申请/专利权人：浙江大学

申请日：2023-06-12

公开（公告）日：2024-06-21

公开（公告）号：CN116933114B

主分类号：G06F18/23213

分类号：G06F18/23213;G01R31/08;G06F18/22;G06F18/214;G06N3/0464;G06N3/0442;G06N3/045;G06F18/213;G06F18/25

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.11.10#实质审查的生效;2023.10.24#公开

摘要：本发明公开了一种基于CNN‑LSTM的直流微电网检测方法，包括以下步骤：步骤1、获取直流电网母线的历史电压信号，根据失稳故障类型和工况对历史电压信号进行标签标注；步骤2、将一维的历史电压信号以时间顺序进行排列重构获得二维图像数据，并与对应的标签组成数据集；步骤3、构建卷积神经网络，包括特征提取模块，特征融合模块以及分类模块；步骤4、采用数据集对卷积神经网络和K均值算法进行训练，以获得检测模型；步骤5、采集电压信号并输入至检测模型中，以判断直流电网的失稳故障类型和对应的工况。本发明还提供了一种直流微电网检测装置。本发明的方法可以准确判断直流微电网的稳定性以及工况识别，从而为电网抢修与日常维护提供准确的指导。

主权项：1.一种基于CNN-LSTM的直流微电网检测方法，其特征在于，包括以下步骤：步骤1、获取直流电网母线的历史电压信号，根据失稳故障类型和工况对历史电压信号进行标签标注，同时采用K均值算法对无法标注的历史电压信与已有标签的历史电压信号进行相似度匹配，并基于匹配结果对无法标注的历史电压信号进行分类标注，所述K均值算法的具体过程如下：步骤1-1、设定K为4类，则真实带标签数据计算聚类中心的表达式如下：，式中，表示第K类聚类中心，表示所有带标签的属于第K类的数据，表示当前样本所属的类别；步骤1-2、设置超参数，以确定聚类中心的偏移程度，则此时聚类中心点的表达式如下：；式中，表示超参数，表示偏移后的聚类中心；步骤1-3、对无法标注的历史电压信号与已有标签的历史电压信号进行相似度匹配，并基于匹配结果对无法标注的历史电压信号进行分类；步骤2、将一维的历史电压信号以时间顺序进行排列重构，获得二维图像数据，将重构的二维图像数据和对应的标签组成数据集；步骤3、构建基于CNN-LSTM的卷积神经网络，包括特征提取模块，特征融合模块以及分类模块，所述特征提取模块用于提取二维图像数据的图像特征和时序特征，所述特征融合模块用于图像特征和时序特征的融合，生成对应的融合特征，所述分类模块根据输入的融合特征进行分类，以获得分类结果，所述分类结果包括故障类型和对应的工况；步骤4、采用所述数据集对卷积神经网络和K均值算法进行训练，以获得用于判断直流微电网是否故障的检测模型，训练时，采用海洋捕食者优化算法对卷积神经网络和K均值算法进行优化，其具体过程如下：步骤4-1、基于卷积神经网络和K均值算法的参数，随机初始化的精英矩阵和猎物矩阵，其中猎物矩阵的表达式如下：；式中，n表示种群规模，d表示代求解的维度，Prey表示猎物矩阵；将数据集的分类准确率作为适应度函数值，对猎物矩阵中每个个体对应的适应度值，以适应度值最优的个体进行复制n份构成精英矩阵；步骤4-2、基于迭代步长对不同阶段的猎物矩阵进行更新，基于旋涡问题进行整体优化，其优化过程的表达式如下：；式中，表示迭代步长，表示随机数组成的向量，，和表示随机下标，表示包含0和1的二进制向量，表示第迭代步长的猎物矩阵；步骤4-3、重复上步骤4-2，直至满足迭代终止条件，以获得卷积神经网络和K均值算法的最优参数，所述参数包括卷积神经网络的卷积层通道数，卷积核大小，池化层的变化区间和LSTM的记忆单元数，以及K均值算法的偏移值；步骤5、采集直流电网母线的电压信号并输入至所述检测模型中，以判断直流电网的失稳故障类型和对应的工况。

全文数据：

权利要求：

百度查询： 浙江大学 一种基于CNN-LSTM的直流微电网检测方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD