买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供了一种电力系统扰动分类方法，基于堆叠去噪自编码器的特征提取方法能够捕获扰动数据中对丢失数据鲁棒的特征表达，在此基础上，利用随机森林分类器，实现对电力系统扰动的识别。该方法能够快速、准确地对PMU扰动数据进行分类，并且对于包含丢失数据的PMU扰动数据仍然具有很高的识别准确率，抗噪性能好。相较于现有扰动分类方法，能够快速、准确地对包含丢失数据的PMU扰动数据进行分类，实现电力系统动态行为的实时监测。

主权项：1.一种基于堆叠去噪自编码器和随机森林分类器的电力系统扰动分类方法，其特征在于，包括以下步骤：步骤1：利用离线的时域仿真法生成电力系统的扰动数据；步骤2：将步骤1中通过离线仿真法所得到的扰动数据进行标准化处理；步骤3：构造和训练堆叠去噪自编码器深度神经网络，以扰动发生后0.5s内的频率和电压有效值作为堆叠去噪自编码器的输入，对堆叠去噪自编码器进行训练；步骤3中所述堆叠去噪自编码器SDAE是由去噪自编码器DAE堆叠而成的深层网络模型，所述构造和训练堆叠去噪自编码器深度神经网络的过程包括以下子步骤：S31：令为DAE的输入数据，首先，以一定概率C对中的数据随机置零，以得到损坏的扰动数据然后，DAE通过编码操作将损坏的数据映射为隐层的特征表达h＝[h1,h2,…,ht]T，再通过解码重构完整的样本所述DAE编码和解码过程如下所示： θ＝{W,b} θ'＝{W',b'}其中，W和W'分别是编码矩阵和解码矩阵；b和b'分别是编码偏置向量和偏置偏差向量；θ和θ'分别是用于编码和解码的参数；fθ和gθ'是激活函数，在此使用Sigmoid函数： S32：对SDAE进行训练，在该过程中，以重建误差最小为目标对参数进行调整： 其中是重构误差，是指最小时对应的参数θ和θ'；对于预处理过的扰动数据集N为数据个数，其重构误差表示为： 其中，为第i个预处理过的扰动数据，为的重构数据，MSE为均方差；通过误差的反向传播和梯度下降算法得到最优的模型参数，参数更新过程如下： 其中，η为学习率；在训练过程中，SDAE通过自监督学习来对模型进行优化，具体为，将SDAE中的任意两个相邻层视为一个DAE，并以最小化重构误差为目标，逐层对神经网络进行训练；步骤4：利用步骤3中训练后的堆叠去噪自编码器对数据特征提取，得到高层次的特征表达；步骤5：构造和训练随机森林分类器，并通过训练后的随机森林分类器对步骤4中所提取的高层次的特征进行分类，实现扰动识别。

全文数据：

权利要求：

百度查询： 广东电网有限责任公司广州供电局 华北电力大学 一种电力系统扰动分类方法