CN114372495A - 基于深度空间残差学习的电能质量扰动分类方法及*** - Google Patents
基于深度空间残差学习的电能质量扰动分类方法及*** Download PDFInfo
- Publication number
- CN114372495A CN114372495A CN202210280458.1A CN202210280458A CN114372495A CN 114372495 A CN114372495 A CN 114372495A CN 202210280458 A CN202210280458 A CN 202210280458A CN 114372495 A CN114372495 A CN 114372495A
- Authority
- CN
- China
- Prior art keywords
- power quality
- quality disturbance
- residual error
- module
- disturbance signal
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度空间残差学习的电能质量扰动分类方法及***,本发明包括将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果,深度空间残差模型包括:空间残差模块,用于提取空间信息;特征融合模块,主要用于融合输入电能质量扰动信号数据的空间信息和序列信息;特征提取模块用于提取特异性特征;分类模块用于区分出不同类别的电能质量扰动信号得到分类结果。本发明能够自动提取扰动信号特征,不用人工参与设计特征,避免了人工设计特征的繁琐步骤,而且本发明方法具有很好的抗干扰能力以及精准的分类检测能力,在强噪声环境下能够对多种复杂的电能质量扰动信号实现精准的分类。
Description
技术领域
本发明涉及电能质量分析技术,具体涉及一种基于深度空间残差学习的电能质量扰动分类方法及***。
背景技术
为了实现碳中和的目标,在传统电力***中整合可再生能源和分布式发电是实现这一目标的重要举措。但是可再生能源和分布式发电带来了新的挑战,这是引起电能质量扰动的主要来源之一。电能质量扰动大致分位稳态和暂态。非线性负载、负荷突变和线路切换均会导致电能质量扰动。例如电力电子变换器的应用在电网中会产生谐波和闪变等扰动。电能质量扰动会导致电网中敏感的电力电子设备故障或失灵。这对电力设备的安全稳定运行造成了严重影响,甚至会降低电力电子的寿命。因此随着敏感的电气设备被广泛使用,对电能质量提出了更高要求。对电能质量扰动准确分类具有重要意义。在电网运行过程中,检测设备会生成大量的扰动信号数据。因此需要能够自动检测和分类各种扰动信号的智能方法。
传统的电能质量扰动分类模型大致包括3个步骤:信息分析,特征设计和分类识别。典型的信息处理方法包括傅里叶变换,S变换,小波变换,希尔伯特黄变换和卡尔曼滤波器。这些方法被广泛应用于电能质量扰动检测,但是他们并不适用于多种扰动信号。例如:傅里叶变换更适用于处理平稳扰动信号,小波变换的表现跟小波基函数的选择有关,选择不同的小波基函数分析结果可能不同。除此之外,这些时频分析方法提取的特征受到强噪声的影响。
传统分类模型的特征设计依赖于工程师的经验。常见的特征包括标准偏差、方差、峰值、中值、均值和熵。但是特征设计并没有统一的标准。特征设计的过多,特征中包含多余的冗余特征,增加模型的运行时间。特征设计的过少,无法精确的表征不同的扰动信号,降低模型性能。除此之外,设计的特征和分类器之间并不存在信息反馈通道,也就是说传统分类检测方法无法根据模型性能表现,反作用于前端的特征设计,自动设计出质量更高的特征。
传统分类模型常用的分类器有支持向量机(support vector machines,SVM)、多层感知机(multilayer perceptron,MLP)、概率神经网络(Probabilistic NeuralNetwork,PNN)、模糊专家***(Fuzzy Expert System)等方法。但是这些分类器的表现依赖于前端手工设计特征的质量。手工设计的特征能够特异性的表示不同类型扰动信号,分类器就能准确的检测扰动信号的类型。当手工设计的特征不能充分的表征不同类型扰动信号,分类器检测扰动信号类型的性能就会降低。近年来深度学习在机器视觉等众多领域展现了强大的性能。这种智能算法能够自动提取扰动信号的特征,不用人工参与设计特征,避免了人工设计特征的繁琐步骤。深度学习方法能够自动调整模型提的特征,自动选出最优特征,实现电能质量扰动信号的精准分类。
