(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111150656.8 (22)申请日 2021.09.2 9 (71)申请人 国网江苏省电力有限公司南京供电 分公司 地址 210019 江苏省南京市 建邺区奥体大 街1号 申请人 国网江苏省电力有限公司 (72)发明人 陈堃　姜小涛　汪自虎　李晓东　 宋扬　杨宇坤　张玮　李想　 吴思若　朱宇超　赵锡正　石可　 齐路　 (74)专利代理 机构 南京天翼专利代理有限责任 公司 321 12 代理人 朱戈胜(51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于PCA -CNN-LVQ的电压暂降源识别方 法 (57)摘要 本发明公开一种基于PCA ‑CNN‑LVQ的电压暂 降源识别方法， 包括以下步骤： 步骤1， 构建并训 练PCA‑CNN‑LVQ模型： 步骤101， 采集电压暂降源 的电压暂降数据作为样本； 步骤102， 采用主成分 分析法PCA对电压暂降数据进行降维； 步骤103， 将降维后的电压暂降数据输入到卷积神经网络 CNN中提取电压暂降数据特征； 步骤104， 将电压 暂降数据特征输入到学习矢量量化神经网络LVQ 中对LVQ进行分类训练； 步骤2， 通过训练好的 PCA‑CNN‑LVQ模型对待识别的电压暂降数据进行 分类， 得到待识别电压暂降数据的电压暂降类 型。 本发明提升识别电压暂降类型的准确性。 权利要求书3页 说明书7页 附图2页 CN 114021424 A 2022.02.08 CN 114021424 A 1.一种基于PCA ‑CNN‑LVQ的电压暂降源识别方法， 其特征在于， 所述识别方法包括以下 步骤： 步骤1， 构建并训练PCA ‑CNN‑LVQ模型： 步骤101， 采集电压暂降源的电压暂降数据作为样本； 步骤102， 采用主成分 分析法PCA对电压暂降数据进行降维； 步骤103， 将降维后的电压暂降数据输入到卷积神经网络CNN中提取电压暂降数据特 征； 步骤104， 将电压暂降数据特征输入到学习矢量量化神经网络LVQ中对LVQ进行分类训 练； 步骤2， 通过训练好的PCA ‑CNN‑LVQ模型对待识别的电压暂降数据进行分类， 得到待识 别电压暂降数据的电压暂降类型。 2.根据权利要求1所述的基于PCA ‑CNN‑LVQ的电压暂降源识别方法， 其特征在于： 所述 电压暂降源的类型包括： 单相接地 故障、 三相接地 故障、 变压器投切、 大型感应电动机启动、 变压器投切同时发生单相接地故障和大 型感应电动机启动同时发生单相接地故障。 3.根据权利 要求1所述的基于PCA ‑CNN‑LVQ的电压暂降源识别方法， 其特征在于： 步骤1 中， 采用10折交叉 试验法对每 个电压暂降源类型的样本进行交叉验证。 4.根据权利要求1所述的基于PCA ‑CNN‑LVQ的电压暂降源识别方法， 其特征在于： 步骤 102包括： 步骤1021， 计算样本数据集X＝[x1,x2,x3...xe...xm]的对应每一维的样本数据的样本 均值 得到样本均值矩阵 计算样本的协方差矩 阵 其中， xe为第e组采集的电压暂降数据， xe＝[xe1,xe2,…xei,...xen]T， xei为采集的第e组 第i维的电压暂降数据， xen为采集的第e组第n维的电压暂降数据， 总 共采集维数为n维， n维 表示n个电压信号采样点数据， 总共采集组数为m组， 得到总采样矩阵即样本数据集X， 样本 数据集X为n行， m列的矩阵； 为第i维的m组电压暂降数据均值， 为第n维的m组电压暂降 数据均值； 其中， 为样本距离样本均值的偏差， 为样本距离样本均值的偏差的转 置； 步骤1022， 对协方差矩阵C进行特征分解， 求取第j组的特征值λj和对应的特征向量bj， 对特征值从大到小进 行排序， 选择其中最大的k个， k的个数满足积累贡献率的阈值； 根据特 征值的大小顺序， 构建由特征值对应的特征向量组成的特征向量矩阵P＝(b1,b2..bk)， 特征 向量bj中的每个元素为： 其中， 为按顺序排列的前k个特 征值之和； 步骤1023， 计算降维后的电压暂降数据即前k维电压暂降数据矩阵Y， Y＝PX， 其中， P为 构造的特 征向量矩阵， X为原 始的总采样矩阵。 5.根据权利要求1所述的基于PCA ‑CNN‑LVQ的电压暂降源识别方法， 其特征在于： 步骤权　利　要　求　书 1/3 页 2 CN 114021424 A 2103中的卷积神经网络CNN由一个输入层， 两个卷积层C1、 C2， 两个池化层P1、 P2， 一个 Flatten层和全连接层FC1构成； 降维后的电压暂降数据输入到CNN的输入层中， 从输入层到 卷积层C1， 卷积层C1应用多个卷积核对输入张量进行卷积处理， 从卷积层C1输出的张量输 入到池化层P1， 池化层P1输出张量到卷积层C2进行卷积处理， 从卷积层C2输出的张量输入 到池化层P2， 池化层P2输出张量经 Flatten层输入至全连接层FC1； 输入层中输入数据大小为 为大于5的正整数； 卷积层C1使用32个卷积核， 大小为5px*5px*3， 滑动步长为1px， 填充模式是SAME边缘填 充； 卷积层C2使用64个卷积核， 大小为5px*5px*3， 滑动步长为1px， 填充模式是SAME边缘填 充； 池化层P1和P2， 应用核大小为3px* 3px*3， 滑动步长为3px， 采用最大池化； 输入的 的张量经过卷积层C1的32个卷积核后输出 的 张量； 卷积层C1输出 的 的张量输入至池化层P1， 经过池化层P1的应用核后， 输出h1*b1*32的张量， 其中， 表示向下 取整； 经过池化层P1输出的h1*b1*32张量输入到卷积层C2， 经过卷积层C2的64个卷积核后得 到张量为h1*b1* 64； 卷积层C2输出的h1*b1*64张量， 经过池化层P2输出h2*b2*64的张量， 其中， 在池化层P2和全连接层FC1之间设 置Flatten层通过Flatten函数将池化层P2的输出张量 转化为 的张量输入至全连接层FC1。 6.根据权利要求5所述的基于PCA ‑CNN‑LVQ的电压暂降源识别方法， 其特征在于： 卷积 神经网络 CNN中， 每层均应用非线性的ReLU激活函数。 7.根据权利要求1所述的基于PCA ‑CNN‑LVQ的电压暂降源识别方法， 其特征在于： 步骤 104中学习矢量量化神经网络LVQ包括输入层， 竞争层和输出层， 输入层得到卷积神经网络 CNN输出的电压暂降数据特征后， 将其输入竞争层， 竞争层中的每个神经元更新其自身的参 考向量和学习速率； 步骤4包括： 步骤1041， 初始化： 给竞争层中的第p个神经元的参考向量wp(0)赋予随机数， 确定初始 学习速率 η(0)( η∈(0,1) )和训练迭代总次数tm， 其中， η(0)∈(0,1)； 步骤1042， 迭代计数器从t＝0开始计数； 步骤1043， 对于每次迭代， 输入训练的电压暂降数据特征作为输入向量y， 计算输入向 量y与其他神经元参考向量wp(t)之间的欧式距离d， d＝argmin||y ‑wp(t)||， 欧式距离最短 的神经元参考向量所在的神经 元为赢家神经 元；权　利　要　求　书 2/3 页 3 CN 114021424 A 3