CN114021424A - 一种基于pca-cnn-lvq的电压暂降源识别方法 - Google Patents

一种基于pca-cnn-lvq的电压暂降源识别方法 Download PDF

Info

Publication number
CN114021424A
CN114021424A CN202111150656.8A CN202111150656A CN114021424A CN 114021424 A CN114021424 A CN 114021424A CN 202111150656 A CN202111150656 A CN 202111150656A CN 114021424 A CN114021424 A CN 114021424A
Authority
CN
China
Prior art keywords
layer
voltage sag
data
input
cnn
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
Application number
CN202111150656.8A
Other languages
English (en)
Inventor
陈堃
姜小涛
汪自虎
李晓东
宋扬
杨宇坤
张玮
李想
吴思若
朱宇超
赵锡正
石可
齐路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co Ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202111150656.8A priority Critical patent/CN114021424A/zh
Publication of CN114021424A publication Critical patent/CN114021424A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种基于PCA‑CNN‑LVQ的电压暂降源识别方法，包括以下步骤：步骤1，构建并训练PCA‑CNN‑LVQ模型：步骤101，采集电压暂降源的电压暂降数据作为样本；步骤102，采用主成分分析法PCA对电压暂降数据进行降维；步骤103，将降维后的电压暂降数据输入到卷积神经网络CNN中提取电压暂降数据特征；步骤104，将电压暂降数据特征输入到学习矢量量化神经网络LVQ中对LVQ进行分类训练；步骤2，通过训练好的PCA‑CNN‑LVQ模型对待识别的电压暂降数据进行分类，得到待识别电压暂降数据的电压暂降类型。本发明提升识别电压暂降类型的准确性。

Description

一种基于PCA-CNN-LVQ的电压暂降源识别方法
技术领域
本发明涉及电能质量领域，尤其涉及一种基于PCA-CNN-LVQ的电压暂降源识别方法。
背景技术
随着信息技术、电力电子技术等各种高新技术的快速发展，对于电能要求更高的基于数字型处理器控制的机电设备投入使用，且大量非线性电力电子设备的投入运行使得电网电压以及电流畸变率不断上升，周波级的电压暂降/跌落、电压暂升和瞬时供电中断等新的动态电能质量问题逐步显露出来；电压暂降是指电源电压的有效值在短时间内突然下降到10％到90％的事件，其典型持续时间为0.5至30个周期。一些工业园区对电能质量要求较高，由于某些不可控性，会发生电压暂降造成一定的经济损失，正确识别电压暂降源是解决电压暂降问题的首要步骤。
现有的技术主要是基于物理特征的方法对电压暂降源进行特征提取和模式识别，现代智能电网的引入，电网数字化和海量的用电数据，使得现有的人工方法难以提取大量电压暂降特征，并且也难以在复杂时间序列数据上建立精确的数学模型。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于PCA-CNN-LVQ的电压暂降源识别方法，采用主成分分析法PCA对电压暂降数据进行降维，利用深度学习方法中的卷积神经网络CNN对电压暂降源的特征进行提取，并且利用学习矢量量化神经网络LVQ对电压暂降类型进行识别，克服了人工提取特征的缺陷和建立精确数学模型的局限性，提升识别电压暂降类型的准确性。
本发明采用如下的技术方案：
一种基于PCA-CNN-LVQ的电压暂降源识别方法，所述识别方法包括以下步骤：
步骤1，构建并训练PCA-CNN-LVQ模型：
步骤101，采集电压暂降源的电压暂降数据作为样本；
