CN109596942A - 一种基于深度置信网络的电压暂降原因识别方法 - Google Patents
一种基于深度置信网络的电压暂降原因识别方法 Download PDFInfo
- Publication number
- CN109596942A CN109596942A CN201811488320.0A CN201811488320A CN109596942A CN 109596942 A CN109596942 A CN 109596942A CN 201811488320 A CN201811488320 A CN 201811488320A CN 109596942 A CN109596942 A CN 109596942A
- Authority
- CN
- China
- Prior art keywords
- training
- network
- voltage
- voltage sag
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于深度置信网络的电压暂降原因识别方法,属于电能质量分析方法技术领域。方法包括对电压暂降录波数据及其电压暂降原因标签进行数据预处理;搭建受限玻尔兹曼机网络;对受限玻尔兹曼机进行无监督预训练;用训练生成的受限玻尔兹曼机搭建深度置信网络;添加softmax层;对整个网络进行有监督训练;对生成的模型进行准确率的验证;对模型输出的各类别概率进行判断,自动识别输入数据对应的电压暂降原因类型。本发明利用历史电压暂降录波及其暂降原因标签对深度神经网络进行迭代训练,将监测点可能出现的电压暂降录波数据输入训练生成的模型,就可以得到其对应的电压暂降原因类型。本发明对现有的电能质量监测***是一大补充,具有十分重要的现实意义。
Description
技术领域
本发明涉及一种基于深度置信网络的电压暂降原因识别方法,属于电能质量分析方法技术领域。
背景技术
随着工业与信息社会的迅速发展,社会各界对电能质量的要求也不断提高。电压暂降是电力***中难以避免且最容易引起敏感工业用户经济损失的电能质量扰动事件之一。随着可调速电机和精密控制设备等敏感设备的大量使用,电压暂降造成的损失甚至可以与停电事故相提并论。近年来,国内外专家们围绕电压暂降的特征提取、原因分类、原因定位、监测、敏感设备耐受能力等方面展开了大量研究并取得了很多成果。在现有的研究基础上,本方法主要对电压暂降原因识别进行深入研究。正确分析并识别电压暂降原因不仅有助于提出针对性的抗干扰方案,从而有效降低其带来的影响,而且有助于界定电压暂降事故中供用电双方各自的责任,作为合理解决相关纠纷的重要依据。
造成电压暂降的根本原因是电原因阻抗分压的增加,引起电压暂降的扰动原因主要有***短路故障、大型感应电动机启动、变压器投切等单一电压暂降原因及其之间相互影响而构成的复合电压暂降原因,不同电压暂降原因的信号具有明显不同的特性。因此,如果能够对电压暂降的历史录波数据及其电压暂降原因标签进行分析,挖掘其中隐藏的变化规律,便可以准确识别电压暂降事件的暂降原因。
目前,学者们对电压暂降原因的识别主要是针对单一电压暂降原因,识别过程包括特征提取和模式识别两个环节。其中,特征提取是采用时域、频域和变换域等信号处理或数理统计理论对电压暂降信号进行变换和重构,并从中提取有效的特征,常用方法包括快速傅里叶变换、小波变换、希尔伯特—黄变换、S变换等;模式识别利用机器学习的相关分类算法设计分类器,用于确定扰动信号样本所属的暂降原因类别,主要方法包括主成分分析约简、支持向量机、神经网络、遗传算法等。
在实际电网中,由多种电压暂降原因相互作用而成的复合电压暂降原因识别成为了一大难点。国内外关于复合电压暂降原因分类的研究还不多,主要采用传统解决单一暂降原因分类识别的方法来处理复合电压暂降问题。陈丽等采用改进S变换的方法对复合电压暂降原因进行识别,尽管比标准S变换在电压暂降原因分类识别上效果更好,但是该方法仅仅针对部分复合电压暂降原因引起的电压暂降,泛化能力不足。
同时,随着电网设备的复杂化和用电模式的区域化,电力***中很难再对复杂时间序列数据建立精确且通用的数理统计模型,特征提取过程的信息丢失和分类模型的过度复杂也使得现有方法的缺陷日益凸显。大数据时代背景下,基于数据驱动的方法则备受青睐,其不依赖物理模型的特性有效地弥补了基于数理模型的不足。深度学习便是一种基于对数据进行表征学习的方法,其特征学习和分层特征提取的高效算法能够克服人工获取特征的问题。经过多年的实际运行,电能质量智能信息***已经累积了大量的电能质量电压暂降事件记录,这为深度学习在电能质量中的应用提供了良好的数据支撑。
