CN110399796A - 一种基于改进深度学习算法的电能质量扰动识别方法 - Google Patents
一种基于改进深度学习算法的电能质量扰动识别方法 Download PDFInfo
- Publication number
- CN110399796A CN110399796A CN201910542843.7A CN201910542843A CN110399796A CN 110399796 A CN110399796 A CN 110399796A CN 201910542843 A CN201910542843 A CN 201910542843A CN 110399796 A CN110399796 A CN 110399796A
- Authority
- CN
- China
- Prior art keywords
- signal
- model
- quality disturbance
- power quality
- electrical energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 230000006872 improvement Effects 0.000 title description 4
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000005012 migration Effects 0.000 claims abstract description 17
- 238000013508 migration Methods 0.000 claims abstract description 17
- 238000013526 transfer learning Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000001052 transient effect Effects 0.000 claims abstract description 9
- 230000008014 freezing Effects 0.000 claims abstract description 4
- 238000007710 freezing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 8
- 230000010355 oscillation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于改进深度学习算法的电能质量扰动识别方法，包括步骤：1)获取电压暂升信号、电压暂降信号、电压中断信号、谐波信号、电压尖峰信号、电压切痕信号、闪变信号、振荡暂态信号和脉冲暂态信号的九种单一扰动信号及复合电能质量扰动信号；2)结合迁移学习与深度学习，确定预训练深度卷积神经网络模型AlexNet的最佳特征层，冻结参数，进行模型迁移；3)采用SVM代替迁移后的模型的Softmax分类器，获取模型中新的全连接层；4)利用单一扰动信号和复合电能质量扰动信号对最新模型的参数进行微调，完成模型的训练和电能质量扰动信号识别。与现有技术相比，本发明具有避免部分信号丢失，提高训练效率、提高分类准确率等优点。
Description
技术领域
本发明涉及电能质量领域，尤其是涉及一种基于改进深度学习算法的电能质量扰动识别方法。
背景技术
电能凭借其安全、环保、便利、经济等优点广泛应用在照明、动力、制造、通讯等各个领域，已成为推动科技发展、社会进步的动力源。近几年，越来越多新型电气设备如直流换电站、FACTS装置等的大量使用，以及大量冲击性、非线性、波动性负荷如电气化铁路、电弧炉等投产运营，造成了电网中电能质量的日益恶化。
由于电能质量扰动的产生机理不同，使得扰动信号的时域特征有差异。电能质量扰动可分为两类，即稳态扰动问题和暂态扰动问题。其中，稳态扰动的主要特征为波形畸变，如电压波动、切痕、谐波等；暂态扰动的特征表现在频谱变化和持续时间，如中断、暂升、暂降以及振荡暂态等。电能质量扰动会给电力系统带来严重的危害，不但会增加线损，还会导致继电保护系统动作失常，出现拒动或误动，甚至波及整个区域电网，导致大规模停电事故，造成经济损失甚至人员伤亡。
因此，电网中要想获得优质供电，正确识别各扰动信号显得尤为重要。对电能质量扰动进行识别，首先需要选择合适的算法，通过充分分析信号，提取其频率、幅值及相位等特征，然后结合分类器，确定扰动的种类，以便分析电能质量问题的产生原因，为改善电能质量提供决策支持，具有重要的现实意义。常用的预测方法有时间序列法、灰色预测法、支持向量机预测法等。但是，时间序列法注重数据的拟合，对影响电能质量的不确定性因素考虑不足；灰色预测法对数据的离散程度有要求，当数据离散程度较大时，预测精度较差；支持向量机在处理随机波动性较强的数据时，精度较差，且数据集规模过大时，训练时间长，速度慢。深度卷积神经网络AlexNet在ImageNet图像数据集上取得了巨大的成功，但是训练其6000万个参数，需要海量训练数据且耗时几天甚至几周的时间，在实际应用中，实现困难。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进深度学习算法的电能质量扰动识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于改进深度学习算法的电能质量扰动识别方法，包括如下步骤：
S1、获取包括电压暂升信号、电压暂降信号、电压中断信号、谐波信号、电压尖峰信号、电压切痕信号、闪变信号、振荡暂态信号和脉冲暂态信号在内的九种单一扰动信号以及复合电能质量扰动信号。