步骤102，采用主成分分析法PCA对电压暂降数据进行降维；
步骤103，将降维后的电压暂降数据输入到卷积神经网络CNN中提取电压暂降数据特征；
步骤104，将电压暂降数据特征输入到学习矢量量化神经网络LVQ中对LVQ进行分类训练；
步骤2，通过训练好的PCA-CNN-LVQ模型对待识别的电压暂降数据进行分类，得到待识别电压暂降数据的电压暂降类型。
优选地，所述电压暂降源的类型包括：单相接地故障、三相接地故障、变压器投切、大型感应电动机启动、变压器投切同时发生单相接地故障和大型感应电动机启动同时发生单相接地故障。
优选地，步骤1中，采用10折交叉试验法对每个电压暂降源类型的样本进行交叉验证。
优选地，步骤102包括：
步骤1021，计算样本数据集X＝[x1,x2,x3...xe...xm]的对应每一维的样本数据的样本均值
Figure BDA0003287103310000021
得到样本均值矩阵
Figure BDA0003287103310000022
计算样本的协方差矩阵
Figure BDA0003287103310000023
其中，xe为第e组采集的电压暂降数据，xe＝[xe1,xe2,…xei,...xen]T，xei为采集的第e组第i维的电压暂降数据，xen为采集的第e组第n维的电压暂降数据，总共采集维数为n维，n维表示n个电压信号采样点数据，总共采集组数为m组，得到总采样矩阵即样本数据集X，样本数据集X为n行，m列的矩阵；
Figure BDA0003287103310000024
为第i维的m组电压暂降数据均值，
Figure BDA0003287103310000025
为第n维的m组电压暂降数据均值；
其中，
Figure BDA0003287103310000026
为样本距离样本均值的偏差，
Figure BDA0003287103310000027
为样本距离样本均值的偏差的转置；
步骤1022，对协方差矩阵C进行特征分解，求取第j组的特征值λj和对应的特征向量bj，对特征值从大到小进行排序，选择其中最大的k个，k的个数满足积累贡献率的阈值；根据特征值的大小顺序，构建由特征值对应的特征向量组成的特征向量矩阵P＝(b1,b2..bk)，特征向量bj中的每个元素为：
Figure BDA0003287103310000028
其中，
Figure BDA0003287103310000029
为按顺序排列的前k个特征值之和；
步骤1023，计算降维后的电压暂降数据即前k维电压暂降数据矩阵Y，Y＝PX，其中，P为构造的特征向量矩阵，X为原始的总采样矩阵。
优选地，步骤103中的卷积神经网络CNN由一个输入层，两个卷积层C1、C2，两个池化层P1、P2，一个Flatten层和全连接层FC1构成；降维后的电压暂降数据输入到CNN的输入层中，从输入层到卷积层C1，卷积层C1应用多个卷积核对输入张量进行卷积处理，从卷积层C1输出的张量输入到池化层P1，池化层P1输出张量到卷积层C2进行卷积处理，从卷积层C2输出的张量输入到池化层P2，池化层P2输出张量经Flatten层输入至全连接层FC1；
输入层中输入数据大小为
Figure BDA00032871033100000210
Figure BDA00032871033100000211
为大于5的正整数；
卷积层C1使用32个卷积核，大小为5px*5px*3，滑动步长为1px，填充模式是SAME边缘填充；
卷积层C2使用64个卷积核，大小为5px*5px*3，滑动步长为1px，填充模式是SAME边缘填充；
池化层P1和P2，应用核大小为3px*3px*3，滑动步长为3px，采用最大池化；
输入的
Figure BDA0003287103310000031
的张量经过卷积层C1的32个卷积核后输出
Figure BDA0003287103310000032
的张量；
卷积层C1输出的
Figure BDA0003287103310000033
的张量输入至池化层P1，经过池化层P1的应用核后，输出h1*b1*32的张量，其中，
Figure BDA0003287103310000034
floor()表示向下取整；
经过池化层P1输出的h1*b1*32张量输入到卷积层C2，经过卷积层C2的64个卷积核后得到张量为h1*b1*64；
卷积层C2输出的h1*b1*64张量，经过池化层P2输出h2*b2*64的张量，其中，
Figure BDA0003287103310000035
在池化层P2和全连接层FC1之间设置Flatten层通过Flatten函数将池化层P2的输出张量
Figure BDA0003287103310000036
*64转化为
Figure BDA0003287103310000037
的张量输入至全连接层FC1。
优选地，卷积神经网络CNN中，每层均应用非线性的ReLU激活函数。
优选地，步骤104中学习矢量量化神经网络LVQ包括输入层，竞争层和输出层，输入层得到卷积神经网络CNN输出的电压暂降数据特征后，将其输入竞争层，竞争层中的每个神经元更新其自身的参考向量和学习速率；
步骤4包括：
步骤1041，初始化：给竞争层中的第p个神经元的参考向量wp(0)赋予随机数，确定初始学习速率η(0)(η∈(0,1))和训练迭代总次数tm，其中，η(0)∈(0,1)；
步骤1042，迭代计数器从t＝0开始计数；
步骤1043，对于每次迭代，输入训练的电压暂降数据特征作为输入向量y，计算输入向量y与其他神经元参考向量wp(t)之间的欧式距离d，d＝argmin||y-wp(t)||，欧式距离最短的神经元参考向量所在的神经元为赢家神经元；
步骤1044，更新学习速率：
Figure BDA0003287103310000038
其中，η(t)为第t次迭代时的学习速率，η(0)为初始学习速率，t为当前迭代次数，tm为迭代总次数；
步骤1045，将参考向量进行更新，得到每一次迭代时的参考向量：
wp(t+1)＝wp(t)+η(t)(y-wp(t))正确分类
wp(t+1)＝wp(t)-η(t)(y-wp(t))错误分类
其中，t←t+1，wp(t)表示第t次迭代时的参考向量，wp(t+1)表示第t+1次迭代时的参考向量；η(t)为第t次迭代时的学习速率；
步骤1046，当达到终止条件时，停止迭代，否则继续迭代；终止条件为：迭代次数t达到最大tm或者实现了分类率；
停止迭代后，得到竞争层处理过后的张量，输出到输出层中，最后输出层只有一个神经元输出为1，其余均输出为0，输出为1的神经元所在的类型就是预测输入向量的类型。
本发明的有益效果在于，与现有技术相比：本发明采用主成分分析法PCA来降低电压暂降数据的维度方便下一步有效提取电压暂降的特征，减少输入下一步网络的计算量，将降维后的电压暂降数据输入到卷积神经网络CNN中利用深度学习方法中的卷积神经网络CNN对电压暂降数据的特征进行提取，将提取的电压暂降数据特征输入学习矢量量化神经网络LVQ中，通过训练学习对电压暂降类型进行分类识别。本发明从数据中发掘相关模式，克服了人工提取特征的缺陷和建立精确数学模型的局限性，能有效地提升识别电压暂降类型的准确性。
附图说明
图1为本发明基于PCA-CNN-LVQ的电压暂降源识别方法流程图；
图2为本发明中PCA-CNN-LVQ模型的示意图；
图3为本发明中测试PCA-CNN-LVQ模型的混淆矩阵。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。
请参考图1和图2，一种基于PCA-CNN-LVQ的电压暂降源识别方法，包括以下步骤：步骤1，构建并训练PCA-CNN-LVQ模型，步骤包括：
步骤101，采集电压暂降源的电压暂降数据作为样本；
本实施例中，采集样本的数据实例是利用MATLAB Simulink模块搭建不同电压暂降类型的仿真模型，进行实验时，仿真实验设置使用的基频为50Hz，模拟持续时间为0.5s；采用Simulink模块中的示波器记录电压暂降波形，将示波器设置为n个采样点，为了均匀采集n个样本，设置采样时间为0.5/n秒，每次实验采集得到n个电压暂降波形的幅值数据点。例如需要采集1000个电压暂降波形幅值数据点，则采样时间为0.0005s，即每隔0.0005s采集一个电压暂降波形的幅值数据点，最后一共采集1000个数据点。为了得到足够多的数据，n的取值应大于等于1000，在这里取n＝1500，并通过改变每个电压暂降类型仿真模型中的阻抗大小、发生故障的时间、发生故障持续的时间等因素进行实验，令电压暂降源的类型为6种，包括：单相接地故障、三相接地故障、变压器投切、大型感应电动机启动、变压器投切同时发生单相接地故障和大型感应电动机启动同时发生单相接地故障，令总电压暂降数据样本组数为1200组，每个电压暂降类型得到200组数据，其中200组数据的9份用于训练，1份用于验证，因此m＝1080。。在PCA-CNN-LVQ模型训练时，采用10折交叉试验法对1200个样本进行交叉验证；例如，交叉验证步骤为将单相接地故障中的样本分为10个样本，9个样本作为训练数据，1个样本作为测试数据。该交叉验证重复10次，每个子样本验证一次，结果平均10次，最终得到单次估计。
步骤102，采用主成分分析法PCA对电压暂降数据进行降维。在预处理采集电压暂降数据时，为了减少计算量，多用直接截取数据点的方法来降低数据维度，这样的方法不能很好的得到数据特征，关键信息可能会被忽略。通过步骤101中得到的电压暂降数据样本，维度较高，直接将该数据样本输入下一步的网络中，处理运算时间较长；PCA作为一种有效处理高维数据的降维方法，可用于电力系统的高维数据降维，能有效提取每组电压暂降数据的关键特征点。
利用PCA对每组采集的n维电压暂降数据进行降维，将电压降维成时间步长为k维的电压暂降信号数据，k满足累积贡献率的阈值，电压暂降信号数据为A,B,C三相电压，得到满足卷积神经网络CNN输入接口要求的
Figure BDA0003287103310000051
输入数据，；步骤102包括：
步骤1021，计算样本数据集X＝[x1,x2,x3...xe...xm]的对应每一维的样本数据的样本均值
Figure BDA0003287103310000052
得到样本均值矩阵
Figure BDA0003287103310000053
计算样本的协方差矩阵
Figure BDA0003287103310000054
其中，xe为第e组采集的电压暂降数据，xe＝[xe1,xe2,…xei,...xen]T，xei为采集的第e组第i维的电压暂降数据，xen为采集的第e组第n维的电压暂降数据，总共采集维数为n维，n维表示n个电压信号采样点数据，总共采集组数为m组，得到总采样矩阵即样本数据集X，样本数据集X为n行，m列的矩阵；
Figure BDA0003287103310000055
为第i维的m组电压暂降数据样本均值，
Figure BDA0003287103310000056
为第n维的m组电压暂降数据样本均值；本实施例中，n＝1500，m＝1080；
其中，
Figure BDA0003287103310000061
为样本距离样本均值的偏差，
Figure BDA0003287103310000062
为样本距离样本均值的偏差的转置；
步骤1022，对协方差矩阵C进行特征分解，求取第j组的特征值λj和对应的特征向量bj，对特征值从大到小进行排序，选择其中最大的k个，k的个数满足积累贡献率的阈值，累积贡献率的定义为降维后的主成分即最大的前k维主成分的方差和占原始维度所有特征方差和的比例，如累积贡献率设为98％，其中k的值为最早使累积贡献率达到0.98或超过0.98的特征值的下标；本实施例中，累积贡献率的阈值设为0.98，可得k＝784；
根据特征值的大小顺序，构建由特征值对应的特征向量组成的特征向量矩阵P＝(b1,b2..bk)，特征向量bj中的每个元素为：
Figure BDA0003287103310000063
其中，
Figure BDA0003287103310000064
为按顺序排列的前k个特征值之和；
步骤1023，计算降维后的电压暂降数据即前k维电压暂降数据矩阵Y，Y＝PX，其中，P为构造的特征向量矩阵，X为原始的总采样矩阵。
步骤102中，利用主成分分析法PCA来降低电压暂降数据的维度，最后设定所要提取的数据维度数，利用PCA降维到所需要的数据矩阵Y，完成了PCA降维后，将三相的电压暂降数据进行映射得到
Figure BDA0003287103310000065
的张量，将其输入到卷积神经网络CNN的输入层中。
步骤103，将降维后的电压暂降数据输入到卷积神经网络CNN中提取电压暂降数据特征；
步骤103中的卷积神经网络CNN由一个输入层，两个卷积层C1、C2，两个池化层P1、P2，一个Flatten层和全连接层FC1构成；降维后的电压暂降数据输入到CNN的输入层中，从输入层到卷积层C1，卷积层C1应用多个卷积核对输入张量进行卷积处理，从卷积层C1输出的张量输入到池化层P1，池化层P1输出张量到卷积层C2进行卷积处理，从卷积层C2输出的张量输入到池化层P2，池化层P2输出张量经Flatten层输入至全连接层FC1；
输入层中输入数据大小为
Figure BDA0003287103310000066
本实施例中，k＝784，
Figure BDA0003287103310000067
可以为大于5的正整数以满足卷积层运算要求；
卷积层C1使用32个卷积核，大小为5px*5px*3，滑动步长为1px，填充模式是SAME边缘填充；
卷积层C2使用64个卷积核，大小为5px*5px*3，滑动步长为1px，填充模式是SAME边缘填充；
池化层P1和P2，应用核大小为3px*3px*3，滑动步长为3px，采用最大池化；
输入的
Figure BDA0003287103310000068
的张量经过卷积层C1的32个卷积核后输出
Figure BDA0003287103310000069
的张量；
卷积层C1输出的
Figure BDA0003287103310000071
的张量输入至池化层P1，经过池化层P1的应用核后，输出h1*b1*32的张量，其中，
Figure BDA0003287103310000072
floor()表示向下取整；
经过池化层P1输出的h1*b1*32张量输入到卷积层C2，经过卷积层C2的64个卷积核后得到张量为h1*b1*64；
卷积层C2输出的h1*b1*64张量，经过池化层P2输出h2*b2*64的张量，其中，
Figure BDA0003287103310000073
在池化层P2和全连接层FC1之间设置Flatten层通过Flatten函数将池化层P2的输出张量
Figure BDA0003287103310000074
转化为
Figure BDA0003287103310000075
的张量输入至全连接层FC1，本实施例中，即将池化层P2的4px*4px*64张量转化为1024*1的张量输入至全连接层FC1；；Flatten层即展开层，Flatten层将三维特征向量变换为一维特征向量，从而保证网络中维度的一致性。
在本实施例的卷积神经网络CNN中，对于每一层，均应用非线性的ReLU激活函数。ReLU将小于零的值分配为零，将大于零的值分配给其原始值。
步骤104，将电压暂降数据特征输入到学习矢量量化神经网络LVQ中对LVQ进行分类训练；步骤104中学习矢量量化神经网络LVQ包括输入层，竞争层和输出层，输入层得到卷积神经网络CNN的全连接层FC1输出的张量即电压暂降数据特征后，将其输入竞争层，竞争层中的每个神经元都需要更新其自身的参考向量和学习速率；
步骤4包括：
步骤1041，初始化：给竞争层中的第p个神经元的参考向量wp(0)赋予随机数，确定初始学习速率η(0)(η∈(0,1))和训练迭代总次数tm，其中，η(0)∈(0,1)；
步骤1042，迭代计数器从t＝0开始计数；
步骤1043，对于每次迭代，输入训练的电压暂降数据特征作为输入向量y，计算输入向量y与其他神经元参考向量wp(t)之间的欧式距离d，d＝argmin||y-wp(t)||，欧式距离最短的神经元参考向量所在的神经元为赢家神经元；
步骤1044，更新学习速率：
Figure BDA0003287103310000076
其中，η(t)为第t次迭代时的学习速率，η(0)为初始学习速率，t为当前迭代次数t，tm为迭代总次数；
步骤1045，将参考向量进行更新，得到每一次迭代时的参考向量：
wp(t+1)＝wp(t)+η(t)(y-wp(t))正确分类
wp(t+1)＝wp(t)-η(t)(y-wp(t))错误分类
其中，t←t+1，wp(t)表示第t次迭代时的参考向量，wp(t+1)表示第t+1次迭代时的参考向量；η(t)为第t次迭代时的学习速率；
步骤1046，当达到终止条件时，停止迭代，否则继续迭代；终止条件为：迭代次数t达到最大tm或者实现了分类率；
停止迭代后，得到竞争层处理过后的张量，输出到输出层中，最后输出层遵循的原则是“赢者通吃”原则，只有一个神经元输出为1，其余均输出为0，输出为1的神经元所在的类型就是预测输入向量的类型。
步骤2，通过训练好的PCA-CNN-LVQ模型对待识别的电压暂降数据进行分类，得到待识别电压暂降数据的电压暂降类型。
本发明构建并训练PCA-CNN-LVQ模型，通过训练好的PCA-CNN-LVQ模型进行电压暂降源类型识别，PCA-CNN-LVQ模型中，输入电压暂降数据经过PCA降维，基于CNN网络特征提取，基于LVQ进行分类识别；本发明识别方法在小型和中等规模的样本数据集中展现出较好的分类准确性。
在利用20组1500维的样本数据集进行测试时，总样本的准确度为97.5％，如图3混淆矩阵所示识别类型结果。关于混淆矩阵的解释：令不同的电压暂降类型用C1-C6表示，单相接地故障C1、三相接地故障C2、变压器投切C3、大型感应电动机启动C4、变压器投切同时发生单相接地故障C5和大型感应电动机启动同时发生单相接地故障C6。混淆矩阵中水平方向的C1-C6分别代表模型预测的电压暂降类型，竖直方向代表真实的电压暂降类型。例如，水平方向标签为C1，竖直方向标签为C1，方格中值为20，即代表预测暂降类型C1为真实暂降类型C1个数为20，对于C1的预测准确率可知是100％。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于，所述识别方法包括以下步骤：
步骤1，构建并训练PCA-CNN-LVQ模型：
步骤101，采集电压暂降源的电压暂降数据作为样本；
步骤102，采用主成分分析法PCA对电压暂降数据进行降维；
步骤103，将降维后的电压暂降数据输入到卷积神经网络CNN中提取电压暂降数据特征；
步骤104，将电压暂降数据特征输入到学习矢量量化神经网络LVQ中对LVQ进行分类训练；
步骤2，通过训练好的PCA-CNN-LVQ模型对待识别的电压暂降数据进行分类，得到待识别电压暂降数据的电压暂降类型。
2.根据权利要求1所述的基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于：所述电压暂降源的类型包括：单相接地故障、三相接地故障、变压器投切、大型感应电动机启动、变压器投切同时发生单相接地故障和大型感应电动机启动同时发生单相接地故障。
3.根据权利要求1所述的基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于：步骤1中，采用10折交叉试验法对每个电压暂降源类型的样本进行交叉验证。
4.根据权利要求1所述的基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于：步骤102包括：
步骤1021，计算样本数据集X＝[x1,x2,x3...xe...xm]的对应每一维的样本数据的样本均值
Figure FDA0003287103300000011
得到样本均值矩阵
Figure FDA0003287103300000012
计算样本的协方差矩阵
Figure FDA0003287103300000013
其中，xe为第e组采集的电压暂降数据，xe＝[xe1,xe2,…xei,...xen]T，xei为采集的第e组第i维的电压暂降数据，xen为采集的第e组第n维的电压暂降数据，总共采集维数为n维，n维表示n个电压信号采样点数据，总共采集组数为m组，得到总采样矩阵即样本数据集X，样本数据集X为n行，m列的矩阵；
Figure FDA0003287103300000014
为第i维的m组电压暂降数据均值，
Figure FDA0003287103300000015
为第n维的m组电压暂降数据均值；
其中，
Figure FDA0003287103300000016
为样本距离样本均值的偏差，
Figure FDA0003287103300000017
为样本距离样本均值的偏差的转置；
步骤1022，对协方差矩阵C进行特征分解，求取第j组的特征值λj和对应的特征向量bj，对特征值从大到小进行排序，选择其中最大的k个，k的个数满足积累贡献率的阈值；根据特征值的大小顺序，构建由特征值对应的特征向量组成的特征向量矩阵P＝(b1,b2..bk)，特征向量bj中的每个元素为：
Figure FDA0003287103300000021
其中，
Figure FDA0003287103300000022
为按顺序排列的前k个特征值之和；
步骤1023，计算降维后的电压暂降数据即前k维电压暂降数据矩阵Y，Y＝PX，其中，P为构造的特征向量矩阵，X为原始的总采样矩阵。
5.根据权利要求1所述的基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于：步骤103中的卷积神经网络CNN由一个输入层，两个卷积层C1、C2，两个池化层P1、P2，一个Flatten层和全连接层FC1构成；降维后的电压暂降数据输入到CNN的输入层中，从输入层到卷积层C1，卷积层C1应用多个卷积核对输入张量进行卷积处理，从卷积层C1输出的张量输入到池化层P1，池化层P1输出张量到卷积层C2进行卷积处理，从卷积层C2输出的张量输入到池化层P2，池化层P2输出张量经Flatten层输入至全连接层FC1；
输入层中输入数据大小为
Figure FDA0003287103300000023
Figure FDA0003287103300000024
为大于5的正整数；
卷积层C1使用32个卷积核，大小为5px*5px*3，滑动步长为1px，填充模式是SAME边缘填充；
卷积层C2使用64个卷积核，大小为5px*5px*3，滑动步长为1px，填充模式是SAME边缘填充；
池化层P1和P2，应用核大小为3px*3px*3，滑动步长为3px，采用最大池化；
输入的
Figure FDA0003287103300000025
的张量经过卷积层C1的32个卷积核后输出
Figure FDA0003287103300000026
的张量；
卷积层C1输出的
Figure FDA0003287103300000027
的张量输入至池化层P1，经过池化层P1的应用核后，输出h1*b1*32的张量，其中，
Figure FDA0003287103300000028
表示向下取整；
经过池化层P1输出的h1*b1*32张量输入到卷积层C2，经过卷积层C2的64个卷积核后得到张量为h1*b1*64；
卷积层C2输出的h1*b1*64张量，经过池化层P2输出h2*b2*64的张量，其中，
Figure FDA0003287103300000029
在池化层P2和全连接层FC1之间设置Flatten层通过Flatten函数将池化层P2的输出张量
Figure FDA00032871033000000210
Figure FDA00032871033000000211
转化为
Figure FDA00032871033000000212
的张量输入至全连接层FC1。
6.根据权利要求5所述的基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于：卷积神经网络CNN中，每层均应用非线性的ReLU激活函数。
7.根据权利要求1所述的基于PCA-CNN-LVQ的电压暂降源识别方法，其特征在于：步骤104中学习矢量量化神经网络LVQ包括输入层，竞争层和输出层，输入层得到卷积神经网络CNN输出的电压暂降数据特征后，将其输入竞争层，竞争层中的每个神经元更新其自身的参考向量和学习速率；
步骤4包括：
步骤1041，初始化：给竞争层中的第p个神经元的参考向量wp(0)赋予随机数，确定初始学习速率η(0)(η∈(0,1))和训练迭代总次数tm，其中，η(0)∈(0,1)；
步骤1042，迭代计数器从t＝0开始计数；
步骤1043，对于每次迭代，输入训练的电压暂降数据特征作为输入向量y，计算输入向量y与其他神经元参考向量wp(t)之间的欧式距离d，d＝argmin||y-wp(t)||，欧式距离最短的神经元参考向量所在的神经元为赢家神经元；
步骤1044，更新学习速率：
Figure FDA0003287103300000031
其中，η(t)为第t次迭代时的学习速率，η(0)为初始学习速率，t为当前迭代次数，tm为迭代总次数；
步骤1045，将参考向量进行更新，得到每一次迭代时的参考向量：
wp(t+1)＝wp(t)+η(t)(y-wp(t))正确分类
wp(t+1)＝wp(t)-η(t)(y-wp(t))错误分类
其中，t←t+1，wp(t)表示第t次迭代时的参考向量，wp(t+1)表示第t+1次迭代时的参考向量；η(t)为第t次迭代时的学习速率；
步骤1046，当达到终止条件时，停止迭代，否则继续迭代；终止条件为：迭代次数t达到最大tm或者实现了分类率；
停止迭代后，得到竞争层处理过后的张量，输出到输出层中，最后输出层只有一个神经元输出为1，其余均输出为0，输出为1的神经元所在的类型就是预测输入向量的类型。
CN202111150656.8A 2021-09-29 2021-09-29 一种基于pca-cnn-lvq的电压暂降源识别方法 Pending CN114021424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111150656.8A CN114021424A (zh) 2021-09-29 2021-09-29 一种基于pca-cnn-lvq的电压暂降源识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111150656.8A CN114021424A (zh) 2021-09-29 2021-09-29 一种基于pca-cnn-lvq的电压暂降源识别方法

Publications (1)

Publication Number Publication Date
CN114021424A true CN114021424A (zh) 2022-02-08

Family

ID=80055267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111150656.8A Pending CN114021424A (zh) 2021-09-29 2021-09-29 一种基于pca-cnn-lvq的电压暂降源识别方法

Country Status (1)

Country Link
CN (1) CN114021424A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117439068A (zh) * 2023-10-26 2024-01-23 国网宁夏电力有限公司中卫供电公司 一种大规模电网中的电压暂降预估方法、介质及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117439068A (zh) * 2023-10-26 2024-01-23 国网宁夏电力有限公司中卫供电公司 一种大规模电网中的电压暂降预估方法、介质及系统
CN117439068B (zh) * 2023-10-26 2024-05-14 国网宁夏电力有限公司中卫供电公司 一种大规模电网中的电压暂降预估方法、介质及系统

Similar Documents

Publication Publication Date Title
CN107564025B (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN105046279B (zh) 一种模拟电路故障模式分类方法
CN109271975A (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
CN108573225A (zh) 一种局部放电信号模式识别方法及系统
CN110069886A (zh) 基于vmd和cnn的电缆早期故障识别与分类方法
CN109975673B (zh) 一种光伏微电网直流侧故障电弧识别方法
CN112001306A (zh) 基于深度卷积对抗生成神经网络的脑电信号解码方法
CN102279358B (zh) 一种基于mcskpca的神经网络模拟电路故障诊断方法
CN114755745B (zh) 基于多通道深度残差收缩网络的冰雹天气识别与分类方法
CN104951787B (zh) 一种src框架下判别字典学习的电能质量扰动识别方法
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN110672905A (zh) 基于cnn的自监督电压暂降源辨识方法
CN110070102B (zh) 用于电能质量扰动类型识别的序列对序列模型建立方法
CN110726898A (zh) 一种配电网故障类型识别方法
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN106548013A (zh) 利用改进不完全s变换的电压暂降源识别方法
CN112016473A (zh) 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法
CN104598925A (zh) 一种基于ELM的多类Adaboost集成学习方法
CN112881942A (zh) 基于小波分解与经验模态分解的异常电流诊断方法和系统
CN110458189A (zh) 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN113447759A (zh) 一种多分类的rvm电网故障判别方法和系统
CN115659254A (zh) 一种双模态特征融合的配电网电能质量扰动分析方法
CN112085111A (zh) 一种负荷辨识方法和装置
CN108805206A (zh) 一种用于模拟电路故障分类的改进型lssvm建立方法

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