区别于传统算法提取特征的方式,本文将引入深度学习算法中的深度置信网络对电压暂降原因进行分类识别。通过构建受限玻尔兹曼机自动提取各电压暂降原因波形的固有抽象特征参数,采用softmax函数进行多标签分类的识别,接着确定损失函数作为网络目标来指导学习过程,并用带暂降原因标签的历史电压暂降录波数据对搭建好的网络进行迭代训练。最终生成的模型能够根据暂降事件的录波数据自动识别其对应的电压暂降原因,同时也能克服人工特征选取容易原始丢失信息、分类模型过于复杂以及传统神经网络训练时收敛速度慢、容易限于局部最优的问题。
发明内容
本发明的目的在于,提出一种基于深度置信网络的电压暂降原因识别方法,通过挖掘历史电压暂降事件的录波数据与电压暂降原因的对应关系,达到对电压暂降事件对应的暂降原因的准确识别。
首先,对电能质量监测点的电压暂降录波数据及其暂降原因标签进行数据预处理。所述数据预处理首先对电压暂降录波数据进行连续采样,接着对采样到的电压值做归一化处理,并将电压暂降原因标签向量化,最后将预处理后的电压暂降数据及其对应的电压暂降原因标签划分为训练集和测试集。
然后,搭建受限玻尔兹曼机网络,并用训练集数据对搭建好的受限玻尔兹曼机进行无监督预训练。所述受限玻尔兹曼机是两层神经网络,相邻层的节点之间相互连接,同层之间的节点互不相连,其中第一层称为显层或者输入层,第二层成为隐含层或者输出层。所述无监督预训练首先利用处理后的训练集的连续采样电压值作为搭建好的第一个受限玻尔兹曼机的输入,并对其进行无监督预训练;接着利用第一个受限玻尔兹曼机的隐含层输出对搭建好的下一个受限玻尔兹曼机继续进行无监督预训练,以此类推。其中,所述受限玻尔兹曼机的无监督预训练中,受限玻尔兹曼机引入了能量函数,训练目标是使网络的能量函数达到最低值状态,即网络的最佳稳定状态;训练过程中,先从受限玻尔兹曼机的显层获取输入数据,通过能量函数推导出显层和隐层的条件概率;接着通过推导得到隐层单元和显层单元被激活的概率,从而得到网络参数的求解结果;最后在最小化能量函数的过程中,受限玻尔兹曼机通过反向传播算法迭代更新网络的权重和偏置,最大概率地拟合输入数据,从而自动提取电压暂降录波数据的抽象特征,并在隐含层输出。
其次,利用训练生成的受限玻尔兹曼机模型搭建深度置信网络。所述深度置信网络由多个传统的受限玻尔兹曼机串联堆叠而成,将上一个受限玻尔兹曼机的隐含层输出作为下一个受限玻尔兹曼机的显层输入,以此类推。
再次,在深度置信网络的输出层后面添加softmax层,并用训练集数据对整个网络进行有监督训练,保存生成的模型。所述softmax层将网络的输出映射到(0,1)区间内,从而获得网络输入数据属于各电压暂降原因类别的概率。所述有监督训练采用处理后的连续电压值及其对应的电压暂降原因标签对整个网络进行迭代训练,训练过程中将softmax层输出和对应标签的交叉熵作为损失函数,通过反向传播算法迭代更新网络参数,实现网络损失函数的最小化目标。
最后,用测试集数据对模型进行准确率的验证,并利用模型自动识别输入的电压暂降录波数据对应的电压暂降原因类型。所述准确率的验证将处理后的测试集的连续采样电压值输入迭代训练生成的模型,对模型softmax层输出的各类别对应的概率值进行判断,当某类别对应的概率值大于0.5时,认定输入的测试数据属于该电压暂降原因类别,最后将判断的单一电压暂降类别或复合电压暂降类别与输入数据相应的电压暂降原因标签进行匹配,从而测试生成模型的识别准确率。最终,经过训练生成的模型能够根据暂降事件的录波数据自动识别其对应的电压暂降原因。
可行性分析:第一,符合实际应用需求;目前我国多个省市已建立了电能质量监测网络,基本实现了对电能质量状态的实时监测。进一步控制和治理电能质量扰动问题,特别是电压暂降问题,是当前电能质量领域关注的重点;第二,具备数据支撑条件;目前投入使用的电能质量监测设备已经积累了大量的电压暂降事件及其暂降原因的记录,这为基于数据驱动的电压暂降原因识别方法提供了可靠的数据来原因;第三,技术的可行性;大数据时代背景下,深度学习是当前最受关注的研究课题之一,目前已经提出了很多成熟的算法。而且在图像工程、自然语言处理、语音识别等领域中,已经将深度学习算法成功应用于分类识别的模型中。
本发明的有益效果:提供一种基于受限玻尔兹曼机的电压暂降原因识别方法,该方法利用历史电压暂降录波数据及其电压暂降原因标签对搭建好的深度神经网络进行迭代训练,将电能质量监测点可能出现的电压暂降事件的录波数据输入训练生成的模型,就可以得到其对应的电压暂降原因类型。有助于电能质量扰动治理方案的及时制定,能够有效降低经济损失,对现有的电能质量监测***是一大补充,具有十分重要的现实意义。
附图说明
图1基于深度置信网络的电压暂降原因识别方法的结构示意图。
图2受限玻尔兹曼机的结构示意图。
图3深度置信网络的结构示意图。
图4本发明流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
图1基于深度置信网络的电压暂降原因识别方法的结构示意图。图2受限玻尔兹曼机的结构示意图。图3深度置信网络的结构示意图。图4本发明流程图。如图1、2、3、4所示,基于深度置信网络的电压暂降原因识别方法,该方法步骤如下:
步骤1:对电能质量监测点的电压暂降录波数据及其电压暂降原因标签进行数据预处理;
本专利的数据预处理首先对电压暂降录波数据进行连续采样,接着对采样到的电压值做归一化处理,并将电压暂降原因标签向量化,最后将预处理后的电压暂降数据及其对应的电压暂降原因标签划分为训练集和测试集;
步骤2:搭建受限玻尔兹曼机网络;
所述受限玻尔兹曼机是是一个由可见层v和隐藏层h组成的无向概率图模型,数据从可见层输入,通过计算得到隐层的值。如图2所示,可见层和隐藏层分别由若干个互不相连的神经单元构成,两层的神经单元通过权值w互连。受限玻尔兹曼机网络的可视层第i个单元与隐藏层第j个单元之间的权重用参数wij表示,可视层单元的偏置为参数b = (b1,b2,…,bm),隐藏层的偏置为参数c = (c1,c2,…,cn);
步骤3:用训练集数据对步骤2搭建好的网络进行无监督预训练;
所述无监督预训练首先利用步骤1处理后的训练集的连续采样电压值作为步骤2搭建好的第一个受限玻尔兹曼机的输入,并对其进行无监督预训练;接着利用第一个受限玻尔兹曼机的隐含层输出对步骤2搭建好的下一个受限玻尔兹曼机继续进行无监督预训练,以此类推。其中,受限玻尔兹曼机引入了能量函数,训练目标是使网络的能量函数达到最低值状态,即网络的最佳稳定状态。训练过程中,先从受限玻尔兹曼机的显层获取输入数据,再用能量函数推导出显层和隐层的条件概率,接着推导得到隐层单元和显层单元被激活的概率,从而得到网络偏置的求解结果。最后依据隐层单元和显层单元之间的相关性差异来更新权重w和偏置b,更新公式如下:
式中的上标代表取样步骤,(v (0) h j (0))代表基于显层和隐层的第一次取样,反复多次后便可以得到合适的w,从而确定显层输入所对应的隐层输出信息;
步骤4:利用步骤3训练生成的受限玻尔兹曼机模型搭建深度置信网络;
所述深度置信网络由多个传统的受限玻尔兹曼机串联堆叠而成,如图3所示,将上一个受限玻尔兹曼机的隐含层输出作为下一个受限玻尔兹曼机的显层输入,以此类推;
步骤5:在深度置信网络的输出层后面添加softmax层;
所述softmax层调用softmax函数用于多标签分类。假设有K个类别,S i 代表的是第i个单元的输出,softmax层的计算过程为:
softmax层将网络的输出映射到(0,1)区间内,从而获得网络输入数据属于各电压暂降原因类别的概率。添加softmax层后的整体网络如图1所示;
步骤6:用训练集数据对整个网络进行有监督训练并保存模型;
所述有监督训练为:采用步骤1处理后的连续电压值及其对应的电压暂降原因标签对步骤6搭建好的网络进行迭代训练,训练过程中将softmax层输出和对应标签的交叉熵作为损失函数c,假设y i 表示真实的分类结果,c的计算过程为:
通过反向传播算法迭代更新网络参数,实现网络损失函数的最小化目标;
步骤7:用测试集数据对步骤6生成的模型进行准确率的验证;
所述准确率的验证为:将步骤1处理后的测试集的连续采样电压值输入步骤6迭代训练生成的模型,对模型softmax层输出的各类别对应的概率值进行判断,当某类别对应的概率值大于0.5时,认定输入的测试数据属于该电压暂降原因类别,最后将判断的单一电压暂降类别或复合电压暂降类别与输入数据相应的电压暂降原因标签进行匹配,从而测试生成模型的识别准确率;
步骤8:输入电压暂降录波数据,模型自动识别其对应的电压暂降原因类型。
实施例1
本实施例的样本暂降数据原因是选取某省电能质量监测平台中2012至2016年间1400条电压暂降记录,包含单相接地故障C1、大型感应电动机启动C2、变压器投切C3三种单一电压暂降原因和短路故障引起的多级电压暂降C4、单相接地与大型感应电动机启动的复合C5、单相接地与变压器投切的复合C6、大型感应电动机启动与变压器投切的复合C7四种复合电压暂降原因的录波信号各200组样本数据。通过搭建深度神经网络并迭代训练,可以学习到不同电压暂降原因对应的录波信号的抽象化特征参数并生成模型。假定几组电压暂降录波数据,输入模型可以得到相应的电压暂降原因类型。
基于该样本实施步骤如下:
1.对样本进行数据预处理:为了匹配网络的数据输入接口要求,每组样本数据的采样点设为200个,并对采样电压值进行归一化预处理。同时对电压暂降原因标签进行向量化处理,最后在每类样本中取50个样本作为测试集,剩余的150个样本为训练集;
2.在深度学习框架TensorFlow上搭建传统的受限玻尔兹曼机网络:综合考虑到样本数量、训练时间、模型拟合程度等因素,设定隐含层层数为3,在搭建的网络中,每层均使用非饱和非线性的Relu激活函数,从而提升网络的表达能力。每个受限玻尔兹曼机的输出层后均加入批标准化处理,从而加快网络的学习速率。三个受限玻尔兹曼机的隐含层神经元个数分别为100、50和3,经过实验调整后,确定前两个隐含层神经元个数分别为120和40;
3.用训练集数据对受限玻尔兹曼机进行无监督预训练:首先将预处理后的训练集的连续采样电压值作为第一个受限玻尔兹曼机的输入,并对其进行无监督预训练;接着利用第一个受限玻尔兹曼机的隐含层输出对下一个受限玻尔兹曼机继续进行无监督预训练,以此类推。在受限玻尔兹曼机的无监督预训练过程中,实验设置隐含层学习跳转率为0.5,学习率为0.01。先从显层获取训练集的输入数据,再用能量函数推导出显层和隐层的条件概率,接着推导得到隐层和显层单元被激活的概率,从而得到偏置的求解结果。最后依据隐层单元和显层单元之间的相关性差异来更新网络的权重和偏置,反复多次后便可以使能量函数达到最低值状态,即网络的最佳稳定状态,从而确定显层输入所对应的隐层输出信息;
4.搭建深度置信网络:深度置信网络由三个受限玻尔兹曼机串联堆叠而成,将上一个受限玻尔兹曼机的隐含层输出作为下一个受限玻尔兹曼机的显层输入,以此类推;
5.在网络的输出层后面添加softmax层:softmax函数将最后一个受限玻尔兹曼机的隐层输出映射到(0,1)区间内,获得各类别的概率,从而进行多标签分类;
6.用训练集数据对整个网络进行有监督训练并保存模型:分为前向传播和反向传播两个过程。训练过程中输入训练集数据,将softmax层输出和对应标签的交叉熵作为损失函数,通过反向传播算法迭代更新网络参数,实现网络损失函数的最小化目标。在微调过程中,输出层学习率为0.09,随迭代次数的增加,网络的损失继续下降并趋于稳定,生成模型的准确率逐渐上升,并趋于98%;
7.用测试集数据对生成的模型进行准确率的验证:将测试集数据的连续电压值输入训练生成的模型,对模型softmax层输出的各类别概率进行判断,当某类别概率大于0.5时,认定输入的测试数据属于该电压暂降原因类别。最后将判断的类别或类别组合与对应电压暂降原因标签进行匹配,从而测试模型的识别准确率。结果中各电压暂降原因类别的识别准确率:
单相接地故障C1:99%;
大型感应电动机启动C2:97%;
变压器投切C3:98%;
短路故障引起的多级电压暂降C4:98%;
单相接地与大型感应电动机启动的复合C5:96%;
单相接地与变压器投切的复合C6:97%;
大型感应电动机启动与变压器投切的复合C7:97%;
8.输入电压暂降录波数据,模型自动识别其对应的电压暂降原因类型并输出。
本发明提供一种基于深度置信网络的电压暂降原因识别方法,该方法采用深度学习算法中的受限玻尔兹曼机串联而成的深度置信网络,利用历史电压暂降录波数据及其电压暂降原因标签对搭建好的深度神经网络进行迭代训练,能够自主学习其抽象化特征参数并生成模型。将电能质量监测点可能出现的电压暂降事件的录波数据输入到训练生成的模型,就可以得到其对应的电压暂降原因类型。该方法有助于电能质量抗扰动方案的及时制定,能够有效降低经济损失,对现有的电能质量智能监测***是一大补充,具有十分重要的现实意义。
本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的具体实现方式不应构成本发明的限定,本发明将以附权利要求书界定的范围作为本发明的保护范围。
Claims (9)
1.一种基于深度置信网络的电压暂降原因识别方法,其特征在于,该方法包括以下步骤:
步骤1:对电压暂降录波数据及其电压暂降原因标签进行数据预处理;
步骤2:搭建受限玻尔兹曼机网络;
步骤3:用训练集数据对步骤2搭建好的网络进行无监督预训练;
步骤4:利用步骤3训练生成的受限玻尔兹曼机模型搭建深度置信网络;
步骤5:在深度置信网络的输出层后面添加softmax层;
步骤6:用训练集数据对整个网络进行有监督训练并保存生成的模型;
步骤7:用测试集数据对步骤6生成的模型进行准确率的验证;
步骤8:输入电压暂降录波数据,模型自动识别其对应的电压暂降原因类型。
2.根据权利要求1所述的一种基于深度置信网络的电压暂降原因识别方法,其特征在于,步骤1所述数据预处理首先对电压暂降录波数据进行连续采样,接着对采样到的电压值做归一化处理,并将电压暂降原因标签向量化,最后将预处理后的电压暂降数据及其对应的电压暂降原因标签划分为训练集和测试集。
3.根据权利要求1所述的一种基于深度置信网络的电压暂降原因识别方法,其特征在于,步骤2所述受限玻尔兹曼机是两层神经网络,相邻层的节点之间相互连接,同层之间的节点互不相连,其中第一层称为显层或者输入层,第二层成为隐含层或者输出层。
4.根据权利要求1所述的一种基于深度置信网络的电压暂降原因识别方法,其特征在于,步骤3所述无监督预训练为:利用步骤1处理后的训练集的连续采样电压值作为步骤2搭建好的第一个受限玻尔兹曼机的输入,并对其进行无监督预训练;接着利用第一个受限玻尔兹曼机的隐含层输出对步骤2搭建好的下一个受限玻尔兹曼机进行无监督预训练,以此类推。
5.根据权利要求4所述的一种基于深度置信网络的电压暂降原因识别方法,其特征在于,所述受限玻尔兹曼机的无监督预训练为:受限玻尔兹曼机引入了能量函数,训练目标是使网络的能量函数达到最小值,即网络的稳定状态;训练过程中,首先从受限玻尔兹曼机的显层获取输入数据,通过能量函数推导出显层和隐层的条件概率;接着推导得到隐层单元和显层单元被激活的概率,从而得到网络各个参数的求解结果;最后受限玻尔兹曼机通过反向传播算法迭代更新网络的权重和偏置,最大概率地拟合输入数据,实现能量函数的最小化,从而自动提取电压暂降录波数据的抽象化特征,并从隐层输出。
6.根据权利要求1所述的一种基于深度置信网络的电压暂降原因识别方法,其特征在于,步骤4所述深度置信网络由多个传统的受限玻尔兹曼机串联堆叠而成,将上一个受限玻尔兹曼机的隐层输出作为下一个受限玻尔兹曼机的显层输入,以此类推。
7.根据权利要求1所述的一种基于受限玻尔兹曼机的电压暂降原因识别方法,其特征在于,步骤5所述softmax层调用深度学习中的softmax函数将网络的输出映射到(0,1)区间内,从而获得网络输入数据属于各电压暂降原因类别的概率。
8.根据权利要求1所述的一种基于深度置信网络的电压暂降原因识别方法,其特征在于,步骤6所述有监督训练为:采用步骤1预处理后的训练集的连续电压值及其对应的电压暂降原因标签对步骤5搭建好的网络进行迭代训练,训练过程中将softmax层输出和输入数据对应标签的交叉熵作为损失函数,通过深度学习中的反向传播算法迭代更新网络的参数,从而实现网络损失函数的最小化目标。
9.根据权利要求1所述的一种基于深度置信网络的电压暂降原因识别方法,其特征在于,步骤7所述准确率的验证为:将步骤1处理后的测试集数据输入步骤6训练生成的模型,对模型softmax层输出的各电压暂降原因类别对应的概率值进行判断,当某类别对应的概率值大于0.5时,认定输入的测试数据属于该电压暂降原因类别,最后将判断的单一电压暂降类别或复合电压暂降类别与输入数据相应的电压暂降原因标签进行匹配,从而测试生成模型的识别准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811488320.0A CN109596942A (zh) | 2018-12-06 | 2018-12-06 | 一种基于深度置信网络的电压暂降原因识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811488320.0A CN109596942A (zh) | 2018-12-06 | 2018-12-06 | 一种基于深度置信网络的电压暂降原因识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109596942A true CN109596942A (zh) | 2019-04-09 |
Family
ID=65962184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811488320.0A Pending CN109596942A (zh) | 2018-12-06 | 2018-12-06 | 一种基于深度置信网络的电压暂降原因识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109596942A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245584A (zh) * | 2019-05-28 | 2019-09-17 | 全球能源互联网研究院有限公司 | 一种电压暂降原因识别方法及*** |
CN110989363A (zh) * | 2019-12-27 | 2020-04-10 | 广东电网有限责任公司电力科学研究院 | 一种基于深度学习的电能质量控制方法及装置 |
CN112766702A (zh) * | 2021-01-13 | 2021-05-07 | 广东能源集团科学技术研究院有限公司 | 一种基于深度置信网络的分布式电站故障分析方法及*** |
CN112766060A (zh) * | 2020-12-31 | 2021-05-07 | 郑州地铁集团有限公司 | 一种电压暂降发生原因的识别方法、识别装置及电子设备 |
CN113009279A (zh) * | 2021-03-05 | 2021-06-22 | 四川大川云能科技有限公司 | 基于Neo4j的配电网电压暂降故障定位及其可视化*** |
CN113378880A (zh) * | 2021-05-08 | 2021-09-10 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于5g的电网电压暂降事件检测方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2544125A1 (en) * | 2011-07-04 | 2013-01-09 | Sabirmedical, S.L. | Methods and systems for non-invasive measurement of blood pressure |
CN107330519A (zh) * | 2017-06-26 | 2017-11-07 | 西北工业大学 | 基于深度神经网络的故障定位方法 |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108171200A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于sar图像统计分布和dbn的sar图像分类方法 |
CN108170994A (zh) * | 2018-01-29 | 2018-06-15 | 河海大学 | 一种基于双向深度网络的油浸式电抗器故障诊断方法 |
CN108846410A (zh) * | 2018-05-02 | 2018-11-20 | 湘潭大学 | 基于稀疏自动编码深度神经网络的电能质量扰动分类方法 |
-
2018
- 2018-12-06 CN CN201811488320.0A patent/CN109596942A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2544125A1 (en) * | 2011-07-04 | 2013-01-09 | Sabirmedical, S.L. | Methods and systems for non-invasive measurement of blood pressure |
CN107330519A (zh) * | 2017-06-26 | 2017-11-07 | 西北工业大学 | 基于深度神经网络的故障定位方法 |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108171200A (zh) * | 2018-01-12 | 2018-06-15 | 西安电子科技大学 | 基于sar图像统计分布和dbn的sar图像分类方法 |
CN108170994A (zh) * | 2018-01-29 | 2018-06-15 | 河海大学 | 一种基于双向深度网络的油浸式电抗器故障诊断方法 |
CN108846410A (zh) * | 2018-05-02 | 2018-11-20 | 湘潭大学 | 基于稀疏自动编码深度神经网络的电能质量扰动分类方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245584A (zh) * | 2019-05-28 | 2019-09-17 | 全球能源互联网研究院有限公司 | 一种电压暂降原因识别方法及*** |
CN110989363A (zh) * | 2019-12-27 | 2020-04-10 | 广东电网有限责任公司电力科学研究院 | 一种基于深度学习的电能质量控制方法及装置 |
CN110989363B (zh) * | 2019-12-27 | 2022-01-25 | 广东电网有限责任公司电力科学研究院 | 一种基于深度学习的电能质量控制方法及装置 |
CN112766060A (zh) * | 2020-12-31 | 2021-05-07 | 郑州地铁集团有限公司 | 一种电压暂降发生原因的识别方法、识别装置及电子设备 |
CN112766702A (zh) * | 2021-01-13 | 2021-05-07 | 广东能源集团科学技术研究院有限公司 | 一种基于深度置信网络的分布式电站故障分析方法及*** |
CN113009279A (zh) * | 2021-03-05 | 2021-06-22 | 四川大川云能科技有限公司 | 基于Neo4j的配电网电压暂降故障定位及其可视化*** |
CN113009279B (zh) * | 2021-03-05 | 2024-03-22 | 四川大川云能科技有限公司 | 基于Neo4j的配电网电压暂降故障定位及其可视化*** |
CN113378880A (zh) * | 2021-05-08 | 2021-09-10 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于5g的电网电压暂降事件检测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109596942A (zh) | 一种基于深度置信网络的电压暂降原因识别方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
Wilson et al. | Deep learning-aided cyber-attack detection in power transmission systems | |
CN110070183A (zh) | 一种弱标注数据的神经网络模型训练方法及装置 | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN109034054B (zh) | 基于lstm的谐波多标签分类方法 | |
CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
CN112131783A (zh) | 一种基于配电台区大数据的户变拓扑关系识别方法 | |
CN107817404A (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN110321555A (zh) | 一种基于循环神经网络模型的电网信号分类方法 | |
CN116245033B (zh) | 人工智能驱动的电力***分析方法及智能软件平台 | |
CN108921285A (zh) | 基于双向门控循环神经网络的序列中单一元素分类方法 | |
CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
CN112200694A (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN114006370B (zh) | 一种电力***暂态稳定分析评估方法及*** | |
CN110516742A (zh) | 一种基于组合神经网络模型的配电终端故障判别方法及*** | |
CN114021433A (zh) | 一种电力***的主导失稳模式识别模型的构建方法及应用 | |
Peng et al. | A very short term wind power prediction approach based on Multilayer Restricted Boltzmann Machine | |
CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及*** | |
Thomas et al. | Neural architecture search algorithm to optimize deep transformer model for fault detection in electrical power distribution systems | |
CN110059737A (zh) | 基于集成深度神经网络的配电变压器连接关系辨识方法 | |
CN114252739A (zh) | 配电网单相接地故障判别方法、***、设备和存储介质 | |
Vohra et al. | End-to-end learning with multiple modalities for system-optimised renewables nowcasting | |
CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和*** | |
CN116720057A (zh) | 基于特征筛选与权值分配的江河水质预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190409 |