CN113688786B - 基于pso优化宽度学习的电压暂降多重扰动源辨识方法 - Google Patents
基于pso优化宽度学习的电压暂降多重扰动源辨识方法 Download PDFInfo
- Publication number
- CN113688786B CN113688786B CN202111062846.4A CN202111062846A CN113688786B CN 113688786 B CN113688786 B CN 113688786B CN 202111062846 A CN202111062846 A CN 202111062846A CN 113688786 B CN113688786 B CN 113688786B
- Authority
- CN
- China
- Prior art keywords
- voltage sag
- data
- pso
- disturbance
- disturbance source
- 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.)
- Active
Links
- 230000013016 learning Effects 0.000 title claims abstract description 85
- 238000005457 optimization Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000002245 particle Substances 0.000 title claims abstract description 57
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 54
- 210000002569 neuron Anatomy 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000006698 induction Effects 0.000 claims description 8
- 230000016507 interphase Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备，该基于PSO优化宽度学习的电压暂降多重扰动源辨识方能够避免数据遗漏和提取与辨识的匹配不佳的问题，采用PSO‑BLS网络进行了特征提取，实现特征提取和辨识一体化，提高辨识效率，同时消除随机权重的不确定影响，有效缩短了辨识时间，辨识方法简单易行，辨识效果更直观，解决了现有对电压暂降的识别方法中的特征提取和源辨识是分离操作，存在提取特征与输入不匹配以及辨识时间长的技术问题。
Description
技术领域
本发明涉及电压暂降技术领域，尤其涉及一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备。
背景技术
电压暂降是指供电电压有效值在短时间内突然下降又回升恢复的现象，目前识别电压暂降一般采用电压暂降多重干扰源的辨识方法，但是电压暂降多重干扰源的辨识方法主要包括两部分：特征提取和源辨识，源辨识与特征提取进行分离操作，一定程度上增加了辨识时间。并且特征提取一般采用傅里叶变换(Fourier transform，FT)、小波变换(Wavelet Transform，WT)、希尔伯特-黄(Hilbert-Huang Transform，HHT)变换、S变换等对数据进行提取，在一定程度能够有效提取扰动源的特征信息，但是难免会忽略一些，由此特征提取的特征存在网络参数随机取值的问题。电压暂降的源辨识主要是基于信号处理，过程较于复杂繁琐，工作量大且耗时。
发明内容
本发明实施例提供了一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备，用于解决现有对电压暂降的识别方法中的特征提取和源辨识是分离操作，存在提取特征与输入不匹配以及辨识时间长的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，包括以下步骤：
S1.获取k个电压暂降扰动源的数据，并对k个所述电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征；
S2.构建PSO优化宽度学习模型，并采用所述PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到BLS网络层级之间神经元组的权重集合；
S3.从各个电压暂降扰动源的所述基准特征提取数据作为测试集和训练集，采用PSO-BLS网络对所述训练集的基准特征和所述权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据，并对所述组合数据进行伪逆求解，得到权值数据；
S4.通过步骤S2和步骤S3对所述测试集的基准特征进行处理，得到测试组合数据和测试权值数据，并输出扰动源类别的识别结果。
优选地，获取k个电压暂降扰动源的数据，并对k个所述电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征的步骤包括：
从电力系统中获取引起电压暂降的k个电压暂降扰动源的数据组成的电压数据库；
从所述电压数据库中获取每个所述电压暂降扰动源的2n×b个电压矩阵数，并绘制每个所述电压暂降扰动源的2n条电压曲线；
采用MATLAB对每个所述电压暂降扰动源的2n条电压曲线进行拟合处理，得到一条与所述电压暂降扰动源对应的特征曲线；
从所述特征曲线中提取1×b个电压向量数据作为对应所述电压暂降扰动源的基准特征；
