一种基于深度学习SDAE-BP的暂降类型识别方法、装置和系统

摘要

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。

说明书

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；

对所获取的电压暂降波形信号进行预处理，得到电压暂降波形信号数据样本；

将所述电压暂降波形数据样本输入预先搭建的SDAE网络，依次对SDAE网络的各层DAE进行训练，确定使得各层DAE重构误差最小的最优权值和最优偏置值，并得到最后一层DAE输出的特征参数。

在SDAE训练时进行的数据预处理内容与实际应用时进行的预处理内容优选为尽量相同，可进一步提升针对特定类型特征的提取可靠性。

可选的，所述多种预设暂降类型包括由短路故障引起的电压暂降类型，和由变压器传播过程引起的电压暂降类型；所述短路故障包括三相短路故障、单相接地故障、两相相间短路故障和两相接地故障。

可选的，依次对SDAE网络的各层DAE进行训练包括：

A)对于输入的任一电压暂降波形信号数据样本x，进行加噪处理，得到含有噪声的信号

B)根据

C)根据式

D)通过以下公式进行代价函数优化，得到重构误差最小时的第一层DAE的最优权值W1、最优偏置值b1，并得到原始输入数据x的特征h1：

式中，

E)对于其它第i层DAE，分别将第(i-1)层输出的特征h(i-1)作为原始数据，重复步骤A)-D)，得到各层DAE的的最优权值Wi、最优偏置值bi和特征hi；其中，最后一层DAE输出的特征即为经SDAE网络提取的最终特征。

上述传递函数一般选择Sigmoid函数，即f(x)＝1/1+e

可选的，所述BP神经网络模型的训练包括：

对于经SDAE网络提取的最终特征，根据特征对应的训练样本配置相应的暂降类型标签；

将特征与对应的暂降类型标签输入预先构建的BP神经网络，完成对BP神经网络的训练。

第二方面，本发明提供一种基于深度学习SDAE-BP的暂降类型识别装置，包括：

波形数据获取模块，被配置用于获取待识别暂降类型的电压暂降波形数据；

预处理模块，被配置用于对获取到的电压暂降波形数据进行预处理；

特征提取模块，被配置用于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；

以及，暂降类型识别模块，被配置用于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，并根据所述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。

第三方面，本发明提供一种基于深度学习SDAE-BP的暂降类型识别系统，包括处理器和存储器，所述存储器存储有计算机指令，所述处理器用于根据所述计算机指令进行操作以执行根据第一方面所述的基于深度学习SDAE-BP的暂降类型识别方法。

有益效果

与现有技术相比，本发明具有以下优点和进步：

1)本发明基于SDAE-BP模型实现电压暂降类型的识别，充分利用了SDAE特征提取的能力，将人为设定特征提取转变为自动特征提取，并采用BP神经网络进行分类识别，能够实现电压暂降类型的有效识别；

2)在模型构建和训练阶段，本发明通过利用大量对应不同暂降类型的电压暂降数据对SDAE网路和BP神经网络进行联合训练，使得SDAE网络能够自主学习并提取电压暂降信号的特征参数，避免了人为提取特征过程中的信息丢失，本发明训练生成的模型具有更好的抗噪性能，能够有效地应用于实际的电力系统中。

附图说明

图1所示为本发明方法的一种实施例流程示意图；

图2所示为本发明一种实施例中SDAE-BP模型训练流程示意图；

图3所示为本发明一种实施例中定义的7类电压暂降类型特征向量示意图；

图4所示为本发明一种实施例的SDAE网络示意图；

图5所示为本发明一种实施例的SDAE-BP模型架构及训练原理示意图。

具体实施方式

以下结合附图和具体实施例进一步描述。

实施例1

参考图1，本实施例介绍基于深度学习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。

本实施例在应用时，基于对SDAE网络和BP神经网络的联合训练，在对待识别暂降类型的电压暂降波形数据进行暂降类型识别时，首先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，再利用BP神经网络对暂降类型进行识别，能够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。

实施例2

在实施例1的基础上，本实施例具体介绍一种基于深度学习SDAE-BP的暂降类型识别方法，具体涉及以下几个部分的内容。

一、模型联合训练

参考图5所示，本实施例的方法在实际应用前，首先需要对SDAE-BP模型进行构建和训练。

结合图4和图5，本实施例所搭建的SDAE-BP模型网络包括SDAE网络和BP网络，SDAE网络由输入层和多个DAE网络叠加组成，其中SDAE网络中最后一层DAE网络的输出层连接至BP神经网络的输入层。模型网络各输入层、隐藏层节点数可根据数据维度确定。

SADE网络的训练为无监督的训练过程，BP神经网络的训练为督预式微调训练过程。具体联合训练过程参考图2所示，包括：

1.1)基于多种预设暂降类型，分别对应各暂降类型获取多组历史电压暂降波形信号；

1.2)对所获取的历史电压暂降波形信号进行预处理，得到电压暂降波形信号数据样本；

1.3)将电压暂降波形数据样本批量输入已搭建的SDAE网络，依次对SDAE网络的各层DAE进行训练，确定使得各层DAE重构误差最小的最优权值和最优偏置值，并得到最后一层DAE输出的特征参数。

