1.一种压缩感知和深度卷积神经网络电能质量扰动分类方法,其特征是,步骤如下:
1)建立电能质量扰动信号模型,对电能质量扰动进行分析,通过分析电能质量扰动压缩重构成功率与压缩比的关系,确定观测矩阵的维数m值,确定电能质量扰动的压缩感知采样方法,对电能质量扰动进行采样,采集电能质量扰动的压缩数据;
2)针对采集的压缩数据,设计一种基于深度学习的分类器,该分类器的结构设计解决压缩数据中噪声干扰的问题;
3)根据步骤3设计的分类器和步骤1采集的数据,训练一个适用于电能质量扰动分类的模型;
针对实际扰动数据不平衡和实际采集的数据量不足问题,采用数据增强的方法对实测数据进行处理。
2.如权利要求1所述的压缩感知和深度卷积神经网络电能质量扰动分类方法,其特征是,所述步骤1)中,根据ieee1159标准搭建各种电能质量扰动模型,并通过压缩感知技术,对电能质量扰动信号进行分析,采用逆离散余弦变换idct(inversediscretecosinetransform)作为稀疏基,
离散余弦变换dct(discretecosinetransform)的变换矩阵表示如下式所示:
其中i∈{0,…,n-1}和j∈{0,…,n-1}表示矩阵的行号和列号,c的定义式:
由于dct矩阵是正交的,因此通过执行矩阵转置操作来获得其逆矩阵:
idct=dct-1
采用idct作为稀疏基,采用随机观测矩阵作为观测矩阵。
3.如权利要求1所述的压缩感知和深度卷积神经网络电能质量扰动分类方法,其特征是,所述步骤2)中,为了能对压缩数据进行直接分类电能质量扰动,根据压缩数据的特点采用深度学习网络结构:
(1)采用一维卷积
1-d卷积层:卷积层是深度学习自学特征提取的关键步骤,通过构建过滤器来感知小的感知域的重要特征,第l层中的滤波器数量是fl,xi是输入1-d矩阵(n×1),滤波器内核表示为k(k×1),第fl滤波器的卷积层输出表示如下:
其中m=nk+1,f(x)是激活函数。它实现了从输入到输出的神经元的激活,
(2)电能质量压缩数据的采集和传输过程会产生噪声的干扰,为了抑制噪声干扰对分类准确率的影响,网络首层采用宽内核设计,卷积核为64*1,来滤除噪声。因为宽内核提取不到局部特征,在后续的网络中卷积采用3*1的内核设计;
(3)网络为3层卷积层,1层全连接层和softmax层。
4.如权利要求1所述的压缩感知和深度卷积神经网络电能质量扰动分类方法,其特征是,在所述步骤3)中:
(1)批量归一化:通过增设批量归一化bn(batchnormalization)层来对每一层进行归一化处理,且在卷积层或完全连接层之后并且在激活单元之前添加bn层,bn层的转换描述如下:
其中,zl(i,j)是一个神经元响应的输出,
(2)高级优化器:在训练过程中,每个层的权重由称为“优化器”的函数更新,通过分析不同优化器对网络的影响来确定网络采用的优化器;
3)小型小批量训练:使用较小批量计算梯度的近似值然后更新参数
数据增强操作采用的是随机裁剪,适度增加随机噪声,对信号进行反转操作,同时对所有操作的信号进行随机抽取验证,确保数据增强后的数据属于扰动类别数据。