所述电压数据库包括三相短路、两相接地短路、单相接地短路、两相相间短路、大型感应电动机启动、大型变压器投切电压暂降扰动源的数据，每个所述电压暂降扰动源的数据包括4n×b个电压矩阵数据，n为扰动源出现的次数，b为采样点数。
优选地，该基于PSO优化宽度学习的电压暂降多重扰动源辨识方法包括：对所述电压数据库中的对每个电压暂降扰动源数据建立标签。
优选地，构建PSO优化宽度学习模型的步骤包括：
S21.采用BLS网络的输入与特征节点之间所有神经元组N的权重和特征节点与增强节点之间所有神经元组M的权重形成一个粒子群个体；
S22.采用适应度函数计算所述粒子群个体的适应度值；
S23.对所述粒子群个体采用步骤S21和步骤S22反复迭代，至少迭代的次数达到迭代阈值，输出该粒子群个体的最优权重集。
优选地，采用所述PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到与BLS网络层级之间神经元组对应的权重包括：1 个神经元组作为一个粒子群个体，采用PSO优化宽度学习模型对每个电压暂降扰动源的1×b个基准特征进行处理，得到BLS网络层级之间神经元组的权重集合。
优先地，采用PSO-BLS网络对所述训练集的基准特征和所述权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据的步骤包括：
对所述训练集的基准特征采用增广矩阵和归一出处理，得到归一化后处理后的特征数据；
基于BLS网络的输入与特征节点之间所有神经元组N，将所述特征数据与BLS网络的神经元进行特征映射，得到第一次特征提取的N组含有神经元的特征节点V；
基于BLS网络的特征节点与增强节点之间所有神经元组M，对N组含有神经元的特征节点进行二次卷积和偏置处理，得到第二次特征提取的M组含有神经元的增强节点W；
通过特征节点V与增强节点W矩阵合并，得到组合数据。
优选地，对所述组合数据进行伪逆求解，得到权值数据的步骤包括：采用
对所述组合数据进行伪逆求解，得到权值数据ω*；其中，
为组合数据
的伪逆，Y*为k个电压暂降扰动源数据的标签。
优选地，输出扰动源类别的识别结果Ο*为Ο*＝[[a1]n×1 … [ak]n×1]T，ak为第k个电压暂降扰动源的标签数值，n为干扰源的数量。
本发明还提供一种基于PSO优化宽度学习的电压暂降多重扰动源辨识装置，包括数据获取处理模块、模型构建模块、训练模块和识别模块；
所述数据获取处理模块，用于获取k个电压暂降扰动源的数据，并对k 个所述电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征；
所述模型构建模块，用于构建PSO优化宽度学习模型，并采用所述PSO 优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到 BLS网络层级之间神经元组的权重集合；
所述训练模块，用于从各个电压暂降扰动源的所述基准特征提取数据作为测试集和训练集，采用PSO-BLS网络对所述训练集的基准特征和所述权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据，并对所述组合数据进行伪逆求解，得到权值数据；
所述识别模块，用于通过所述模型构建模块和所述训练模块对所述测试集的基准特征进行处理，得到测试组合数据和测试权值数据，并输出扰动源类别的识别结果。
本发明还提供一种基于PSO优化宽度学习的电压暂降多重扰动源辨识设备，包括处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于根据所述程序代码中的指令执行上述所述的基于PSO 优化宽度学习的电压暂降多重扰动源辨识方法。
从以上技术方案可以看出，本发明实施例具有以下优点：该基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备，该方法包括：包括：获取k个电压暂降扰动源的数据，并对k个电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征；构建PSO优化宽度学习模型，并采用PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到BLS网络层级之间神经元组的权重集合；从各个电压暂降扰动源的基准特征提取数据作为测试集和训练集，采用PSO-BLS网络对训练集的基准特征和权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据，并对组合数据进行伪逆求解，得到权值数据；采用PSO优化宽度学习模型对测试集的基准特征，得到测试权重；通过步骤S2和步骤S3对所述测试集的基准特征进行处理，得到测试组合数据和测试权值数据，并输出扰动源类别的识别结果。该基于PSO优化宽度学习的电压暂降多重扰动源辨识方能够避免数据遗漏和提取与辨识的匹配不佳的问题，采用PSO-BLS网络进行了特征提取，实现特征提取和辨识一体化，提高辨识效率，同时消除随机权重的不确定影响，有效缩短了辨识时间，辨识方法简单易行，辨识效果更直观，解决了现有对电压暂降的识别方法中的特征提取和源辨识是分离操作，存在提取特征与输入不匹配以及辨识时间长的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法的步骤流程图；
图2为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法获得基准特征的步骤流程图；
图3为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法构建PSO优化宽度学习模型的步骤流程图；
