[发明专利]一种采用全连接神经网络的配电网电压异常诊断方法

权利要求书

1.一种采用全连接神经网络的配电网电压异常诊断方法，其特征在于，包括以下步骤：

1)、采集待诊断区域一段时间内配电网电压采样数据，作为原始数据；对原始数据进行处理，获得电压数据观测集；

2)采用K-means聚类算法将观测集中n个电压数据划分到3个集合中；

3)为3个集合中的数据设设置标签，分别为0、1、2；其中标签0代表日电压存在电压过高的情况，1代表存在电压过低的情况，2代表全天无异常情况，电压处于平稳趋势；

4)将三个集合中的数据分为训练集、测试集和验证集；

5)搭建全连接深度神经网络，并采用训练集训练深度神经网络，训练后用测试集检测准确率，反复调整神经网络训练，使准确率达到预设目标，最终获得训练好的神经网络模型；

6)验证集输入训练好的经网络模型，识别验证集中各组数据所述的类别标签，完成配电网电压异常诊断。

2.根据权利要求1所述的一种采用全连接神经网络的配电网电压异常诊断方法，其特征在于，电压数据观测集为(x_1,x₂,……,x_n)，n为满足每日有96个数据的天数，其中每个电压数据观测都是一个(a_1,a₂,……,a₉₆)的一维向量。

3.根据权利要求1所述的一种采用全连接神经网络的配电网电压异常诊断方法，其特征在于，步骤3)具体包括：

首先，随机选则3组电压数据作为初始的聚类中心，然后计算剩余每组电压数据与初始的聚类中心之间的距离；根据每组数据得出的结果把他们分配给距离最近的聚类中心；所有距离某一聚类中心很近的数据组成一个聚类，当第一轮全部对象都分给各个聚类中心后，聚类中心根据这些数据重新计算；这个过程反复发生直到聚类中心不再改变，或者数据已经全部分配给距离最近的聚类中心；

然后，创建一个含有3个随机质心向量的集合，将数据集分为3个簇，随机质心在整个数据集的边界之内；

在创建3个质心向量后，数据集内其余向量分配到最近的质心，再重新计算；重复这个过程，直到数据的簇分配结果不再改变位置为止。

4.根据权利要求1所述的一种采用全连接神经网络的配电网电压异常诊断方法，其特征在于，全连接深度神经网络通过Affine层、激活函数ReLU、Softmax-with-Loss层交替实现，首先是正向传播过程，将电压数据通过Affine层和激活函数ReLU层进行转换，预测结果通过Softmax进行正则化，转换为概率输出，计算损失函数后反向传播，进行参数更新，经过多次参数更新，直到误差在允许范围内，获得训练好的神经网络模型。

5.根据权利要求1所述的一种采用全连接神经网络的配电网电压异常诊断方法，其特征在于，首先数据处理程序来处理初始采集的电压数据，将电压数据按天分割，每一天的电压数据将对应一个标签：0或1或2；用train_deepnet.py训练神经网络，程序中先用load_dataset()函数加载处理好的电压数据，再调用network.TwoLayNet()函数搭建双层全连接神经网络，进入训练程序进行训练；训练中采用了dropout策略抑制过拟合，利用batch_mask＝np.network.choice()函数进行拟归一化，结合下一步计算的权重参数梯度函数抑制梯度弥散问题；利用loss＝self.network.loss()函数计算交叉熵误差，在反复训练过程中误差越来越小，将检测集训练后得出的标签与监督标签对比，计算精确度；该精确度与最初设定的目标准确度相对比，若未达到要求则采用Adam算法进行参数的更新，最终直到达到满意的准确度。