上述步骤1.1)中，本实施例预设的暂降类型有七种，参考图3所示，其中，图1(a)、图1(b)、图1(c)、图1(d)分别为中性点有效接地系统发生三相短路、单相接地故障、两相相间短路、两相接地故障时的矢量图，1(e)、图1(f)、图1(g)为经过变压器传播后得到的暂降类型矢量图，对应的需要获取的历史电压暂降波形数据即，三相短路、单相接地故障、两相相间短路、两相接地故障等不同类型的短路故障引起的电压暂降波形信号，以及考虑变压器传播后的电压暂降波形信号。

对应各暂降类型，所需获取的波形信号为多个，以形成足够的样本达到有效训练SDAE-BP模型的目的。

上述步骤1.2)中，本实施例对历史电压暂降波形信号进行的预处理包括：

对于各电压暂降波形信号，计算其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。

上述将归一化处理后的数据组成并集序列可以为：将A、B、C三相的电压和相位数据依次排列为一个数列。例如每个暂降按照持续时间平均采样64次，然后按照A、B、C电压，A、B、C相位的顺序组成1×384的数列作为SDAE的输入。

上述步骤1.3)中，在训练前首先划分训练样本和测试样本，然后将训练样本集批量输入SDAE-BP网络，依次对SDAE网络的各层DAE进行训练。SDAE网络的训练过程包括：

A)对于输入的任一电压暂降波形信号数据样本x，进行加噪处理，得到含有噪声的信号

B)根据

C)根据式

D)通过以下公式进行代价函数优化，得到重构误差最小时的第一层DAE的最优权值W1、最优偏置值b1，并得到原始输入数据x的特征h1：

式中，

E)对于其它第i层DAE，分别将第(i-1)层输出的特征h(i-1)作为原始数据，重复步骤A)-D)，得到各层DAE的的最优权值Wi、最优偏置值bi和特征hi；其中，最后一层DAE输出的特征即为经SDAE网络提取的最终特征。

对BP神经网络进行训练时，SDAE网络中最后一层DAE的输出数据作为BP网络的输入，同时依次输入训练样本所对应的正确暂降类型标签，BP神经网络即可基于输入的信息实现对SDAE网络输出数据所述暂降类型的识别训练。后续可再通过测试样本对训练的模型进行验证来确保模型的识别可靠性。

二、实际应用

如图1，实际应用时，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SDAE-BP模型；

根据SDAE-BP模型的输出，即可确定电压暂降波形数据的暂降类别。

上述对获取到的电压暂降波形数据进行预处理，参考模型训练时的预处理过程。

以下以一算例说明本实施例：

SDAE-BP模型参数按照最佳参数仿真实验结果选取，具体参考图4和图5，为：输入层包含单元个数即为电压暂降数据输入个数；隐含层共2层，第一层隐藏层个数为80，第一层隐藏层个数为15；BP神经网络输入层个数为15，隐含层个数为20，输出层个数为电压暂降类型数7。本算例建立的SDAE-BP模型节点数为384-80-15-20-7；SDAE训练模型迭代次数15，BP神经网络迭代次数为50，学习率1，动量参数为0.5。

将训练集7000组电压暂降数据(每类1000组)经过预处理后输入SDAE-BP模型进行特征提取和分类识别训练。将测试集700组电压暂降数据(每类100组)经过预处理后输入SDAE-BP模型进行特征提取与分类。测试集电压暂降类型识别正确率如表1所示。由实验结果可知，利用SDAE模型提取特征向量，BP神经网络进行分类的暂降类型识别方法正确率为99.3％，同时也对不同信噪比的电压暂降信号进行了识别精度的测试，仿真结果表明该模型在不同等级的噪声中也可以保持较好的准确率。

表1

实施例3

与实施例1和实施例2基于相同的发明构思，本实施例介绍一种基于深度学习SDAE-BP的暂降类型识别装置，包括：

波形数据获取模块，被配置用于获取待识别暂降类型的电压暂降波形数据；

预处理模块，被配置用于对获取到的电压暂降波形数据进行预处理；

特征提取模块，被配置用于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；

以及，暂降类型识别模块，被配置用于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，并根据所述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。

以上各功能模块的具体功能实现方式参照实施例1和实施例2的相关内容。

实施例4

与实施例1和实施例2基于相同的发明构思，本实施例介绍一种基于深度学习SDAE-BP的暂降类型识别系统，包括处理器和存储器，所述存储器存储有计算机指令，所述处理器用于根据所述计算机指令进行操作以执行根据第一方面所述的基于深度学习SDAE-BP的暂降类型识别方法。

综上实施例，本发明能够实现自主学习并在应用时自动提取电压暂降信号的特征参数，进而实现暂降类型的识别，避免了人为提取特征过程中的信息丢失，其训练生成的模型具有更好的抗噪性能，能够有效地应用于实际的电力系统中。

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、系统、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用存储介质(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(系统)、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。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。