图4为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法PSO-BLS网络训练的步骤流程图；
图5为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法的网络结构图；
图6为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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前提下所获得的所有其它实施例，都属于本发明保护的范围。
本申请实施例提供了一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备，用于解决了现有对电压暂降的识别方法中的特征提取和源辨识是分离操作，存在提取特征与输入不匹配以及辨识时间长的技术问题。
实施例一：
图1为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法的步骤流程图。
如图1所示，本发明实施例提供了一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，包括以下步骤：
S1.获取k个电压暂降扰动源的数据，并对k个电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征。
需要说明的是，主要是获取历史引起发生电压暂降扰动源的数据，对不同扰动源的数据进行分析处理，得到不同扰动源的基准特征，为后续识别引起电压暂降的扰动源提供基础数据。
S2.构建PSO优化宽度学习模型，并采用PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到BLS网络层级之间神经元组的权重集合。
需要说明的是，步骤S2主要是通过构建的PSO优化宽度学习模型对不同扰动源的基准特征数据进行处理分析，得到BLS网络层级之间神经元组的权重集合。
S3.从各个电压暂降扰动源的基准特征提取数据作为测试集和训练集，采用PSO-BLS网络对训练集的基准特征和权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据，并对组合数据进行伪逆求解，得到权值数据。
需要说明的是，主要是将各个电压暂降扰动源的基准特征提取数据作为测试集和训练集，以便后续网络的训练与测试。在本实施例中，将各个电压暂降扰动源的1/4数据作为训练集，1/4作为测试集；不管是测试集还是训练集，每种扰动源的数据量一样。
在本发明实施例中，采用PSO-BLS网络对训练集的数据进行两次特征提取，最终得到识别扰动源需要的组合数据和权值数据，有利益实现特征提取和辨识一体化，提高辨识效率，同时消除随机权重的不确定影响，有效缩短了辨识时间，辨识方法简单易行，辨识效果更直观。
S4.通过步骤S2和步骤S3对测试集的基准特征进行处理，得到测试组合数据和测试权值数据，并输出扰动源类别的识别结果。
需要说明的是，采用测试集验证用PSO优化宽度学习模型和PSO-BLS 网络得到的结果，进一步验证该于PSO优化宽度学习的电压暂降多重扰动源辨识方法的可行性。在本实施例中，采用PSO优化宽度学习模型对测试集的基准特征，得到测试权重；采用PSO-BLS网络对测试权重和测试集的基准特征经过进行两次特征提取、伪逆求解，得到测试组合数据和测试权值数据。其中，测试权重是BLS网络层级之间神经元组的权重集合，采用PSO-BLS 网络对测试集的基准特征进行两次特征提取，经过测试权重的卷积偏置处理，得到测试组合数据，并对测试组合数据利用步骤S3中的权重集合卷积处理，输出扰动源类别的辨识结果。
本发明提供的一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，包括：获取k个电压暂降扰动源的数据，并对k个电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征；构建PSO优化宽度学习模型，并采用PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到BLS网络层级之间神经元组的权重集合；从各个电压暂降扰动源的基准特征提取数据作为测试集和训练集，采用PSO-BLS网络对训练集的基准特征和权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据，并对组合数据进行伪逆求解，得到权值数据；采用PSO优化宽度学习模型对测试集的基准特征，得到测试权重；通过步骤S2和步骤S3 对测试集的基准特征进行处理，得到测试组合数据和测试权值数据，并输出扰动源类别的识别结果。该基于PSO优化宽度学习的电压暂降多重扰动源辨识方能够避免数据遗漏和提取与辨识的匹配不佳的问题，采用PSO-BLS网络进行了特征提取，实现特征提取和辨识一体化，提高辨识效率，同时消除随机权重的不确定影响，有效缩短了辨识时间，辨识方法简单易行，辨识效果更直观，解决了现有对电压暂降的识别方法中的特征提取和源辨识是分离操作，存在提取特征与输入不匹配以及辨识时间长的技术问题。
在本发明实施例中，该基于PSO优化宽度学习的电压暂降多重扰动源辨识方法与现有的辨识方法相比，避免了将原始数据经过某种方式进行特征提取(数据量减少)后，再用提取后的数据通过另一种方式进行辨识(存在特征数据并一定是辨识网络的最佳输入数据)。该基于PSO优化宽度学习的电压暂降多重扰动源辨识方法在PSO-BLS网络中的输入数据包含所有的原始数据，并且识别与特征提取均采用PSO-BLS网络，不存在有两种方式的组合，解决了数据遗漏和提取与辨识的匹配不佳的问题。
图2为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法获得基准特征的步骤流程图。
如图2所示，在本发明的一个实施例中，在步骤S1中，获取k个电压暂降扰动源的数据，并对k个电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征的步骤包括：
S11.从电力系统中获取引起电压暂降的k个电压暂降扰动源的数据组成的电压数据库；
S12.从电压数据库中获取每个电压暂降扰动源的2n×b个电压矩阵数，并绘制每个电压暂降扰动源的2n条电压曲线；
S13.采用MATLAB对每个电压暂降扰动源的2n条电压曲线进行拟合处理，得到一条与电压暂降扰动源对应的特征曲线；
S14.从特征曲线中提取1×b个电压向量数据作为对应电压暂降扰动源的基准特征；
电压数据库包括三相短路、两相接地短路、单相接地短路、两相相间短路、大型感应电动机启动、大型变压器投切电压暂降扰动源的数据，每个电压暂降扰动源的数据包括4n×b个电压矩阵数据，n为扰动源出现的次数，b 为采样点数。
在本发明实施例的步骤S11中，从电力系统的历史数据库中获取由三相短路、两相接地短路、单相接地短路、两相相间短路、大型感应电动机启动、大型变压器投切这六种扰动源引起电压暂降数据组成的电压数据库记为X， X＝[X1(4n×b),X2(4n×b),X3(4n×b),X4(4n×b),X5(4n×b),X6(4n×b)]T，其中，X1(4n×b)为由三相短路引起电压暂降的4n×b电压矩阵数据；X2(4n×b)为由两相接地短路引起电压暂降的 4n×b电压矩阵数据；X3(4n×b)为由单相接地短路引起电压暂降的4n×b电压矩阵数据；X4(4n×b)为由两相相间短路引起电压暂降的4n×b电压矩阵数据；X5(4n×b)为由大型感应电动机启动引起电压暂降的4n×b电压矩阵数据；X6(4n×b)为由大型变压器投切引起电压暂降的4n×b电压矩阵数据。在本实施例中，n可以为一年内出现扰动源的累计次数，b可以为一天内的采样点数。
在本发明实施例的步骤S12至步骤S14中，将电压数据库中的每一个电压暂降扰动源的任意2n×b矩阵块以列为横坐标、行为纵坐标，绘制2n条一种扰动源电压曲线，通过MATLAB曲线拟合进行拟合处理，得到该扰动源的基准特征，6种扰动源基准特征集合为X*：X*＝[Xss(1×b),Xlds(1×b),Xds(1×b),Xlls(1×b),XIM(1×b),XT(1×b)]T。式中，Xss(1×b)为由三相短路引起电压暂降1×b矩阵的基准特征；Xlds(1×b)为由两相接地短路引起电压暂降1×b矩阵的基准特征；Xds(1×b)为由单相接地短路引起电压暂降1×b矩阵的基准特征； Xlls(1×b)为由两相相间短路引起电压暂降1×b矩阵的基准特征；XIM(1×b)为由大型感应电动机启动引起电压暂降1×b矩阵的基准特征；XT(1×b)为由大型变压器投切引起电压暂降1×b矩阵的基准特征。
在本发明的一个实施例中，该基于PSO优化宽度学习的电压暂降多重扰动源辨识方法包括：对电压数据库中的对每个电压暂降扰动源数据建立标签。
需要说明的是，对步骤S14中得到的各个电压暂降扰动源的基准特征构建成标签：Y*＝[[Xss(n×b),Xlds(n×b),Xds(n×b),Xlls(n×b),XIM(n×b),XT(n×b)]T|[[1]n×1 … [6]n×1]T]。其中，Xss(n×b),Xlds(n×b),Xds(n×b),Xlls(n×b),XIM(n×b),XT(n×b)中每个矩阵内的行元素一样，1为三相短路引起电压暂降的扰动源，2为两相接地短路引起电压暂降的扰动源， 3为单相接地短路引起电压暂降的扰动源，4为两相相间短路引起电压暂降的扰动源，5为大型感应电动机启动引起电压暂降的扰动源，6为大型变压器投切引起电压暂降的扰动源。
在本发明实施例中，将电压数据库中各个电压暂降扰动源剩下2n个数据对应的基准特征任意取出n个作为训练集Xtr，其余的作为测试集Xte，即是： Xtr＝[X1(n×b),X2(n×b),X3(n×b),X4(n×b),X5(n×b),X6(n×b)]T； Xte＝[X1(n×b),X2(n×b),X3(n×b),X4(n×b),X5(n×b),X6(n×b)]T。训练集Xtr主要用于PSO-BLS网络确定输入与特征节点之间和特征节点与增强节点之间的权重，建立识别扰动源的网络。测试集Xte主要用于测试PSO-BLS网络识别的效果。
图3为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法构建PSO优化宽度学习模型的步骤流程图。
如图3所示，在本发明的一个实施例中，构建PSO优化宽度学习模型的步骤包括:
S21.采用BLS网络的输入与特征节点之间所有神经元组N的权重和特征节点与增强节点之间所有神经元组M的权重形成一个粒子群个体；
S22.采用适应度函数计算粒子群个体的适应度值；
S23.对粒子群个体采用步骤S21和步骤S22反复迭代，至少迭代的次数达到迭代阈值，输出该粒子群个体的最优权重集。
在本发明实施例中，采用PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到与BLS网络层级之间神经元组对应的权重包括：1个神经元组作为一个粒子群个体，采用PSO优化宽度学习模型对每个电压暂降扰动源的1×b个基准特征进行处理，得到BLS网络层级之间神经元组的权重集合。
需要说明的是，BLS网络层级之间神经元组的权重集合指的是BLS网络输入与特征节点之间和特征节点与增强节点之间神经元组的权重集合。
在本发明实施例的步骤S21中，将BLS网络的输入与特征节点之间的所有神经元组N和特征节点与增强节点之间的所有神经元组M的权重编码成实数字码串来表征一个粒子群个体。每个粒子群个体由N+M个权值参数组成的向量来表示：Ο＝[ωe1,ωe2,...,ωeN,ωh1,ωh2,...,ωhM]，其中，Ο为粒子群个体，ωe1,ωe2,...,ωeN为输入与特征节点之间的N组权重，ωe1,ωe2,...,ωeN为特征节点与增强节点之间的M组权重。
需要说明的是，步骤S21主要是将一组(两个为一组)宽度学习网络层级之间的权重(输入与特征节点之间，特征节点与增强节点之间)作为粒子群个体，从而形成粒子群。
在本发明实施例的步骤S22和步骤S23中，主要是得到各个扰动源最优的权重。首先，先选定优化的目标函数作为适应度函数，计算每一个粒子的适应度值
适应度函数为：
其中，
为对数损失函数表达式，K为输入样本量，Λ为类别数；yij为二值指标，用于显示类别j是否是输入实例的真实类别；pij为预测输入实例属于类别j的概率。
为规范项，λ为规范化参数且λ＞0；ωe和ωh分别为输入与特征节点之间的权重和特征节点与增强节点之间的权重，a为粒子数量，i∈K，j∈Λ。
其次，更新粒子个体的速度和位置，即是重新计算粒子个体的适应度值。更新计算粒子个体的适应度值的公式为：
其中，υid(t+1)、xid(t+1)分别为第i个粒子个体在第t+1次迭代中第d维上的速度和位置；υid(t)、xid(t)分别为第i个粒子个体在第t次迭代中第d维上的速度和位置；
为平衡全局和局部搜索能力的惯性系数；rand()为生成0～1随机数；η1、η2分别为认知学习因子和社会学习因子；pid、pgd分别为粒子个体本身的最优解和粒子群的最优解；υmax为最大限速。
最后，当达到所设定的迭代阈值(100～200)后，最优位置的粒子个体即为最优权重集ωe＝[ωe1,ωe2,...,ωeN]、ωh＝[ωh1,ωh2,...,ωhM]。
需要说明的是，采用适应度函数计算所述粒子群个体的适应度值通过对数损失函数提高辨识准确度误差，以及通过L2规范项的最小值提高对权重的约束，增加收敛性，适应度函数与权重(即是与粒子群个体的速度和位置) 有关。反复迭代主要是迭代寻找最优的粒子个体的适应度，即是具有最优适应度的粒子个体的位置和速度(权重)。在本实施例中，PSO优化宽度学习模型中宽度学习的权重作为PSO的粒子群；确定适应度函数，计算各粒子初始适应度，更新各粒子位置和速度；计算更新后的各粒子适应度，得到更新粒子位置和速度，实现反复迭代，当迭代的次数达到迭代阈值，输出最优的位置和速度(权重)。其中，迭代阈值数值可以根据需求设置。
图4为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法PSO-BLS网络训练的步骤流程图。
如图4所示，在本发明的一个实施例中，采用PSO-BLS网络对训练集的基准特征和权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据的步骤包括：
S31.对训练集的基准特征采用增广矩阵和归一出处理，得到归一化后处理后的特征数据；
S32.基于BLS网络的输入与特征节点之间所有神经元组N，将特征数据与BLS网络的神经元进行特征映射，得到第一次特征提取的N组含有神经元的特征节点V；
S33.基于BLS网络的特征节点与增强节点之间所有神经元组M，对N组含有神经元的特征节点进行二次卷积和偏置处理，得到第二次特征提取的M 组含有神经元的增强节点W；
S34.通过特征节点V与增强节点W矩阵合并，得到组合数据。
在本发明实施例的步骤S31中，主要对训练集Xtr中的基准特征进行数据处理，得到处理后的特征数据，便于步骤S32对特征数据进行第一次的特征提取。
在本发明实施例的步骤S32中，将训练集Xtr进行归一化处理后，根据PSO 优化宽度学习模型所得到的输入与特征节点之间的权重，对数据进行卷积和随机偏置处理，为避免处理后的数据之间具有较强线性相关性，再进行稀疏表示，即得到特征节点。具体地，将特征数据与BLS网络的神经元进行特征映射所采用的公式为：
Vi＝f(Xtr(n×(b+1))ωei+βei)i＝1,2,...,N
式中，f(·)为具有稀疏作用的激活函数；Xtr(n×(b+1))为特征数据；ωei为步骤 S2迭代优化后的输入与特征节点之间的最优权重集；βei为ωei对应的随机偏置；Q<d。N个特征节点组合定义为V＝[V1,V2,...,VN]。
在本发明实施例的步骤S33中，根据PSO优化宽度学习模型所得到的特征节点与增强节点之间的权重，对N组含有神经元的特征节点再次卷积和随机偏置处理，再通过非线性激活函数处理，即得到增强节点。具体地，对N 组含有神经元的特征节点进行二次卷积和偏置处理的公式为：
Wj＝g(Vωhj+βhj)j＝1,2,...,M
式中，g(·)为正交规范化处理后的非线性激活函数；ωhj为步骤S2迭代优化后的特征节点与增强节点之间的最优权重集；βhj为ωhj对应的随机偏置。M 个增强节点组合定义为W＝[W1,W2,...,WM]。
在本发明实施例的步骤S34中，主要是将特征节点和增强节点按列直接拼接成组合数据
在本实施例中，组合数据
在本发明的一个实施例中，对组合数据进行伪逆求解，得到权值数据的步骤包括：采用
对组合数据进行伪逆求解，得到权值数据ω*；其中，
为组合数据
的伪逆，Y*为k个电压暂降扰动源数据的标签。
需要说明的是，得到的得到权值数据连接了PSO-BLS网络的输入与输出，它的存在决定了输出的结果，从而决定了辨识的精度。
图5为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法的网络结构图。
在本发明的一个实施例中，在步骤S4中，输出扰动源类别的识别结果Ο*为Ο*＝[[a1]n×1 … [ak]n×1]T，ak为第k个电压暂降扰动源的标签数值，n为干扰源的数量。
需要说明的是，如图5所示，通过步骤S2对训练集Xtr进行处理，得到 PSO优化BLS得到的最优权重，即是BLS网络层级之间神经元组的权重ωe、ωh；通过步骤S3对测试集Xte和测试权重ωe、ωh处理，最终生成测试组合数据
和得到测试权值数据ω*，根据PSO-BLS网络的输入与输出线性关系，输出辨识类别Ο*，Ο*为分块数值矩阵。在本实施例中，以6个扰动源作为案例，分块数值矩阵中的a1...a6可以取1-6中任意整数值，其取值依据是根据输入干扰源类型。1为电压暂降扰动源为三相短路；2为电压暂降扰动源为两相接地短路；3为电压暂降扰动源为单相接地短路；4为电压暂降扰动源为两相相间短路；5为电压暂降扰动源为大型感应电动机启动；6为电压暂降扰动源为大型变压器投切。
实施例二：
图6为本发明实施例所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识装置的框架图。
如图6所示，本发明实施例还提供一种基于PSO优化宽度学习的电压暂降多重扰动源辨识装置，包括数据获取处理模块101、模型构建模块102、训练模块103和识别模块104；
数据获取处理模块101，用于获取k个电压暂降扰动源的数据，并对k个电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征；
模型构建模块102，用于构建PSO优化宽度学习模型，并采用PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到BLS网络层级之间神经元组的权重集合；
训练模块103，用于从各个电压暂降扰动源的基准特征提取数据作为测试集和训练集，采用PSO-BLS网络对训练集的基准特征和权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据，并对组合数据进行伪逆求解，得到权值数据；
识别模块104，用于通过模型构建模块102和训练模块103对测试集的基准特征进行处理，得到测试组合数据和测试权值数据，并输出扰动源类别的识别结果。
需要说明的是，实施例二装置中的模块对应于实施例一方法中的步骤，实施例一方法中的步骤已在实施例一中详细阐述了，在此实施例二中不再对装置中的模块内容进行详细阐述。
实施例三：
本发明实施例提供了一种基于PSO优化宽度学习的电压暂降多重扰动源辨识设备，包括处理器以及存储器；
存储器，用于存储程序代码，并将程序代码传输给处理器；
处理器，用于根据程序代码中的指令执行上述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法。
需要说明的是，处理器用于根据所程序代码中的指令执行上述的一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法实施例中的步骤。或者，处理器执行计算机程序时实现上述各系统/装置实施例中各模块/单元的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD) 卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，包括以下步骤：
S1.获取k个电压暂降扰动源的数据，并对k个所述电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征；
S2.构建PSO优化宽度学习模型，并采用所述PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到BLS网络层级之间神经元组的权重集合；
S3.从各个电压暂降扰动源的所述基准特征提取数据作为测试集和训练集，采用PSO-BLS网络对所述训练集的基准特征和所述权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据，并对所述组合数据进行伪逆求解，得到权值数据；
S4.通过步骤S2和步骤S3对所述测试集的基准特征进行处理，得到测试组合数据和测试权值数据，并输出扰动源类别的识别结果。
2.根据权利要求1所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，获取k个电压暂降扰动源的数据，并对k个所述电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征的步骤包括：
从电力系统中获取引起电压暂降的k个电压暂降扰动源的数据组成的电压数据库；
从所述电压数据库中获取每个所述电压暂降扰动源的2n×b个电压矩阵数，并绘制每个所述电压暂降扰动源的2n条电压曲线；
采用MATLAB对每个所述电压暂降扰动源的2n条电压曲线进行拟合处理，得到一条与所述电压暂降扰动源对应的特征曲线；
从所述特征曲线中提取1×b个电压向量数据作为对应所述电压暂降扰动源的基准特征；
所述电压数据库包括三相短路、两相接地短路、单相接地短路、两相相间短路、大型感应电动机启动、大型变压器投切电压暂降扰动源的数据，每个所述电压暂降扰动源的数据包括4n×b个电压矩阵数据，n为扰动源出现的次数，b为采样点数。
3.根据权利要求2所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，包括：对所述电压数据库中的对每个电压暂降扰动源数据建立标签。
4.根据权利要求2所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，构建PSO优化宽度学习模型的步骤包括：