总而言之,传统的电能质量扰动分类模型容易受到强噪声的影响,并且手动设计的特征和分类器之间不存在信息反馈通道,无法根据分类器表现的性能评估提取特征的质量,自动提取最优的特征,实现在强噪声环境下对复杂电能质量扰动信号的精准分类。为复杂电能质量信号手动设计合适的特征进行精准的分类是一项富有挑战性的任务,并且这个过程既繁琐又耗时。因此迫切需要智能的自动化方法实现对电能质量干扰的精准分类,实现扰动信号特征的自动提取。实现对复杂电能质量扰动信号的自动分类检测以及提高模型的抗干扰能力。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,考虑到扰动信号类型多种多样,并且在现场采样扰动信号的过程中,总是伴随不同强度的噪声,甚至在扰动信号中叠加了强噪声,本发明提供一种基于深度空间残差学习的电能质量扰动分类方法及***,本发明能够自动提取扰动信号特征,不用人工参与设计特征,避免了人工设计特征的繁琐步骤,而且本发明方法具有很好的抗干扰能力以及精准的分类检测能力,在强噪声环境下能够对多种复杂的电能质量扰动信号实现精准的分类。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于深度空间残差学习的电能质量扰动分类方法,包括将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果,所述深度空间残差模型包括:
空间残差模块,用于提取输入电能质量扰动信号数据的空间信息;
特征融合模块,用于提取输入电能质量扰动信号数据的序列信息以及融合输入电能质量扰动信号数据的空间信息和序列信息;
特征提取模块,用于学习融合信息的特异性特征;
分类模块,用于根据特异性特征区分出不同类别的电能质量扰动信号,从而获得电能质量扰动信号的分类结果。
可选地,所述空间残差模块包括:
空间重构模块,用于对输入电能质量扰动信号数据x进行空间重构得到重构数据W(x);所述空间重构是指在输入电能质量扰动信号数据x中的两两电能质量扰动信号之间建立空间连接通道,并采用卷积核将空间连接通道所连接的电能质量扰动信号做卷积运算,从而得到由所有卷积运算结果连接形成的重构数据W(x);
残差学习模块,用于基于预设的残差学习权重w对重构数据W(x)进行残差学习获得残差学习结果F(x,w);残差学习模块为三层结构,第一层和第三层均包括依次相连的卷积模块Conv、批量归一化模块BN以及采用Leaky ReLU激活函数的激活函数模块,第二层则采用1×1卷积层,获得残差学习结果F(x,w)的函数表达式为:
F(x,w)= R(W(x),w)+ x,
上式中,R(W(x),w)为残差学习权重w下重构数据W(x)的加权残差,x为输入电能质量扰动信号数据。
可选地,所述在输入电能质量扰动信号数据x中的两两电能质量扰动信号之间建立空间连接通道是指在输入电能质量扰动信号数据x中的采用固定的跨度n的方式选择电能质量扰动信号对,使得任意一个电能质量扰动信号与该电能质量扰动信号后的第n个电能质量扰动信号之间建立空间连接通道。
可选地,所述特征融合模块用于提取输入电能质量扰动信号数据x的序列特征,并将输入电能质量扰动信号数据x的序列特征、空间残差模块的残差学习结果F(x,w)融合得到最终的融合特征。
可选地,所述特征提取模块包括:
多级一维卷积模块,用于针对输入的特征图进行特征提取,且其中第一级一维卷积模块的输入端与特征融合模块的输出端相连,最后一级的一维卷积模块的输出端作为多级一维卷积模块的最终的输出端,且每一级一维卷积模块对输入特征图进行特征提取的函数表达式为:
x l =f(∑x l-1*k l +b l ),
上式中,x l 为第l级一维卷积模块输出的特征图,x l-1为第l-1级一维卷积模块输出的特征图,*表示卷积运算,k l 为第l级一维卷积模块的卷积核,b l 为第l级一维卷积模块的偏置参数,f为激活函数;
全局平均池化层GAP,用于将多级一维卷积模块最终输出的特征图进行全局平均池化操作后作为最终提取得到的待分类特征。
可选地,所述分类模块包括:
全连接层,用于对待分类特征执行全连接操作;
Softmax激活函数层,用于针对全连接操作结果进行分类,获得N种类别的概率,从而获得电能质量扰动信号的分类结果;其中,Softmax激活函数层计算N种类别中任意第i种类别的概率p i 的函数表达式为:
上式中,x i 表示第i种类别的全连接操作结果,x j 表示第j种类别的全连接操作结果,i和j取值范围为1~N。
可选地,所述将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果之前,还包括训练深度空间残差模型的步骤:
S1)构建包含N种类别的电能质量扰动信号数据样本的训练集和测试集;
S2)构建深度空间残差模型;
S3)在训练集中随机选择一组电能质量扰动信号数据样本,并输入到所述深度空间残差模型,得到分类结果;
S4)计算分类结果、该组电能质量扰动信号数据样本的真实类别标签的one-hot编码之间的损失值,并根据损失值反向传播训练深度空间残差模型并更新深度空间残差模型中的网络参数;
S5)根据损失值或迭代次数判断是否达到预设的结束条件,若未达到预设的结束条件,则跳转执行步骤S3)以继续训练深度空间残差模型;否则,保存深度空间残差模型中的网络参数,得到训练好的深度空间残差模型;
S6)采用测试集测试训练好的深度空间残差模型的准确率。
可选地,步骤S6)包括:将测试集中不同类型的电能质量扰动信号数据样本输入到训练好的深度空间残差模型中,获得每个电能质量扰动信号对应的输出类别标签值Y N ,计算电能质量扰动信号数据样本的真实类别标签与输出类别标签值Y N 之间的偏差,根据偏差是否大于设定值判断训练好的深度空间残差模型对每一个电能质量扰动信号数据样本得到的输出类别标签值Y N 是否准确,并计算所有电能质量扰动信号数据样本的准确率。
可选地,步骤S6)中偏差为交叉熵损失值,且交叉熵损失值的计算函数表达式为:
上式中,C表示交叉熵损失值,t i 表示N种类别中任意第i种类别的真实类别标签,p i 为N种类别中任意第i种类别的输出类别标签值Y N 。
此外,本发明还提供一种基于深度空间残差学习的电能质量扰动分类***,包括相互连接的微处理器和存储器,该微处理器被编程或配置以执行所述基于深度空间残差学习的电能质量扰动分类方法的步骤。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序用于被微处理器执行以实施所述基于深度空间残差学习的电能质量扰动分类方法的步骤。
和现有技术相比,本发明具有下述优点:考虑到扰动信号类型多种多样,并且在现场采样扰动信号的过程中,总是伴随不同强度的噪声,甚至在扰动信号中叠加了强噪声,本发明提供一种基于深度空间残差学习的电能质量扰动分类方法及***,本发明将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果,该深度空间残差模型包括:空间残差模块,用于提取输入电能质量扰动信号数据的空间信息;特征融合模块,主要用于融合输入电能质量扰动信号数据的空间信息和序列信息;特征提取模块,用于学习融合信息的特异性特征;分类模块,用于根据特异性特征区分出不同类别的电能质量扰动信号,从而获得电能质量扰动信号的分类结果。通过上述手段,使得本发明能够自动提取扰动信号特征,不用人工参与设计特征,避免了人工设计特征的繁琐步骤,而且本发明方法具有很好的抗干扰能力以及精准的分类检测能力,在强噪声环境下能够对多种复杂的电能质量扰动信号实现精准的分类。
附图说明
图1为本发明中深度空间残差模型的一种结构示例。
图2为本发明中空间重构模块采用的空间连接通道的示例。
图3为本发明中残差学习模块的一种结构示例。
图4为本发明中多级一维卷积模块的工作原理示意图。
图5为本发明深度空间残差模型的训练、测试及应用的完整流程示例。
图6为本发明深度空间残差模型的训练流程示例。
图7为本发明深度空间残差模型的测试流程示例。
具体实施方式
为了更加清晰的阐述本发明的技术方案和优点,下文结合具体实施例和附图对本发明做详细说明。
本实施例提供一种基于深度空间残差学习的电能质量扰动分类方法,包括将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果。如图1所示,该深度空间残差模型包括:
空间残差模块,用于提取输入电能质量扰动信号数据的空间信息;
特征融合模块,用于提取输入电能质量扰动信号数据的序列信息以及融合输入电能质量扰动信号数据的空间信息和序列信息;
特征提取模块,用于学习融合信息的特异性特征;
分类模块,用于根据特异性特征区分出不同类别的电能质量扰动信号,从而获得电能质量扰动信号的分类结果。其中,空间残差模块和特征融合模块用于学习扰动信号的低级特征,特征提取模块用于学习扰动信号的高级特征(特异性特征),特征融合模块主要用来融合输入电能质量扰动信号数据的空间信息和序列信息,空间残差模块提取输入电能质量扰动信号数据的空间信息,特征提取模块用来进一步学习融合信息的特异性特征,分类模块通过前端的特异性特征区分出不同类别的扰动信号,最终实现对复杂扰动信号的精准分类。
为了学习扰动信号的空间信息、提高深度空间残差模型的性能。参见图1,本实施例中空间残差模块包括:
空间重构模块,用于对输入电能质量扰动信号数据x进行空间重构得到重构数据W(x);空间重构是指在输入电能质量扰动信号数据x中的两两电能质量扰动信号之间建立空间连接通道,并采用卷积核将空间连接通道所连接的电能质量扰动信号做卷积运算,从而得到由所有卷积运算结果连接形成的重构数据W(x);输入电能质量扰动信号数据x是一维时序信号,针对时序信号的分析,常规方法通常集中精力分析时序信号某一时刻附近的局部特征。但是在整个时间跨度中,时序信息可能存在重要的全局特征信息。因此,本实施例方法中采用空间重构的方法来学习出输入电能质量扰动信号数据x的全局特征信息,以提取电能质量扰动信号的空间分布信息。
其中,两两电能质量扰动信号之间建立空间连接通道可根据需要采用固定或不固定的跨度,例如作为一种可选的实施方式,本实施例中所述在输入电能质量扰动信号数据x中的两两电能质量扰动信号之间建立空间连接通道是指在输入电能质量扰动信号数据x中的采用固定的跨度n的方式选择电能质量扰动信号对,使得任意一个电能质量扰动信号与该电能质量扰动信号后的第n个电能质量扰动信号之间建立空间连接通道。由于输入电能质量扰动信号数据x的长度较长,因此若某一电能质量扰动信号后的信号不足n个,则将该电能质量扰动信号忽略即可(也可以折返到头部取电能质量扰动信构成电能质量扰动信号对号)。图2所示为n取值为11的情况,第二个电能质量扰动信号“7”和其后第11个数据“0”之间建立了图中箭头所示的空间连接通道,第三个电能质量扰动信号“8”和其后第11个数据“8”之间建立了图中箭头所示的空间连接通道,依次类推。需要说明的是,采用卷积核将空间连接通道所连接的电能质量扰动信号做卷积运算时,卷积核大小可根据需要选择,例如本实施例卷积核大小为3,图2中箭头所示的情况会将“1,7,8”和“5,0,8”两组数据进行卷积运算。
残差学习模块,用于基于预设的残差学习权重w对重构数据W(x)进行残差学习获得残差学习结果F(x,w);参见图3,残差学习模块为三层结构,第一层和第三层均包括依次相连的卷积模块Conv、批量归一化模块BN以及采用Leaky ReLU激活函数的激活函数模块,第二层则采用1×1卷积层,获得残差学习结果F(x,w)的函数表达式为:
F(x,w)= R(W(x),w)+ x,
上式中,R(W(x),w)为残差学习权重w下重构数据W(x)的加权残差,x为输入电能质量扰动信号数据。
在深度空间残差模型的训练过程中存在协变量移位(covariate shift)问题,这就使得深度空间残差模型训练更加困难。批量归一化模块BN固定每层输入数据的分布,能够有效的缓解协变量移位(covariate shift)问题。使用批量归一化模块BN能加速深度空间残差模型的训练过程,提高收敛速度,有效避免模型训练过程中存在的梯度消失或***问题。其中,批量归一化模块BN的计算函数表达式为:
上式中,x f 是批量归一化模块BN的输入数据,μ是输入数据的均值;σ是输入数据的
方差,是常量;γ和β是批量归一化模块BN的学习参数。通过批量归一化模块BN,可将输入
数据的分布映射到高斯分布,从而能够加速深度空间残差模型的训练过程,提高收敛速度,
有效避免模型训练过程中存在的梯度消失或***问题。其中,Leaky ReLU激活函数的函数
表达式为:
上式中,x为输入,y为输出,k 1为设定的系数。
本实施例中,所述特征融合模块用于提取输入电能质量扰动信号数据x的序列特征,并将输入电能质量扰动信号数据x的序列特征、空间残差模块的残差学习结果F(x,w)融合得到最终的融合特征。
参见图1,本实施例中特征提取模块包括:
多级一维卷积模块,用于针对输入的特征图进行特征提取,且其中第一级一维卷积模块的输入端与特征融合模块的输出端相连,最后一级的一维卷积模块的输出端作为多级一维卷积模块的最终的输出端,且每一级一维卷积模块对输入特征图进行特征提取的函数表达式为:
x l =f(∑x l-1*k l +b l ),
上式中,x l 为第l级一维卷积模块输出的特征图,x l-1为第l-1级一维卷积模块输出的特征图,*表示卷积运算,k l 为第l级一维卷积模块的卷积核,b l 为第l级一维卷积模块的偏置参数,f为激活函数;
全局平均池化层GAP,用于将多级一维卷积模块最终输出的特征图进行全局平均池化操作后作为最终提取得到的待分类特征。
本实施例中多级一维卷积模块具体包含三级一维卷积模块,其工作原理如图4所示,特征通过卷积核的处理得到输出特征,卷积核从左往右依次卷积,每次卷积得到1个卷积结果;卷积核每次向右滑动1步,直到卷积核到达特征的最右侧就停止滑动,得到输出特征。具体而言:卷积核‘1,1,0’与特征中的‘2,6,7’元素做卷积运算得到8;在每次运算后卷积核向右滑动1步,与特征中的‘6,7,3’元素运算得到13。以此类推,卷积核滑动到最右侧与‘3,8,1’元素运算得到11。最终特征‘2,6,7,3,8,1’通过卷积核‘1,1,0’处理得到输出特征‘8,13,10,11’。
电能质量扰动信号的检测和分类属于典型的多分类问题。作为一种可选的实施方式,本实施例中采用softmax函数处理残差学习模块输出结果,通过softmax将输出结果映射到0~1之间,表示扰动信号属于每个类别的概率。具体地,参见图1,本实施例中分类模块包括:
全连接层,用于对待分类特征执行全连接操作;
Softmax激活函数层,用于针对全连接操作结果进行分类,获得N种类别的概率,从而获得电能质量扰动信号的分类结果;其中,Softmax激活函数层计算N种类别中任意第i种类别的概率p i 的函数表达式为:
上式中,x i 表示第i种类别的全连接操作结果,x j 表示第j种类别的全连接操作结果,i和j取值范围为1~N。本实施例中,前述的N种类别分别包括正弦波信号、电压暂降、电压暂升、电压中断、谐波、态振荡、暂态冲击、闪变、陷波以及由多种单一扰动信号构成的复合扰动信号。
如图5和图6所示,本实施例将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果之前,还包括训练深度空间残差模型的步骤:
S1)构建包含N种类别的电能质量扰动信号数据样本的训练集和测试集;
本实施例中,根据IEEE1159标准文档中对电能质量扰动信号的定义,建立16种电能质量扰动信号模型,用于随机生成16种扰动信号数据,分别包括正弦波信号、电压暂降、电压暂升、电压中断、谐波、态振荡、暂态冲击、闪变、陷波以及由多种单一扰动信号构成的复合电能质量扰动信号数据样本以用于深度空间残差模型的训练和测试,电能质量扰动信号数据样本的长度是0.2S。
S2)构建深度空间残差模型;
S3)在训练集中随机选择一组电能质量扰动信号数据样本,并输入到所述深度空间残差模型,得到分类结果;
S4)计算分类结果、该组电能质量扰动信号数据样本的真实类别标签的one-hot编码之间的损失值,并根据损失值反向传播训练深度空间残差模型并更新深度空间残差模型中的网络参数;其中one-hot编码又称独热编码或一位有效编码,采用多位二进制向量对真实类别标签进行编码,且任意一个真实类别标签的编码结果中仅有一位为1、其余位均为0;
为了进一步提高深度空间残差模型的泛化能力,本实施例中根据损失值反向传播训练深度空间残差模型并更新深度空间残差模型中的网络参数时,采用L2正则化策略计算深度空间
残差模型的损失值,其函数表达式为:
上式中,LossValue表示损失值,y i 为真实类别标签,为分类结果(预测标签),
Err表示真实类别标签y i 和分类结果之间的损失值,w i 为深度空间残差模型的参数,λ为
惩罚因子。本实施例中,采用反向传播优化算法更新网络模型参数,最小化损失函数的损失
值。此外,还可以进一步根据需要使用Adam优化器更新深度空间残差模型的网络参数,提高
深度空间残差模型的训练效率。
S5)根据迭代次数判断是否达到预设的结束条件,若未达到预设的结束条件,则跳转执行步骤S3)以继续训练深度空间残差模型;否则,保存深度空间残差模型中的网络参数,得到训练好的深度空间残差模型;
本实施例中,若迭代次数等于参数m,则判定达到预设的结束条件,本实施例中初始化参数m为60次。此外,也可以在损失值小于设定阈值时判定达到预设的结束条件,其原理与上述方法类似。
S6)采用测试集测试训练好的深度空间残差模型的准确率。
如图7所示,步骤S6)包括:将测试集中不同类型的电能质量扰动信号数据样本输入到训练好的深度空间残差模型中,获得每个电能质量扰动信号对应的输出类别标签值Y N ,计算电能质量扰动信号数据样本的真实类别标签与输出类别标签值Y N 之间的偏差,根据偏差是否大于设定值判断训练好的深度空间残差模型对每一个电能质量扰动信号数据样本得到的输出类别标签值Y N 是否准确,并计算所有电能质量扰动信号数据样本的准确率。本实施例步骤S6)中计算电能质量扰动信号数据样本的真实类别标签与输出类别标签值Y N 之间的偏差具体为交叉熵损失值,且交叉熵损失值的计算函数表达式为:
上式中,C表示交叉熵损失值,t i 表示N种类别中任意第i种类别的真实类别标签,p i 为N种类别中任意第i种类别的输出类别标签值Y N 。通过交叉熵损失值C,可验证本实施例提出的深度空间残差模型的性能。通过交叉熵损失函数计算深度空间残差模型的损失值,深度空间残差模型训练的目标就是最小化损失值。
为了验证本实施例提出的深度空间残差模型的性能,本实施例中为每种类型的电能质量扰动信号数据添加10~40dB的高斯白噪声,并使用GPU训练深度空间残差模型。GPU型号是NVIDIA GeForce RTX 3080,分别测试深度空间残差模型在不同噪声条件下的性能。实验结果如表1所示。
表1 模型性能表:
由表1可以看到。在20~40dB高斯白噪声的环境下,本实施例提出的深度空间残差模型的准确率均高于99%。即使在10dB的高斯白噪声的情况下,本实施例提出的深度空间残差模型的准确率仍然高达92.68%。由此可见,本实施例提出的深度空间残差模型不需要手动设计特征就能实现对复杂电能质量扰动信号的精准分类,其具有强大的特征提取能力以及抗噪声能力。
综上所述,本实施例提出的深度空间残差模型实现对复杂电能质量扰动信号的自动检测和分类。不同于传统检测分类方法,本实施例提出的深度空间残差模型不需要设计繁琐的人工特征,直接分析处理原始扰动信号,因此不需要特定的信息处理方法。与此同时,本实施例提出的深度空间残差模型具有优异的抗噪能力,对不同的复杂扰动信号实现精准的检测分类,可用于为智能电网实现电能质量扰动的自动检测分类。
此外,本实施例还提供一种基于深度空间残差学习的电能质量扰动分类***,包括相互连接的微处理器和存储器,该微处理器被编程或配置以执行前述基于深度空间残差学习的电能质量扰动分类方法的步骤。
此外,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序用于被微处理器执行以实施前述基于深度空间残差学习的电能质量扰动分类方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于深度空间残差学习的电能质量扰动分类方法,其特征在于,包括将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果,所述深度空间残差模型包括:
空间残差模块,用于提取输入电能质量扰动信号数据的空间信息;
特征融合模块,用于提取输入电能质量扰动信号数据的序列信息以及融合输入电能质量扰动信号数据的空间信息和序列信息;
特征提取模块,用于学习融合信息的特异性特征;
分类模块,用于根据特异性特征区分出不同类别的电能质量扰动信号,从而获得电能质量扰动信号的分类结果;
所述空间残差模块包括:
空间重构模块,用于对输入电能质量扰动信号数据x进行空间重构得到重构数据W(x);所述空间重构是指在输入电能质量扰动信号数据x中的两两电能质量扰动信号之间建立空间连接通道,并采用卷积核将空间连接通道所连接的电能质量扰动信号做卷积运算,从而得到由所有卷积运算结果连接形成的重构数据W(x);
残差学习模块,用于基于预设的残差学习权重w对重构数据W(x)进行残差学习获得残差学习结果F(x,w);残差学习模块为三层结构,第一层和第三层均包括依次相连的卷积模块Conv、批量归一化模块BN以及采用Leaky ReLU激活函数的激活函数模块,第二层则采用1×1卷积层,获得残差学习结果F(x,w)的函数表达式为:
F(x,w)= R(W(x),w)+ x,
上式中,R(W(x),w)为残差学习权重w下重构数据W(x)的加权残差,x为输入电能质量扰动信号数据。
2.根据权利要求1所述的基于深度空间残差学习的电能质量扰动分类方法,其特征在于,所述在输入电能质量扰动信号数据x中的两两电能质量扰动信号之间建立空间连接通道是指在输入电能质量扰动信号数据x中的采用固定的跨度n的方式选择电能质量扰动信号对,使得任意一个电能质量扰动信号与该电能质量扰动信号后的第n个电能质量扰动信号之间建立空间连接通道。
3.根据权利要求2所述的基于深度空间残差学习的电能质量扰动分类方法,其特征在于,所述特征融合模块用于提取输入电能质量扰动信号数据x的序列特征,并将输入电能质量扰动信号数据x的序列特征、空间残差模块的残差学习结果F(x,w)融合得到最终的融合特征。
4.根据权利要求3所述的基于深度空间残差学习的电能质量扰动分类方法,其特征在于,所述特征提取模块包括:
多级一维卷积模块,用于针对输入的特征图进行特征提取,且其中第一级一维卷积模块的输入端与特征融合模块的输出端相连,最后一级的一维卷积模块的输出端作为多级一维卷积模块的最终的输出端,且每一级一维卷积模块对输入特征图进行特征提取的函数表达式为:
x l =f(∑x l-1*k l +b l ),
上式中,x l 为第l级一维卷积模块输出的特征图,x l-1为第l-1级一维卷积模块输出的特征图,*表示卷积运算,k l 为第l级一维卷积模块的卷积核,b l 为第l级一维卷积模块的偏置参数,f为激活函数;
全局平均池化层GAP,用于将多级一维卷积模块最终输出的特征图进行全局平均池化操作后作为最终提取得到的待分类特征。
6.根据权利要求1~5中任意一项所述的基于深度空间残差学习的电能质量扰动分类方法,其特征在于,所述将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果之前,还包括训练深度空间残差模型的步骤:
S1)构建包含N种类别的电能质量扰动信号数据样本的训练集和测试集;
S2)构建深度空间残差模型;
S3)在训练集中随机选择一组电能质量扰动信号数据样本,并输入到所述深度空间残差模型,得到分类结果;
S4)计算分类结果、该组电能质量扰动信号数据样本的真实类别标签的one-hot编码之间的损失值,并根据损失值反向传播训练深度空间残差模型并更新深度空间残差模型中的网络参数;
S5)根据损失值或迭代次数判断是否达到预设的结束条件,若未达到预设的结束条件,则跳转执行步骤S3)以继续训练深度空间残差模型;否则,保存深度空间残差模型中的网络参数,得到训练好的深度空间残差模型;
S6)采用测试集测试训练好的深度空间残差模型的准确率。
7.根据权利要求6所述的基于深度空间残差学习的电能质量扰动分类方法,其特征在于,步骤S6)包括:将测试集中不同类型的电能质量扰动信号数据样本输入到训练好的深度空间残差模型中,获得每个电能质量扰动信号对应的输出类别标签值Y N ,计算电能质量扰动信号数据样本的真实类别标签与输出类别标签值Y N 之间的偏差,根据偏差是否大于设定值判断训练好的深度空间残差模型对每一个电能质量扰动信号数据样本得到的输出类别标签值Y N 是否准确,并计算所有电能质量扰动信号数据样本的准确率。
9.一种基于深度空间残差学习的电能质量扰动分类***,包括相互连接的微处理器和存储器,其特征在于,该微处理器被编程或配置以执行权利要求1~8中任意一项所述基于深度空间残差学习的电能质量扰动分类方法的步骤。
10.一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其特征在于,该计算机程序用于被微处理器执行以实施权利要求1~8中任意一项所述基于深度空间残差学习的电能质量扰动分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280458.1A CN114372495B (zh) | 2022-03-22 | 2022-03-22 | 基于深度空间残差学习的电能质量扰动分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210280458.1A CN114372495B (zh) | 2022-03-22 | 2022-03-22 | 基于深度空间残差学习的电能质量扰动分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114372495A true CN114372495A (zh) | 2022-04-19 |
CN114372495B CN114372495B (zh) | 2022-05-27 |
Family
ID=81145386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210280458.1A Active CN114372495B (zh) | 2022-03-22 | 2022-03-22 | 基于深度空间残差学习的电能质量扰动分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372495B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936579A (zh) * | 2022-05-30 | 2022-08-23 | 福州大学 | 基于双重注意力机制的电能质量扰动局部分类方法 |
-
2022
- 2022-03-22 CN CN202210280458.1A patent/CN114372495B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936579A (zh) * | 2022-05-30 | 2022-08-23 | 福州大学 | 基于双重注意力机制的电能质量扰动局部分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114372495B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A fault diagnosis method for wind turbines gearbox based on adaptive loss weighted meta-ResNet under noisy labels | |
CN114970605B (zh) | 一种多模态特征融合神经网络的制冷设备故障诊断方法 | |
Wu et al. | Self-supervised dialogue learning | |
Dong et al. | Bearing degradation process prediction based on the PCA and optimized LS-SVM model | |
Yang et al. | A control chart pattern recognition system using a statistical correlation coefficient method | |
CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
CN112508243B (zh) | 电力信息***多故障预测网络模型的训练方法及装置 | |
Lin et al. | Fairgrape: Fairness-aware gradient pruning method for face attribute classification | |
CN111062036A (zh) | 恶意软件识别模型构建、识别方法及介质和设备 | |
CN115563610B (zh) | 入侵检测模型的训练方法、识别方法和装置 | |
CN112580742A (zh) | 基于标签传播的图神经网络快速训练方法 | |
CN114372495B (zh) | 基于深度空间残差学习的电能质量扰动分类方法及*** | |
KR102144010B1 (ko) | 불균형 데이터를 위한 리프리젠테이션 모델 기반의 데이터 처리 방법 및 장치 | |
Lv et al. | Deep transfer network with multi-kernel dynamic distribution adaptation for cross-machine fault diagnosis | |
CN112949610A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
CN115270797A (zh) | 一种基于自训练半监督学习的文本实体抽取方法及*** | |
Dong et al. | CML: A contrastive meta learning method to estimate human label confidence scores and reduce data collection cost | |
CN115310837A (zh) | 基于因果图注意力神经网络的复杂机电***故障检测方法 | |
Chen et al. | Sample prior guided robust model learning to suppress noisy labels | |
CN117574262A (zh) | 一种面向小样本问题的水声信号分类方法、***及介质 | |
CN112487933A (zh) | 一种基于自动化深度学习的雷达波形识别方法及*** | |
Yi et al. | Trust but verify: an information-theoretic explanation for the adversarial fragility of machine learning systems, and a general defense against adversarial attacks | |
Xiao et al. | Health assessment for piston pump using LSTM neural network | |
CN116415119A (zh) | 基于熵混叠和特征增强的燃气异常信号检测方法及*** | |
Monteiro et al. | Comparison between LightGBM and other ML algorithms in PV fault classification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |