[发明专利]用于电能质量扰动类型识别的序列对序列模型建立方法

说明书

本发明公开了用于电能质量扰动类型识别的序列对序列模型建立方法，具体为：首先，采集信号或数据，对数据进行预处理，进行人工分类；再将输入数据集和标签集转换为矩阵形式，并对其分别进行随机划分为训练集和测试集，之后构建基于独立循环神经网络的序列对序列模型，并对模型进行训练，过拟合判断；最后对序列数据中各单一元素的识别，使用Argmax函数获得对序列中单一元素的识别结果。基于独立循环神经网络的序列对序列模型不仅可以从最大程度上提取出序列数据的内在特征，而且可以极大程度上提高采样点数多或时间跨度大的序列数据中各序列元素所属类别的判断准确率。

技术领域

本发明属于信号控制技术领域，具体涉及用于电能质量扰动类型识别的序列对序列模型建立方法。

背景技术

建立序列对序列模型，进而对具有时序属性的波形或数据进行序列中每个元素类型的辨识具有广泛应用，譬如识别电能质量扰动类型，确定电压波形故障类型，辨识胎儿胎动信号类型等。

现有的序列对序列模型多数需要在对一定时间段内的数据信息进行“编码”的基础上进一步“解码”后才能够确定该段数据所属的具体类型或属性，即难以实现对时序信号或数据中的单一元素所属类别进行分类，因此实时性较差。为此，提出了一种基于双向独立循环神经网络的序列对序列模型，用以实现对时序信号序列中单一元素的属性类别进行实时的分类识别。

双向独立循环神经网络是处理时序信号的有力工具。然而，作为循环神经网络的典型代表，长短时记忆网络和门控神经单元由于其结构的原因，容易出现长期依赖问题。因此，随着时间步长的增加，神经网络模型出现梯度爆炸或梯度消失，从而使得训练困难，甚至无法训练，最终出现发散，难以收敛。综上所述，无论是长短时记忆网络还是门控神经单元都难以对信号采样点数多，时间跨度大的序列数据进行有效分析。以电能质量扰动类型识别问题为例，长短时记忆网络和门控神经单元对采样点多或时间跨度大的扰动类型(譬如电压波动、振荡暂态)识别结果较差。相比较之下，双向独立循环神经网络可以处理更长的时间序列，考虑更长的时间跨度，实现更深的网络层数，从而可以在一定程度上解决长期依赖问题，增强模型对数据特征的提取能力，考虑更多采样点数据，提高对采样点多或时间跨度大的扰动类型识别准确率。

发明内容

本发明的目的是提供用于电能质量扰动类型识别的序列对序列模型建立方法，解决了现有技术中存在的无法高效、准确的对序列数据中单一元素进行分类识别的问题。

本发明所采用的技术方案是，用于电能质量扰动类型识别的序列对序列模型建立方法，具体按照以下步骤实施：

步骤1，在节点处安装测量装置采集信号或数据；

步骤2，使用电能质量扰动序列数据来作为数据集，其中基本电能质量扰动包含有暂降、暂升、中断、振荡暂态、脉冲暂态、电压波动、谐波、电压缺口共7种，而复杂电能质量扰动是由7种不同的基本扰动复合而成，对获得的数据进行预处理，剔除监测数据中的无效数据并进行平滑处理，之后进行人工分类；

对每一个序列元素标注上所属标签，从而形成两个数据集，即输入数据集和与所有原始的输入数据对应的标签集，使得标签序列与输入数据集内的样本序列元素依次对应；输入数据可以为一维或多维数据，即每次输入一个或多个数据对应一个数据标签，此时将输入的多个数据看作一个序列元素；

步骤3，将输入数据集转换为矩阵形式，输入矩阵形状为[序列样本数量，步长，输入数据维度]；同时，将标签集也转换为矩阵形式，标签矩阵形状为[序列样本数量，步长，输出标签维度]；

步骤4，将输入数据集和对应的标签集分别进行随机划分为训练集和测试集，其中训练集数据占总样本的75％，测试集数据占总样本的25％；

步骤5，构建基于双向独立循环神经网络的序列对序列模型；