复合电能质量扰动信号由单一扰动经叠加产生，具体叠加内容包括：
a)、根据性质对各扰动信号进行分类，其中第一类包括电压暂升信号、电压暂降信号、电压中断信号，第二类包括振荡暂态信号和脉冲信号，第三类包括电压尖峰信号、电压切痕信号，第四类包括谐波信号，第五类包括闪变信号；
b)、对隶属于不同类别的扰动信号进行混合叠加。
优选地，叠加的复合电能质量扰动信号包括十七种双重扰动、十七种三重扰动以及六种四重扰动。
S2、结合迁移学习与深度学习，确定预训练深度卷积神经网络模型AlexNet 的最佳特征层，冻结参数，进行模型迁移。具体内容为：
通过逐层迁移学习确定预训练深度卷积神经网络模型AlexNet的最佳特征层，冻结原模型中卷积层参数和池化层参数，进行模型迁移。
优选地，选取第五层卷积层作为深度卷积神经网络模型AlexNet的最佳特征层。
S3、采用SVM代替步骤S2中迁移后的模型的Softmax函数作为分类器，并将预训练深度卷积神经网络模型AlexNet的前5层进行迁移学习，将学习到的特征输入到SVM分类器中进行分类，获取模型中新的全连接层。
S4、利用步骤S1中的单一扰动信号和复合电能质量扰动信号对步骤S3的最新模型的参数进行微调，即将迁移后的模型参数中的类别数调为电能质量扰动的种类数，其他参数进行神经网络的自调整，完成模型的训练和电能质量扰动信号识别。
优选地，电能质量扰动信号的识别精度选取10次识别准确率的均值。
与现有技术相比，本发明具有以下优点：
1)本发明摒弃传统的数学变换方法，利用深度卷积神经网络强大的特征学习能力提取扰动波形的固有抽象特征，克服了人工提取特征步骤繁琐且易丢失部分原始特征的缺点，使得准确率大大提高；
2)本发明结合AlexNet与SVM，并通过确定迁移学习模型的最佳特征层来对模型进行改进，有效弥补了深度卷积神经网络训练时间长、所需训练样本多的缺陷，提高了训练效率；
3)本发明对经典神经网络AlexNet模型进行了改进，利用SVM分类器代替原模型的Softmax函数，发挥了SVM的优势，抗噪性能提高，有利于提高分类准确率；
4)本发明方法利用卷积神经网络的分层训练机制，逐层迁移寻找其最佳特征层，得到表达能力更强的特征向量，有利于提高分类准确率。
附图说明
图1为一种基于改进深度学习算法的电能质量扰动识别方法的流程示意图；
图2为本发明实施例中AlexNet模型结构图；
图3为本发明实施例中电能质量扰动信号波形图，其中，图3(a)为电压暂降信号波形图，图3(b)为电压暂升信号波形图，图3(c)为电压中断信号波形图，图3(d)为谐波信号波形图，图3(e)为电压尖峰信号波形图，图3(f)为电压切痕信号波形图，图3(g)为振荡暂态信号波形图，图3(h)为脉冲信号波形图，图3(i)为闪变信号波形图；
图4为本发明实施例中逐层迁移识别结果图；
图5为本发明实施例中单一电能质量扰动识别训练过程图；
图6为本发明实施例中双重电能质量扰动识别训练过程图；
图7为本发明实施例中三重电能质量扰动识别训练过程图；
图8为本发明实施例中四重电能质量扰动识别训练过程图。
图9为本发明实施例中三种方法的识别准确率结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如图1所示，本发明涉及一种基于改进深度学习算法的电能质量扰动识别方法，包括如下步骤：
步骤一、在MATLAB环境中随机产生暂升、暂降、中断、谐波、尖峰、切痕、闪变、振荡和脉冲这9种单一扰动以及17种双重扰动、17种三重扰动和6种四重扰动，共计49种电能质量扰动信号。
步骤二、将迁移学习与深度学习相结合，通过逐层迁移学习确定预训练深度卷积神经网络模型AlexNet的最佳特征层，冻结原模型中卷积层和池化层参数，进行模型迁移。实现的深度卷积神经网络模型AlexNet的结构如图2所示，AlexNet 模型具有8层结构，包括5个卷积层和3个全连接层，其中每一层又具有不同功能的子层。
上述中的AlexNet模型迁移的是预训练AlexNet模型的前7层网络，冻结参数，为获取最佳分类效果的特征层，本发明通过确定迁移学习模型的最佳特征层来对模型进行改进。
优选地，选取第五层卷积层作为深度卷积神经网络模型AlexNet的最佳特征层。
步骤三、对迁移模型进行改进，用SVM代替原模型的Softmax函数作为分类器，构造新的全连接层。
支持向量机的基本原理是寻找一个最优超平面，既能使样本无误分开，又能使分类间隔最大。支持向量机通过以下极小化优化模型来确定回归函数：
需满足以下条件：
式中，ω为权值向量；为模型复杂性表达项；C为平衡系数；ξi为松弛因子；是将数据映射到高位空间的非线性变换；b为偏置；ξ为误差上限。
得到支持向量机回归函数为：
式中，k(Xi,X)称为核函数，ai、为Lagrange乘子。
支持向量机具有较好的非线性拟合能力，克服了传统分类器训练时间长、易陷入局部最小等缺点，并提高了模型的泛化能力，所以本发明方法中的模型采用支持向量机来替换迁移后的AlexNet模型中的Softmax分类器，将预训练AlexNet模型的前5层进行迁移学习，把学习到的特征输入到SVM分类器中进行分类，以提高小样本分类的准确率。
步骤四、用电能质量扰动信号对迁移后的模型参数进行微调，将迁移后的模型参数中的类别数调为电能质量扰动的种类数，其他参数为神经网络的自调整，完成训练和识别。
本实施例采用实测电能质量扰动数据对本发明方法进行验证。电能质量扰动仿真信号上分别叠加信噪比为20db、30db、40db和50db的高斯白噪声。识别电能质量扰动信号的识别精度取10次识别准确率的均值。
表1为单一电能质量扰动模型的表达式。表1中的各电能质量扰动信号如图3 所示。
表1单一扰动模型表达式(ω＝2π*50rads)
基于AlexNet的不足，本发明利用在ImageNet图像数据集上预训练的模型通过微调使其适应于电能质量复合扰动信号的识别问题。引入迁移学习，冻结原模型中卷积层和池化层参数，替换最后一层全连接层，用SVM替换原模型中的Softmax 函数作为分类器。为寻找模型的最佳特征层，对模型进行逐层迁移。
本实施例以四重扰动为例，对网络进行逐层迁移，作为SVM分类器的输入，分类结果如图4所示。由图4可知，迁移模型的前3层分类准确率缓慢上升，第4 层准确率上升幅度较大，第5层准确率达到峰值，第6层略有下降，第7层准确率有回升，但不是最佳。可知，对电能质量扰动波形信号而言，第五层卷积层(’conv5’) 为最佳特征层。
将预训练AlexNet模型的前5层进行迁移学习，把学习到的特征输入到SVM 分类器中进行分类。由于实际电能质量数据会受到噪声的影响，所以在仿真信号上分别叠加信噪比为20db、30db、40db和50db的高斯白噪声。其训练过程如图5～图8所示，随着迭代次数的增加，电能质量扰动的识别准确率逐步上升，最终趋于稳定。识别结果如表2～5所示。
表2单一扰动仿真测试结果
表3双重扰动仿真测试结果
表4三重扰动仿真测试结果
表5四重扰动仿真测试结果
从图5～8及表2-5可以看出，9种单一扰动和40种复合扰动的识别准确率均较高，无噪声情况下准确率均为94％以上，而且当叠加不同信噪比的高斯白噪声时，本发明深度迁移学习模型仍有较高的识别准确率(92％以上)，说明本发明模型的抗噪性能良好。
图9为本发明方法与其他方法的识别准确率对比，其他方法包括传统的 AlexNet迁移学习法以及现有技术提出的基于时频域多特征量的电能质量混合扰动分类新方法，其采用的是传统数学变换的方法来进行特征提取。从以上图表可看出，本发明方法对于混有不同强度噪声的扰动，均具有良好的识别精度，尤其是单一扰动和双重扰动，识别准确率均为99％以上。由于多重扰动之间的相互干扰，三重扰动和四重扰动的识别准确率有所降低，但仍在94％以上，基本满足识别精度要求。
本实施例还利用实测电能质量扰动信号对本发明方法进行有效性说明。选取上海市多个变电站和某商业用户的实测电能质量扰动信号。实际电力系统中发生三重及四重扰动的概率较小，表6为297组实测单一扰动信号，表7中为实测部分双重扰动信号共89个扰动样本，采样频率fs为6.4kHz，信号样本长度为5-10周期。取 10次的识别结果的均值作为最终精度值，结果如表所示。
表6实测波形识别结果
| 扰动类型 | 数量/组 | 分类准确率/％ |
| 暂降 | 93 | 100 |
| 暂升 | 76 | 100 |
| 中断 | 30 | 100 |
| 尖峰 | 16 | 99 |
| 脉冲 | 10 | 100 |
| 谐波 | 46 | 99 |
| 切痕 | 13 | 99 |
| 闪变 | 6 | 100 |
| 振荡 | 7 | 99 |
| 平均分类准确率/％ | \ | 99.6 |
表7实测波形识别结果
由表6～7中实验结果可知，本发明方法对以上单一实测扰动波形的平均识别准确率可达99.6％，对以上双重实测扰动波形的平均识别准确率可达98.86％，证明本发明方法对于电能质量扰动信号的识别是有效的。
本发明一种基于改进深度学习算法的电能质量扰动识别方法通过深度卷积神经网络AlexNet进行迁移学习，提取扰动信号的固有抽象特征，以此作为SVM分类器的输入进行电能质量扰动分类。此方法有效利用了深度卷积神经网络强大的特征提取和泛化能力，克服了传统识别方法步骤繁琐复杂、计算量大，容易丢失原始信号特征的缺陷，解决了训练深度学习网络时样本数量不足的问题,同时也避免了复杂的模型设计和耗时的模型训练。实验结果表明，本发明所提出的基于改进深度学习算法的电能质量扰动方法具有良好的识别准确性、抗噪性和实用性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于改进深度学习算法的电能质量扰动识别方法，其特征在于，该方法包括下列步骤：
1)获取包括电压暂升信号、电压暂降信号、电压中断信号、谐波信号、电压尖峰信号、电压切痕信号、闪变信号、振荡暂态信号和脉冲暂态信号在内的九种单一扰动信号以及复合电能质量扰动信号；
2)结合迁移学习与深度学习，确定预训练深度卷积神经网络模型AlexNet的最佳特征层，冻结参数，进行模型迁移；
3)采用SVM代替步骤2)中迁移后的模型的Softmax函数作为分类器，并将预训练深度卷积神经网络模型AlexNet的前5层进行迁移学习，将学习到的特征输入到SVM分类器中进行分类，获取模型中新的全连接层；
4)利用步骤1)中的单一扰动信号和复合电能质量扰动信号对步骤3)的最新模型的参数进行微调，完成模型的训练和电能质量扰动信号识别。
2.根据权利要求1所述的一种基于改进深度学习算法的电能质量扰动识别方法，其特征在于，步骤1)中，复合电能质量扰动信号由单一扰动经叠加产生，具体叠加内容包括：
a)、根据性质对各扰动信号进行分类，其中第一类包括电压暂升信号、电压暂降信号、电压中断信号，第二类包括振荡暂态信号和脉冲信号，第三类包括电压尖峰信号、电压切痕信号，第四类包括谐波信号，第五类包括闪变信号；
b)、对隶属于不同类别的扰动信号进行混合叠加。
3.根据权利要求2所述的一种基于改进深度学习算法的电能质量扰动识别方法，其特征在于，叠加的复合电能质量扰动信号包括十七种双重扰动、十七种三重扰动以及六种四重扰动。
4.根据权利要求1所述的一种基于改进深度学习算法的电能质量扰动识别方法，其特征在于，步骤2)的具体内容为：
通过逐层迁移学习确定预训练深度卷积神经网络模型AlexNet的最佳特征层，冻结原模型中卷积层参数和池化层参数，进行模型迁移。
5.根据权利要求4所述的一种基于改进深度学习算法的电能质量扰动识别方法，其特征在于，选取第五层卷积层作为深度卷积神经网络模型AlexNet的最佳特征层。
6.根据权利要求1所述的一种基于改进深度学习算法的电能质量扰动识别方法，其特征在于，步骤4)中，对步骤3)的最新模型的参数进行微调的具体内容为：
将迁移后的模型参数中的类别数调为电能质量扰动的种类数，其他参数进行神经网络的自调整。
7.根据权利要求1所述的一种基于改进深度学习算法的电能质量扰动识别方法，其特征在于，步骤4)中，电能质量扰动信号的识别精度选取10次识别准确率的均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542843.7A CN110399796A (zh) | 2019-09-02 | 2019-09-02 | 一种基于改进深度学习算法的电能质量扰动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542843.7A CN110399796A (zh) | 2019-09-02 | 2019-09-02 | 一种基于改进深度学习算法的电能质量扰动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110399796A true CN110399796A (zh) | 2019-11-01 |
Family
ID=68324215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910542843.7A Pending CN110399796A (zh) | 2019-09-02 | 2019-09-02 | 一种基于改进深度学习算法的电能质量扰动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110399796A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110989363A (zh) * | 2019-12-27 | 2020-04-10 | 广东电网有限责任公司电力科学研究院 | 一种基于深度学习的电能质量控制方法及装置 |
| CN111666984A (zh) * | 2020-05-20 | 2020-09-15 | 海南电网有限责任公司电力科学研究院 | 一种基于迁移学习的过电压智能识别方法 |
| CN113098021A (zh) * | 2021-04-20 | 2021-07-09 | 山东科技职业学院 | 电力系统自动电压控制方法 |
| CN113657220A (zh) * | 2021-08-03 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 电能质量扰动信号分类模型的训练方法及装置 |
| WO2022119426A1 (fr) * | 2020-12-01 | 2022-06-09 | Université Internationale de RABAT | Système intelligent pour détection et notification instantanée des perturbations de la qualité du signal électrique |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203318A (zh) * | 2016-06-29 | 2016-12-07 | 浙江工商大学 | 基于多层次深度特征融合的摄像机网络行人识别方法 |
| CN108197591A (zh) * | 2018-01-22 | 2018-06-22 | 北京林业大学 | 一种基于多特征融合迁移学习的鸟类个体识别方法 |
| CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
| CN109359693A (zh) * | 2018-10-24 | 2019-02-19 | 国网上海市电力公司 | 一种电能质量扰动分类方法 |
| CN109558942A (zh) * | 2018-11-20 | 2019-04-02 | 电子科技大学 | 一种基于浅度学习的神经网络迁移方法 |
-
2019
- 2019-09-02 CN CN201910542843.7A patent/CN110399796A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203318A (zh) * | 2016-06-29 | 2016-12-07 | 浙江工商大学 | 基于多层次深度特征融合的摄像机网络行人识别方法 |
| CN108197591A (zh) * | 2018-01-22 | 2018-06-22 | 北京林业大学 | 一种基于多特征融合迁移学习的鸟类个体识别方法 |
| CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
| CN109359693A (zh) * | 2018-10-24 | 2019-02-19 | 国网上海市电力公司 | 一种电能质量扰动分类方法 |
