[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

说明书

本发明提供一种基于循环神经网络模型的电网信号分类方法，该方法根据电网中信号的特点形成词典，对电网运行中的历史样本数据进行分词预处理，利用无监督学习的聚类算法对数据样本进行聚类，并根据聚类后的数据集的特点标记标签；将分词预处理后的样本数据利用双向循环神经网络进行建模，得到预测标签；将标签标注后的数据集与经过循环神经网络模型分类得到的数据标签数据集进行比较，计算出准确率，验证模型建立效果；最后将电网运行中的实时信号数据输入训练好的循环神经网络模型，得到分类结果。该方法可以有效解决信号分类过程中文本信号部分缺失的问题，分类的准确性高。

技术领域

本发明涉及调度自动化领域，尤其涉及一种基于循环神经网络模型的电网信号分类方法。

背景技术

目前国内调度自动化系统在信号处理上使用智能电网调度技术支持系统(D5000)对电网实时监控与智能告警，综合利用稳态、动态、暂态、预警等应用提供的告警信息进行在线汇总分析，对多个应用的告警信息进行综合和压缩，对告警信息进行相互验证，并利用网络拓扑技术，根据每种故障类型发生的条件，结合接线方式、运行方式、逻辑、时序等综合判断，给出故障报告，提供故障类型、故障过程等相关信息，并供运行人员参考、辅助故障判断及处理。但是，智能告警未对信号本身进行深层次的处理和分析，随着电力网络的规模日益增大，电网复杂程度呈指数增加，利用大数据分析的方法对告警信号本身进行分类显得尤为重要。

发明内容

本发明提出一种基于循环神经网络模型的电网信号分类方法，该方法提取电网运行的历史样本数据，分析不同应用场景下的数据关联关系，对样本数据进行应用分类。

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，具体为电网中的量测数据；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，形成分词文本，将一段信号划分成多个词语相结合的形式，完成数据的预处理。

步骤2：分词后的数据集聚类。

将分词后的数据进行K-means聚类，由于预处理后的数据没有标签，根据信号自身特性的相似程度来聚成K类。整个过程主要分为初始化、迭代更新和停止条件三个子步骤。为后续人工对文本进行标签标注提供条件。

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(下称“顶点”)。

2.2迭代更新。

对每个顶点逐一聚类。把顶点们都聚到距离自己最近的聚类中心所代表的类中。采用欧式距离作为计算公式，公式如下：

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。

更新聚类中心。现在每个聚类里面都有了自己的成员，然而最初随机选定的(第一次迭代)或迭代之后(之后的迭代)的每个聚类中心，由于更新了本类成员，不一定还保持中心的位置。因而再采用欧式距离计算一次各个聚类的中心。

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。

步骤3：对聚类后的样本人工进行标签标注。

经过k-means聚类后的分类数据集，已形成符合信号规则的样本数据集。对每一个分类数据集标注标签：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。为下一步标签数据进行分类做准备。