S21.采用BLS网络的输入与特征节点之间所有神经元组N的权重和特征节点与增强节点之间所有神经元组M的权重形成一个粒子群个体；
S22.采用适应度函数计算所述粒子群个体的适应度值；
S23.对所述粒子群个体采用步骤S21和步骤S22反复迭代，至少迭代的次数达到迭代阈值，输出该粒子群个体的最优权重集。
5.根据权利要求4所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，采用所述PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到与BLS网络层级之间神经元组对应的权重包括：1个神经元组作为一个粒子群个体，采用PSO优化宽度学习模型对每个电压暂降扰动源的1×b个基准特征进行处理，得到BLS网络层级之间神经元组的权重集合。
6.根据权利要求1所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，采用PSO-BLS网络对所述训练集的基准特征和所述权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据的步骤包括：
对所述训练集的基准特征采用增广矩阵和归一出处理，得到归一化后处理后的特征数据；
基于BLS网络的输入与特征节点之间所有神经元组N，将所述特征数据与BLS网络的神经元进行特征映射，得到第一次特征提取的N组含有神经元的特征节点V；
基于BLS网络的特征节点与增强节点之间所有神经元组M，对N组含有神经元的特征节点进行二次卷积和偏置处理，得到第二次特征提取的M组含有神经元的增强节点W；
通过特征节点V与增强节点W矩阵合并，得到组合数据。
7.根据权利要求1所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，对所述组合数据进行伪逆求解，得到权值数据的步骤包括：采用
对所述组合数据进行伪逆求解，得到权值数据ω*；其中，
为组合数据
的伪逆，Y*为k个电压暂降扰动源数据的标签。
8.根据权利要求1所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，输出扰动源类别的识别结果O*为O*＝[[a1]n×1…[ak]n×1]T，ak为第k个电压暂降扰动源的标签数值，n为干扰源的数量。
9.一种基于PSO优化宽度学习的电压暂降多重扰动源辨识装置，其特征在于，包括数据获取处理模块、模型构建模块、训练模块和识别模块；
所述数据获取处理模块，用于获取k个电压暂降扰动源的数据，并对k个所述电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征；
所述模型构建模块，用于构建PSO优化宽度学习模型，并采用所述PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到BLS网络层级之间神经元组的权重集合；
所述训练模块，用于从各个电压暂降扰动源的所述基准特征提取数据作为测试集和训练集，采用PSO-BLS网络对所述训练集的基准特征和所述权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据，并对所述组合数据进行伪逆求解，得到权值数据；
所述识别模块，用于通过所述模型构建模块和所述训练模块对所述测试集的基准特征进行处理，得到测试组合数据和测试权值数据，并输出扰动源类别的识别结果。
10.一种基于PSO优化宽度学习的电压暂降多重扰动源辨识设备，其特征在于，包括处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于根据所述程序代码中的指令执行如权利要求1-8任意一项所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111062846.4A CN113688786B (zh) | 2021-09-10 | 2021-09-10 | 基于pso优化宽度学习的电压暂降多重扰动源辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111062846.4A CN113688786B (zh) | 2021-09-10 | 2021-09-10 | 基于pso优化宽度学习的电压暂降多重扰动源辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113688786A CN113688786A (zh) | 2021-11-23 |
| CN113688786B true CN113688786B (zh) | 2022-07-12 |
Family
ID=78585993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111062846.4A Active CN113688786B (zh) | 2021-09-10 | 2021-09-10 | 基于pso优化宽度学习的电压暂降多重扰动源辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113688786B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160363985A1 (en) * | 2015-06-10 | 2016-12-15 | Sonics, Inc. | Power Manager with a Power Switch Arbiter |
| CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
| CN111325308A (zh) * | 2020-02-14 | 2020-06-23 | 集美大学 | 一种非线性系统辨识方法 |
| CN111476173A (zh) * | 2020-04-09 | 2020-07-31 | 南京工程学院 | 一种基于bas-svm的配电网电压暂降源识别方法 |
-
2021
- 2021-09-10 CN CN202111062846.4A patent/CN113688786B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160363985A1 (en) * | 2015-06-10 | 2016-12-15 | Sonics, Inc. | Power Manager with a Power Switch Arbiter |
| CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
| CN111325308A (zh) * | 2020-02-14 | 2020-06-23 | 集美大学 | 一种非线性系统辨识方法 |
| CN111476173A (zh) * | 2020-04-09 | 2020-07-31 | 南京工程学院 | 一种基于bas-svm的配电网电压暂降源识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于综合判据的电压暂降源定位方法研究;王珂;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190215;第1-81页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113688786A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sussman et al. | A consistent adjacency spectral embedding for stochastic blockmodel graphs | |
| Sun et al. | An experimental study on hyper-parameter optimization for stacked auto-encoders | |
| CN105468596A (zh) | 图片检索方法和装置 | |
| CN113554175B (zh) | 一种知识图谱构建方法、装置、可读存储介质及终端设备 | |
| WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
| CN112767190A (zh) | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 | |
| CN112559640B (zh) | 图谱表征系统的训练方法及装置 | |
| Liu et al. | CNN-based fault phase identification method of double circuit transmission lines | |
| CN113688786B (zh) | 基于pso优化宽度学习的电压暂降多重扰动源辨识方法 | |
| Yan et al. | A parameter-free framework for general supervised subspace learning | |
| CN116304621B (zh) | 基于频谱域数据驱动的智能电网虚假数据注入攻击定位方法 | |
| Hälvä et al. | Identifiable Feature Learning for Spatial Data with Nonlinear ICA | |
| CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
| CN108400887B (zh) | 符号网络的结构识别方法及装置 | |
| CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
| CN115545085A (zh) | 微弱故障电流的故障类型识别方法、装置、设备和介质 | |
| CN115907775A (zh) | 基于深度学习的个人征信评级方法及其应用 | |
| CN115329820A (zh) | 基于改进FastICA的电网扰动辨识方法及系统 | |
| CN114443843A (zh) | 工业安全事件类型识别方法、装置、设备和存储介质 | |
| CN110705331B (zh) | 一种手语识别方法及装置 | |
| CN112541564A (zh) | 降低贝叶斯深度神经网络计算复杂度的方法和装置 | |
| Amiridi et al. | Learning multivariate CDFs and copulas using tensor factorization | |
| Wu et al. | Global sensitivity analysis based on Inception-CNN | |
| CN113469450B (zh) | 一种数据分类方法、装置、计算机设备及存储介质 | |
| Bhatkoti et al. | The Appropriateness of k-Sparse Autoencoders in Sparse Coding |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |