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！

申请/专利权人：西安理工大学

摘要：本发明公开了基于双向WaveNet深度学习的电压暂降源定位方法，具体为：首先，利用电能质量监测设备，对观测节点的三相电压的幅值进行采样，并对数据进行预处理，并形成训练数据集和测试数据集；搭建双向WaveNet整体模型结构，并对模型进行训练；最后使用监测到的实际电压幅值数据，经过预处理后获得电压幅值矩阵数据，将电压矩阵数据输入模型中，输出数据即为所需的电压暂降源定位结果。通过采用基于双向WaveNet模型，将时间依赖信息的分析由隐含状态传递转变为提取时间序列中数据连接特征，从而实现提取更长的数据之间的时序关系，进行电压暂降源定位问题分析。

主权项：1.基于双向WaveNet深度学习的电压暂降源定位方法，其特征在于，具体按照以下步骤实施：步骤1：利用电网中已经安装的电能质量监测设备，分别对观测节点的三相电压的幅值进行采样，并对上述收集到的数据进行预处理，获得预处理后的监测电压数据，并形成训练数据集和测试数据集；具体为：步骤1.1，利用现有电网已有的电能质量监测设备对各监测节点的三相电压幅值数据进行采集；对所选取的节点的电压幅值进行采样，获取电压幅值采样数据，并对数据进行式1所示的归一化，获得预处理数据； 其中，x*为归一化后的数据输出，x为原始数据，xmax为输入的样本数据中的最大值，xmin为输入的样本数据中的最小值；步骤1.2，将步骤1.1中预处理数据转化为矩阵形式，矩阵尺寸为三维矩阵，矩阵形式为[样本数，时间步长，预处理后电压幅值]；步骤1.3，对步骤1.2中预处理后数据进行人工标注，标注每一采样点下，其输入所对应的线路编号，进而构成标签数据，并将其转换为标签数据矩阵，矩阵形式为[样本数，时间步长，输出节点，线路编号]；对步骤1.2处理后的数据矩阵与标签数据矩阵进行划分，其中，80％划分为训练数据集，20％划分为测试数据集；步骤2：搭建双向WaveNet整体模型结构；双向WaveNet整体模型结构划分为三个部分，输入结构、隐含结构、输出结构，第一部分为输入结构部分，仅包含一个输入层；第二部分为隐含结构部分，包含多个双向WaveNet结构；第三部分为输出结构，将正向与反向输出数据进行堆叠获得正向时间序列分布的双向隐含输出数据；每一个所述双向WaveNet结构都包含前向通道与后向通道两个部分；前向通道部分，使用casualconvolutionallayer和dilatedcausalconvolutionallayers来提取当前输入时间序列的历史依赖信息；后向通道部分，使用与前向通道相同的casualconvolutionallayer和dilatedcausalconvolutionallayers来提取当前输入时间序列的历史依赖信息，并在causalconvolutionallayers前增加序列反向操作；步骤3：对步骤2的模型使用步骤1的训练数据集进行训练；使用反向传播算法进行参数更新，使用Adam优化器来进行训练，损失函数为交叉墒损失函数；输入数据为处理后的电压幅值数据矩阵，输出数据为线路编号标签数据矩阵；步骤4：使用监测到的实际电压幅值数据，经过步骤1的预处理后获得电压幅值矩阵数据，将电压矩阵数据输入步骤3所获得的模型中，输出数据即为所需的电压暂降源定位结果。

全文数据：

权利要求：

百度查询： 西安理工大学 基于双向WaveNet深度学习的电压暂降源定位方法