[发明专利]一种基于深度学习SDAE-BP的暂降类型识别方法、装置和系统

说明书

本发明公开一种基于深度学习SDAE‑BP的暂降类型识别方法、装置和系统，方法包括：获取待识别暂降类型的电压暂降波形数据，并进行预处理；将预处理后的电压暂降波形数据输入预先训练的堆栈降噪自编码器SDAE，得到由SDAE提取出的电压暂降特征数据，再输入预先训练的BP神经网络模型；最终根据BP神经网络模型的输出，确定电压暂降波形数据的暂降类型。本发明利用深度学习中的堆栈降噪自编码器（SDAE）提取电压暂降信号特征，再使用BP神经网络对暂降类型进行识别，可解决人为提取特征受未知特征影响和噪声影响的问题，提升暂降类型识别的准确性。

技术领域

本发明涉及电能质量分析技术领域，特别是一种基于深度学习SDAE-BP的暂降类型识别方法、装置和系统。

背景技术

不同短路故障引起的暂降类型不同，对用户造成的影响也不相同，准确地识别暂降类型可针对实际的电压暂降情况进行分析、补偿和抑制，对于电压暂降的治理具有重要的意义，同时还可作为电力供应部门和用户之间协调纠纷的依据。

目前国内外学者对电压暂降源的识别主要基于“特征提取+类型识别”的模式。首先对电压暂降信号进行变换和重构，并从中提取时、频域上的有效特征，常用的方法包括S变换、小波变换、傅里叶变换、Hilbert-Huang变换等；然后利用分类器实现电压暂降源的识别，主要采用神经网络、支持向量机、模糊综合评价等方法。随着越来越多的电力电子设备接入电网，实际的波形并不理想，所提取的特征也受到影响，进而影响了暂降源的识别。深度学习(Deep Leaning)算法可以对数据特征进行学习，其分层特征提取的能力可以解决人为特征提取的问题。

名词解释

SDAE-BP，堆叠去噪自动编码器(Stack Denoising Auto Encoder,SDAE)和BP神经网络(Back Propagation,BP)的融合算法。

发明内容

本发明的目的是提供一种基于深度学习SDAE-BP的暂降类型识别方法、装置和系统，利用深度学习中的堆栈降噪自编码器(SDAE)提取电压暂降信号特征，再使用BP神经网络对暂降类型进行识别，解决人为提取特征受未知特征影响和噪声影响的问题，提升暂降类型识别的准确性。本发明采用的技术方案如下。

一方面，本发明提供一种基于深度学习SDAE-BP的暂降类型识别方法，包括：

获取待识别暂降类型的电压暂降波形数据；

对获取到的电压暂降波形数据进行预处理；

将预处理后的电压暂降波形数据输入预先训练的堆栈降噪自编码器SDAE，得到由SDAE提取出的电压暂降特征数据；

将所述电压暂降特征数据输入预先训练的BP神经网络模型；

根据所述BP神经网络模型的输出，确定电压暂降波形数据的暂降类别；

其中，所述堆栈降噪自编码器SDAE的特征提取训练样本包括对应多种电压暂降类别的电压暂降波形数据样本；所述BP神经网络的暂降类型识别训练样本为，SDAE对应各特征提取训练样本的输出和特征提取训练样本对应的暂降类型标签。

可选的，计算三相电压的有效值和相位；

提取故障时间段的电压暂降波形数据，对其三相电压的有效值和相位进行下采样处理；

对下采样得到的三相电压有效值和相位数据进行归一化处理；

将归一化处理后的数据组成并集序列，作为SDAE的输入数据。

可选的，所述堆栈降噪自编码器SDAE的训练包括：

基于多种预设暂降类型，分别对应各暂降类型获取多组电压暂降波形信号；