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：国网江苏省电力有限公司南京供电分公司;国网江苏省电力有限公司

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。

主权项：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；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，floor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；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；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104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wp0赋予随机数，确定初始学习速率η0和训练迭代总次数tm，其中，η0∈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wpt之间的欧式距离d，d＝argmin||y-wpt||，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；步骤1044，更新学习速率： 其中，ηt为第t次迭代时的学习速率，η0为初始学习速率，t为当前迭代次数，tm为迭代总次数；步骤1045，将参考向量进行更新，得到每一次迭代时的参考向量：wpt+1＝wpt+ηty-wpt正确分类wpt+1＝wpt-ηty-wpt错误分类其中，wpt表示第t次迭代时的参考向量，wpt+1表示第t+1次迭代时的参考向量；ηt为第t次迭代时的学习速率；步骤1046，当达到终止条件时，停止迭代，否则继续迭代；终止条件为：迭代次数t达到最大tm或者实现了分类率；停止迭代后，得到竞争层处理过后的张量，输出到输出层中，最后输出层只有一个神经元输出为1，其余均输出为0，输出为1的神经元所在的类型就是预测输入向量的类型；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。

全文数据：

权利要求：

百度查询： 国网江苏省电力有限公司南京供电分公司 国网江苏省电力有限公司 一种基于PCA-CNN-LVQ的电压暂降源识别方法