| CN109558942A (zh) * | 2018-11-20 | 2019-04-02 | 电子科技大学 | 一种基于浅度学习的神经网络迁移方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110989363A (zh) * | 2019-12-27 | 2020-04-10 | 广东电网有限责任公司电力科学研究院 | 一种基于深度学习的电能质量控制方法及装置 |
| CN110989363B (zh) * | 2019-12-27 | 2022-01-25 | 广东电网有限责任公司电力科学研究院 | 一种基于深度学习的电能质量控制方法及装置 |
| CN111666984A (zh) * | 2020-05-20 | 2020-09-15 | 海南电网有限责任公司电力科学研究院 | 一种基于迁移学习的过电压智能识别方法 |
| CN111666984B (zh) * | 2020-05-20 | 2023-08-25 | 海南电网有限责任公司电力科学研究院 | 一种基于迁移学习的过电压智能识别方法 |
| WO2022119426A1 (fr) * | 2020-12-01 | 2022-06-09 | Université Internationale de RABAT | Système intelligent pour détection et notification instantanée des perturbations de la qualité du signal électrique |
| CN113098021A (zh) * | 2021-04-20 | 2021-07-09 | 山东科技职业学院 | 电力系统自动电压控制方法 |
| CN113098021B (zh) * | 2021-04-20 | 2022-11-18 | 山东科技职业学院 | 电力系统自动电压控制方法 |
| CN113657220A (zh) * | 2021-08-03 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 电能质量扰动信号分类模型的训练方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110399796A (zh) | 一种基于改进深度学习算法的电能质量扰动识别方法 | |
| CN109271975B (zh) | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 | |
| CN110111015A (zh) | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 | |
| CN108344812A (zh) | 一种变压器故障诊断方法、装置及存储介质 | |
| CN109145957A (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
| CN107124394A (zh) | 一种电力通信网络安全态势预测方法和系统 | |
| CN107832777A (zh) | 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 | |
| CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
| CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
| CN104881741B (zh) | 基于支持向量机的电力系统暂态稳定判断方法 | |
| CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
| CN105719029A (zh) | 一种基于风速波动特征提取的风电功率组合预测方法 | |
| CN111325485B (zh) | 计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法 | |
| CN110046593B (zh) | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 | |
| CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
| CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
| CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
| CN112633315A (zh) | 一种电力系统扰动分类方法 | |
| CN103310027B (zh) | 用于地图模板匹配的规则提取方法 | |
| CN114660375A (zh) | 一种电力设备故障的辨识方法 | |
| CN103606111A (zh) | 一种综合电压合格率的评估方法 | |
| CN114492559A (zh) | 一种基于数据时频域建模的电力设备故障诊断方法 | |
| CN105335763A (zh) | 一种基于改进型极速学习机的织物疵点分类方法 | |
| Zhu | N days average volume based ARIMA forecasting model for Shanghai metro passenger flow | |
| CN106291236A (zh) | 基于暂态故障行波的限流器用故障检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |