到原电能质量干扰信号的极值、方差、香农熵等作为扰动信号的特征,最后采用SVM(支持向量机)或人工神经网络(ANN)的方法来进行特征分类。而这两种特征分类方法都存在着不足,人工神经网络容易陷入局部最优后停止训练,而不能达到全局最优解;SVM方法对样本进行训练的过程中,需要充足的数据同时,还不能缺少某些特定数据,如信号残缺则会导致其识别率较差,此外在解决多分类问题时,SVM的识别效果也非常不理想。此前有文献中将电能质量分析与深度学习领域中受限波尔兹曼机(RBM)相结合,虽有效地解决了对电能质量符合扰动信号的分类识别,但处理多类型混合扰动信号中,是由稀疏表示方法先对混合信号进行分离,再去对单一扰动信号进行分别处理,对于多类型混合扰动信号的分类有一定的局限性。
发明内容
有鉴于此,本发明提供了一种基于深度学习的电能质量混合扰动分析方法,能够有效对电能质量混合扰动进行分类,且有较强的鲁棒性。
本发明的基于深度学习的电能质量混合扰动分析方法,包括如下步骤:
步骤1,建立电能质量混合干扰信号训练集,其中,干扰信号包含各类幅值变化较快的电能质量干扰、各类频率变化较快的电能质量干扰以及混合电能质量干扰;
步骤2,采用改进型S变换对步骤1训练集中各训练数据进行特征提取,得到训练数据对应的二维特征矩阵;其中,改进型S变换为在传统S变换中的高斯窗函数上增加一个调节因子λ;其中,对于仅包含幅值变化较快的电能质量干扰的训练数据,λ>1;对于仅包含频率变化较快的电能质量干扰的训练数据,0<λ<1;对于包含混合电能质量干扰的训练数据,λ=1;
步骤3,构建深度学习模型并利用步骤2得到的二维特征矩阵进行训练,得到训练后的深度学习模型;
其中,深度学习训练模型包括输入层、LSTM网络、池化层和多层感知机;
其中,输入层为包含Dense层的多层感知机,对步骤2的二维特征矩阵进行预处理,其中,预处理包括降维处理、归一化处理以及特征提取;
LSTM网络为双LSTM结构,对输入层预处理后的结果进行语义分割;
池化层对LSTM网络的语义分割结果进行降维;
采用多层感知机对池化层的输出进行分类;多层感知机的输出即为深度学习模型的输出;
步骤4,针对待检测的电能质量干扰信号,采用传统S变换对该待测试信号进行特征提取,得到该待测试信号的二维特征矩阵;然后以该待测试信号的二维特征矩阵作为输入,利用步骤3训练好的深度学习模型进行分类,获得分类结果。
进一步的,所述干扰信号包括:电压暂升、电压中断、电压暂降、暂态脉冲、暂态振荡、谐波、电压闪变七种基础干扰,以及由上述基础干扰组合而成的混合干扰;其中,电压暂升、电压中断、电压暂降和电压闪变为幅值变化较快的电能质量干扰,暂态脉冲、暂态振荡和谐波为频率变化较快的电能质量干扰。
进一步的,所述LSTM网络将输入层输出数据分为训练样本和目标样本两类,以训练样本和目标样本的最小均方误差作为LSTM网络的损失函数。
进一步的,所述LSTM网络中还包含Merge融合层,对双LSTM结构的结果进行融合。
进一步的,所述Dense层采用10×10窗进行均方根降维。
进一步的,所述输入层中的多层感知机结构为3层以下;池化层后的多层感知机结构为5层以下。
有益效果:
本发明首先通过调整高斯窗函数衰减速率来改变S变换的时间分辨率与频率分辨率,更能体现不同类别电质量信号的特点,增大不同类别电质量信号的区分力度;然后构建基于LSTM的深度学习模型,对电质量信号进行分类,其中,在构建的深度学习模型中,首先采用多层感知机对数据进行预处理,对数据进行初步的分析与特征的提取,然后利用对序列数据有着更强分析能力的LSTM人工神经网络,更适合对电质量信号进行语义分割;最后,采用池化层和多层感知机对LSTM的语义分割进行有监督的分类,有利于提升模型的分类能力。
附图说明
图1为本发明方法示意图。
图2为步骤一中电压突升、电压突升+谐波混合信号的改进型S变换特征提取结果,(a)、(b)中用mesh图显示特征提取结果,(c)中显示特征提取后的二维特征矩阵。
图3为本发明搭建步骤四反馈神经网络中LSTM网络基础结构。
图4为本发明深度学习电能质量混合干扰信号识别与分类训练模型的整体结构。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种基于深度学习的电能质量混合扰动分析方法,首先通过调整高斯窗函数衰减速率来改变S变换的时间分辨率与频率分辨率,更有利于不同类别电质量信号的区分;然后构建了基于反馈神经网络RNN中LSTM网络结构的深度学习电能质量干扰分析模型,基于该深度学习模型的更强大的特征分析能力,能够快速并精确的识别其扰动类型。
具体包括如下步骤:
步骤一、建立电能质量混合干扰信号训练集,搭建以七类电能质量干扰(电压暂升、电压中断、电压暂降、暂态脉冲、暂态振荡、谐波、电压闪变)为基础的训练数据集。其中,训练数据集中训练数据的干扰方式包含上述各单类型干扰,以及任意类型混合的混合干扰。
步骤二、采用改进型S变换对步骤一的各训练数据进行特征提取,得到基于各类不同电能质量混合信号的二维特征矩阵,作为训练数据集的输入;
公式(1)的基本形式是S变换,其中,t为时域信号中的时间变量,τ为时间常数,表示时间变量t的延时。f为频域中的频域变量。公式(1)在基本S变换的基础上,增加调节因子λ作为改进,根据实际情况改变调节因子大小:当0<λ<1时,S变换中的窗函数改变速度减慢,频率分辨率提高,适用于暂态脉冲、暂态振荡和谐波等频率变化较快的情况;当λ>1时,窗函数的宽度改变速率增加,而相比之前S变换得以加快,其时间分辨率提高,适用于电压暂升、电压中断、电压暂降和电压闪变等幅值变化较快的情况。
步骤三、提取特征矩阵,将矩阵数据以.mat文件形式输出,通过python科学计算库scipy将数据代入深度学习框架的作为电能质量扰动信号时频域特征输入,这样就可以发挥matlab在信号处理方面的优势,又能与基于python的Keras深度学习开发平台进行数据交互工作。
步骤四、基于Keras-Theano深度学习框架搭建RNN反馈神经网络方法的分类训练模型,进行对训练数据集的有监督训练过程,完成整体的电能质量混合干扰识别与分类模型搭建,其中深度学习各层之间涉及的公式有:
多层感知机:
公式(1)是描述的是多层感知机中,层与层之间的信息传递过程。特征从输入层到输出层的过程,其中输入x为特征向量,w为权重向量参数,b为偏置参数。将输入层的所有特征通过一个线性变换后求和,经过一个单调的非线性的激活函数f,得到的结果传递给下一层的神经元。
LSTM是一种深度学习算法,主要用于模式识别,与传统RNN相比,除了拥有隐藏状态外,LSTM还增加了一个细胞状态(cell state,即图3中最上边的水平线),记录随时间传递的信息。在传递过程中,通过当前输入、上一时刻隐藏层状态、上一时刻细胞状态以及门结构来增加或删除细胞状态中的信息。这种处理方法可以增强模型对时间延迟特征的处理能力,适用于电质量混合扰动的分析。在步骤四中,首先通过多层感知机对步骤三的数据进行数据的预处理,接下来输入LSTM网络进行处理,接下来采用多层感知机与池化层进行处理。此过程的核心创新点是通过LSTM网络对电质量信号的处理,该网络可以更精确地分析电质量干扰的类别。
LSTM最重要的三部分,输入、输出及反馈部分由公式(2)、(3)、(4)表出其中a表示汇集计算的值,b表示经过激活函数计算的值,w是不同节点之间连接的参数,带下标c的是Cell层相关的,带下标h的是隐层相关的,L是最后的loss function,f(.),g(.)是激活函数,从而进一步推出核元素的值:
Input Gate:
Forget Gate:
Output Gate:
Cells:
激活函数:
f(.)=sigmod (7)
g(.)=tanh (8)
本发明构建的深度学习训练模型包括输入层、LSTM网络、池化层和多层感知机;
其中,输入层为包含Dense层的多层感知机,对步骤2的二维特征矩阵进行预处理,其中,预处理包括降维处理、归一化处理以及特征提取;
LSTM网络为双LSTM结构,对输入层预处理后的结果进行语义分割;
池化层对LSTM网络的语义分割结果进行降维;
采用多层感知机对池化层的输出进行分类;全连接层的输出即为深度学习模型的输出。
步骤五、重新生成电能质量混合干扰信号,建立测试数据集,去除标签值,类比softmax函数输出,测试本文方法的准确度,其中,测试数据采用传统S变换进行特征提取。
下面结合一个具体实例进行说明:
采用Matlab仿真电能质量干扰信号,基础频率设置为50Hz,采样频率设置1.6kHz,采样时间节点设置为600,根据采样率各周期包括32个时间节点,共600/32=18.75个周期。以下表中7种基本信号组成20类不同的电能质量混合干扰信号。通过随机设置幅值频率的变化系数,产生25个同种类故障信号,并分别设置信噪比30dB,20dB和15dB,结合原始无噪声信号,共产生训练数据集初始数据源20*25*4=2000组。
表1电能质量扰动信号模型
采用改进型S变换对步骤一的初始数据源进行特征提取,得到基于各类不同电能质量混合信号的二维特征矩阵,作为训练数据集的输入。如图1、图2所示。输出数据以.mat文件格式保存,通过scipy的python科学数值计算库,将异构.mat数据代入Keras-Tensorflow深度学习框架,完成基于GPU加速的高效电能质量扰动分类训练模型的搭建,通过有监督的训练。
搭建深度学习训练模型具体参数设置和实现方法如下:
1)输入层为3层;包括Dense层和多层感知机;首先使用Dense层,调整数据维度,归一化初始数据,将300*600=180000维的数据,采用10*10窗进行均方根降维,将数据维度处理到1800维,然后采用多层感知机对1800维的数据进行特征提取,并将维度统一转化为1024进行输入,方便后续有监督训练过程。
2)LSTM网络模型采用双LSTM结构,输入维度1024维,输出维度1024维,此过程为无监督训练过程,采用初始输入层中70%数据作为训练样本,30%数据作为目标样本进行初始的迭代过程,完成数据特征的初步提取以及干扰数据的排除,以训练样本和目标样本的RSME(最小均方误差)作为损失函数,进行迭代。前馈步长n=2。其中,还可以采用Merge融合层对双LSTM结构结果进行融合,从而可以有效地避免梯度下降过程中局部最小值带来的影响。
3)采用Maxpool池化层进行有效降维,以4:1输入输出比使特征维度降到256维,代入全连接层进行有监督的训练。
4)采用多层感知机结构,共计3层,输入输出维度比分别设置为4:1、4:1、2:1,最终输出8维特征数据,通过softmax函数限制在(0,1]之间。
5)目标标签值设置与输入故障信号种类一致,分别对应8种状态[电压暂升、电压中断、电压暂降、暂态脉冲、暂态振荡、谐波、电压闪变、正常],训练电压暂升数据时,目标标签值即为[1,0,0,0,0,0,0,0],而混合信号电压暂升+谐波的目标标签值定为[1,0,0,0,0,1,0,0],设置单样本训练次数epoch=500。
6)重新生成20类基本电能质量混合扰动信号不同幅值频率变化系数的测试数据1000组,对深度学习模型进行准确度测试。
由表2可以看出,本发明的模型可以准确的检测混合电质量干扰的类别,并且有较强的鲁棒性。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的电能质量混合扰动分析方法,其特征在于,包括如下步骤:
步骤1,建立电能质量混合干扰信号训练集,其中,干扰信号包含各类幅值变化较快的电能质量干扰、各类频率变化较快的电能质量干扰以及混合电能质量干扰;
步骤2,采用改进型S变换对步骤1训练集中各训练数据进行特征提取,得到训练数据对应的二维特征矩阵;其中,改进型S变换为在传统S变换中的高斯窗函数上增加一个调节因子λ;其中,对于仅包含幅值变化较快的电能质量干扰的训练数据,λ>1;对于仅包含频率变化较快的电能质量干扰的训练数据,0<λ<1;对于包含混合电能质量干扰的训练数据,λ=1;
步骤3,构建深度学习模型并利用步骤2得到的二维特征矩阵进行训练,得到训练后的深度学习模型;
其中,深度学习训练模型包括输入层、LSTM网络、池化层和多层感知机;
其中,输入层为包含Dense层的多层感知机,对步骤2的二维特征矩阵进行预处理,其中,预处理包括降维处理、归一化处理以及特征提取;
LSTM网络为双LSTM结构,对输入层预处理后的结果进行语义分割;
池化层对LSTM网络的语义分割结果进行降维;
采用多层感知机对池化层的输出进行分类;多层感知机的输出即为深度学习模型的输出;
步骤4,针对待检测的电能质量干扰信号,采用传统S变换对该待测试信号进行特征提取,得到该待测试信号的二维特征矩阵;然后以该待测试信号的二维特征矩阵作为输入,利用步骤3训练好的深度学习模型进行分类,获得分类结果。
2.如权利要求1所述的基于深度学习的电能质量混合扰动分析方法,其特征在于,所述干扰信号包括:电压暂升、电压中断、电压暂降、暂态脉冲、暂态振荡、谐波、电压闪变七种基础干扰,以及由上述基础干扰组合而成的混合干扰;其中,电压暂升、电压中断、电压暂降和电压闪变为幅值变化较快的电能质量干扰,暂态脉冲、暂态振荡和谐波为频率变化较快的电能质量干扰。
3.如权利要求1所述的基于深度学习的电能质量混合扰动分析方法,其特征在于,所述LSTM网络将输入层输出数据分为训练样本和目标样本两类,以训练样本和目标样本的最小均方误差作为LSTM网络的损失函数。
4.如权利要求1或3所述的基于深度学习的电能质量混合扰动分析方法,其特征在于,所述LSTM网络中还包含Merge融合层,对双LSTM结构的结果进行融合。
5.如权利要求1所述的基于深度学习的电能质量混合扰动分析方法,其特征在于,所述Dense层采用10×10窗进行均方根降维。
6.如权利要求1所述的基于深度学习的电能质量混合扰动分析方法,其特征在于,所述输入层中的多层感知机结构为3层以下;池化层后的多层感知机结构为5层以下。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018116479442 | 2018-12-29 | ||
CN201811647944 | 2018-12-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222953A true CN110222953A (zh) | 2019-09-10 |
Family
ID=67821386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910418069.9A Pending CN110222953A (zh) | 2018-12-29 | 2019-05-20 | 一种基于深度学习的电能质量混合扰动分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222953A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN110912188A (zh) * | 2019-11-27 | 2020-03-24 | 天津瑞能电气有限公司 | 基于ai的新型微电网能源管理系统 |
CN111365624A (zh) * | 2020-03-20 | 2020-07-03 | 淮阴工学院 | 一种输卤管道泄漏检测的智能终端与方法 |
CN111769844A (zh) * | 2020-06-24 | 2020-10-13 | 中国电子科技集团公司第三十六研究所 | 一种单通道同频干扰消除方法和装置 |
CN112201361A (zh) * | 2020-09-01 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于lstm模型的covid-19疫情预测方法 |
CN113264031A (zh) * | 2021-07-07 | 2021-08-17 | 重庆大学 | 基于路面识别与深度强化学习的混合动力系统控制方法 |
CN113837486A (zh) * | 2021-10-11 | 2021-12-24 | 云南电网有限责任公司 | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
CN115469192A (zh) * | 2022-11-02 | 2022-12-13 | 国网信息通信产业集团有限公司 | 一种电压暂降源定位方法及定位系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102685053A (zh) * | 2012-05-15 | 2012-09-19 | 北京航空航天大学 | 一种基于广义s变换的通信信号调制识别方法 |
CN104459397A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 采用自适应多分辨率广义s变换的电能质量扰动识别方法 |
CN105447502A (zh) * | 2015-11-05 | 2016-03-30 | 国家电网公司 | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 |
CN106291693A (zh) * | 2015-05-21 | 2017-01-04 | 中国石油化工股份有限公司 | 一种基于广义s变换的叠前q值反演方法及系统 |
CN107169035A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种混合长短期记忆网络和卷积神经网络的文本分类方法 |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
CN108562811A (zh) * | 2018-03-12 | 2018-09-21 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
CN108664950A (zh) * | 2018-05-22 | 2018-10-16 | 天津大学 | 一种基于深度学习的电能质量扰动识别与分类方法 |
CN109034054A (zh) * | 2018-07-24 | 2018-12-18 | 华北电力大学 | 基于lstm的谐波多标签分类方法 |
-
2019
- 2019-05-20 CN CN201910418069.9A patent/CN110222953A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102685053A (zh) * | 2012-05-15 | 2012-09-19 | 北京航空航天大学 | 一种基于广义s变换的通信信号调制识别方法 |
CN104459397A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 采用自适应多分辨率广义s变换的电能质量扰动识别方法 |
CN106291693A (zh) * | 2015-05-21 | 2017-01-04 | 中国石油化工股份有限公司 | 一种基于广义s变换的叠前q值反演方法及系统 |
CN105447502A (zh) * | 2015-11-05 | 2016-03-30 | 国家电网公司 | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 |
CN107169035A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种混合长短期记忆网络和卷积神经网络的文本分类方法 |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
CN108562811A (zh) * | 2018-03-12 | 2018-09-21 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
CN108664950A (zh) * | 2018-05-22 | 2018-10-16 | 天津大学 | 一种基于深度学习的电能质量扰动识别与分类方法 |
CN109034054A (zh) * | 2018-07-24 | 2018-12-18 | 华北电力大学 | 基于lstm的谐波多标签分类方法 |
Non-Patent Citations (5)
Title |
---|
DONGCHAN LEE等: "Online Power Quality Disturbance Classification with Recurrent Neural Network", 《2018 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS, CONTROL, AND COMPUTING TECHNOLOGIES FOR SMART GRIDS》 * |
DONGCHAN LEE等: "Online Power Quality Disturbance Classification with Recurrent Neural Network", 《2018 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS, CONTROL, AND COMPUTING TECHNOLOGIES FOR SMART GRIDS》, 27 December 2018 (2018-12-27), pages 2 - 5 * |
NEETHU MOHAN等: "Deep power: Deep learning architectures for power quality disturbances classification", 《2017 INTERNATIONAL CONFERENCE ON TECHNOLOGICAL ADVANCEMENTS IN POWER AND ENERGY ( TAP ENERGY)》 * |
NEETHU MOHAN等: "Deep power: Deep learning architectures for power quality disturbances classification", 《2017 INTERNATIONAL CONFERENCE ON TECHNOLOGICAL ADVANCEMENTS IN POWER AND ENERGY ( TAP ENERGY)》, 28 June 2018 (2018-06-28), pages 1 - 6 * |
黄南天 等: "采用自适应广义S变换与概率神经网络的电能质量扰动识别", 电工技术学报, vol. 28, no. 1, pages 2 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN110829417B (zh) * | 2019-11-14 | 2023-03-31 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN110912188A (zh) * | 2019-11-27 | 2020-03-24 | 天津瑞能电气有限公司 | 基于ai的新型微电网能源管理系统 |
CN111365624A (zh) * | 2020-03-20 | 2020-07-03 | 淮阴工学院 | 一种输卤管道泄漏检测的智能终端与方法 |
CN111769844A (zh) * | 2020-06-24 | 2020-10-13 | 中国电子科技集团公司第三十六研究所 | 一种单通道同频干扰消除方法和装置 |
CN111769844B (zh) * | 2020-06-24 | 2022-08-16 | 中国电子科技集团公司第三十六研究所 | 一种单通道同频干扰消除方法和装置 |
CN112201361A (zh) * | 2020-09-01 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于lstm模型的covid-19疫情预测方法 |
CN113264031A (zh) * | 2021-07-07 | 2021-08-17 | 重庆大学 | 基于路面识别与深度强化学习的混合动力系统控制方法 |
CN113264031B (zh) * | 2021-07-07 | 2022-04-29 | 重庆大学 | 基于路面识别与深度强化学习的混合动力系统控制方法 |
CN113837486A (zh) * | 2021-10-11 | 2021-12-24 | 云南电网有限责任公司 | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
CN113837486B (zh) * | 2021-10-11 | 2023-08-22 | 云南电网有限责任公司 | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
CN115469192A (zh) * | 2022-11-02 | 2022-12-13 | 国网信息通信产业集团有限公司 | 一种电压暂降源定位方法及定位系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222953A (zh) | 一种基于深度学习的电能质量混合扰动分析方法 | |
Wen et al. | A maximal clique based multiobjective evolutionary algorithm for overlapping community detection | |
CN105487526B (zh) | 一种Fast RVM污水处理故障诊断方法 | |
CN109214575A (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN109243494A (zh) | 基于多重注意力机制长短时记忆网络的儿童情感识别方法 | |
CN108241873B (zh) | 一种面向泵站主设备的智能故障诊断方法 | |
CN109359693A (zh) | 一种电能质量扰动分类方法 | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
CN109975673B (zh) | 一种光伏微电网直流侧故障电弧识别方法 | |
CN109948726B (zh) | 一种基于深度森林的电能质量扰动分类方法 | |
Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
CN102982347A (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
CN104463251A (zh) | 基于集成极端学习机的肿瘤基因表达谱数据识别方法 | |
CN110263834A (zh) | 一种新能源电能质量异常值的检测方法 | |
CN102592593A (zh) | 一种考虑语音中多线性群组稀疏特性的情绪特征提取方法 | |
CN113591728A (zh) | 基于集成深度学习的电能质量扰动分类方法 | |
CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
CN110378286A (zh) | 一种基于dbn-elm的电能质量扰动信号分类方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN112085062A (zh) | 一种基于小波神经网络的异常能耗定位方法 | |
Zhu et al. | Fault location in AC transmission lines with back‐to‐back MMC‐HVDC using ConvNets | |
CN103871413A (zh) | 基于svm和hmm混合模型的男女说话声音分类方法 | |
Wang et al. | An improved bar-shaped sliding window CNN tailored to industrial process historical data with applications in chemical operational optimizations | |
CN116566061A (zh) | 一种并网逆变器系统稳定性在线监测方法及系统 | |
CN106326677B (zh) | 一种pta装置醋酸消耗的软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |