[发明专利]一种基于循环神经网络模型的电网信号分类方法

权利要求书

1.一种基于循环神经网络模型的电网信号分类方法，该方法包括以下步骤：

步骤1：电网运行信号读取与预处理；

提取电网运行中的历史信号数据，利用整理好的词典，即通过原始信号数据拆分形成的词典，对信号进行分词预处理；

步骤2：分词后的数据集聚类；

将分词预处理后的数据进行K-means聚类；

步骤3：对聚类后的数据样本进行人工标注标签；

对经过k-means聚类后的分类数据集进行人工标注标签；

步骤4：训练循环神经网络分类模型；

将步骤1中分词预处理后的数据集输入循环神经网络分类模型进行训练，将步骤3中人工标注标签的数据集与经过循环神经网络模型分类得到的标签数据集进行对比，计算准确率；

步骤5：利用训练好的循环神经网络分类模型给信号分类；

当步骤4中准确率符合要求时，输出该训练好的循环神经网络分类模型，将电网实时信号带入到上述训练好的循环神经网络模型中，得到基于循环神经网络模型的电网信号的分类结果。

2.如权利要求1所述的一种基于循环神经网络模型的电网信号分类方法，其特征在于：

在步骤1中，历史信号数据具体为电网中的量测数据。

3.如权利要求1所述的一种基于循环神经网络模型的电网信号分类方法，其特征在于：

步骤2包括初始化、迭代更新和停止条件三个子步骤：

2.1 初始化，从N个信号中随机选择K个信号为聚类的中心，即顶点；

2.2 迭代更新，对每个顶点逐一聚类，采用欧式距离作为计算公式：

其中，dist(X,Y)表示空间中两点间的欧氏距离，表示的是两个n维向量a(x₁,x₂,..,x_n)与b(y₁,y₂,..,y_n)间的欧式距离，根据上述计算公式更新聚类中心；

2.3 停止条件，当迭代后聚类中心变化范围不变或小于阈值p时，停止迭代，形成分类数据集。

4.如权利要求1所述的一种基于循环神经网络模型的电网信号分类方法，其特征在于：

步骤3中，对每一个分类数据集标注标签包括：公用、直流系统、交流系统、主变绕组、开关、母联、电容器、保护装置等。

5.如权利要求1所述的一种基于循环神经网络模型的电网信号分类方法，其特征在于：步骤4包括三个子步骤：

4.1 模型建立；

4.2 样本测试；

4.3 模型效果验证。

6.如权利要求5所述的一种基于循环神经网络模型的电网信号分类方法，其特征在于：

其中子步骤模型建立采用基于Keras双向循环神经网络对分词预处理后的信号数据进行建模，包括：

4.1.1 首先对信号长度进行统一的预处理，定义最大长度为7，如果超长需要截断，如果长度不够则在信号后添加0补全；

4.1.2 基于Keras双向循环神经网络对分词后的数据集中的信号数据进行建模，将信号x₀，x₁至x_t按照t₀，t₁至t_n时刻从前向后、从后向前输入循环神经网络，t₁时刻，在循环神经网络的主体结构A₁、A₁’，进行以下公式的计算：

A₁＝f(WA₀+UX₁)

A′₁＝f(W'A′₂+U')

其中，X₁为t₁时刻的输入，U为输入到隐藏层的权重，W为自身递归的权重，f是隐藏层激活函数，

最终输出为：y₁＝g(VA₁+V'A′₂)，

其中，g为激活函数，V为隐藏层到输出的权重，复制y₁进入下一个循环神经网络。