(19)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 202211350203.4 (22)申请日 2022.10.31 (71)申请人 广州电力设计院有限公司 地址 510610 广东省广州市天河区林和西 路17号 (72)发明人 杨帆　叶其革　唐宗顺　邱涌　 李文娟　张旭　张云燕　张渊　 赵轶珏　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 鲁力 (51)Int.Cl. G06K 9/00(2022.01) G06N 3/04(2006.01) G06K 9/62(2022.01)G06N 3/08(2006.01) (54)发明名称 一种基于动态模式分解的电能质 量扰动分 类方法 (57)摘要 本发明的一种基于动态模式分解的电能质 量扰动分类方法， 采用动态模式分解智能提取电 能质量数据随时间变化的基本动态模式， 获取电 能质量扰动信号的特征， 设计基于特征融合的一 维卷积神经网络， 将提取的特征输入神经网络实 现分类电能质量扰动源的分类。 本发 明可有效提 高扰动分类的准确度以及扰动识别效率， 为解决 电能质量问题提供了可靠依据。 权利要求书2页 说明书5页 附图1页 CN 115526212 A 2022.12.27 CN 115526212 A 1.一种基于动态模式分解的电能质量扰动分类方法， 其特 征在于， 包括 利用动态模式分解 算法对原 始电能质量扰动信号进行重构和特 征分解； 计算每个电能质量扰动信号的分类特 征； 将所得到的分类特征作为一维卷积神经网络模型的输入， 计算各电能质量扰动信号属 于各类别的概 率。 2.根据权利要求1所述的一种基于动态模式分解的电能质量扰动分类方法， 其特征在 于， 原始电能质量扰动信号定义为： URWA＝[u1,u2,…,uL]， ui(i＝1,2, …,L)表示信号在i时 刻的电压幅值； L表示原 始电能质量扰动信号长度； 对每个原始电能质量扰动信号序列重构Hankel矩阵， 并将多个时刻矩阵叠加生成两个 观察矩阵U1和U2。 3.根据权利要求1所述的一种基于动态模式分解的电能质量扰动分类方法， 其特征在 于， 观察矩阵U1和U2分别定义 为： 式中， m＝L+n‑1； n表示重 叠段的数量； 对观察矩阵U1进行奇异值分解： U1＝UΣVH 式中， Σ为对角矩阵， Σ∈Rp×p， 包含了许多对角线排列的非零奇异值[y1,y2…,yp]； U、 V 分别为左奇异向量和右奇异向量， U ∈Rn×p， V∈RM×p； p是奇异值分解后矩阵的秩。 4.根据权利要求1所述的一种基于动态模式分解的电能质量扰动分类方法， 其特征在 于， 选取矩阵Σ中非零奇异值的前D项大奇异值SD及其奇异向量UD、 VD进行后续分析； 对U1和U2的动态模式分解由矩阵A的特征分解给出， A的特征值与特征向量可由矩阵A的 相似矩阵 的特征值和特征向量表示， 对相似矩阵 进行特征值分解， 用于分类的主要特征 是相似矩阵 的特征向量和特 征值。 5.根据权利要求1所述的一种基于动态模式分解的电能质量扰动分类方法， 其特征在 于， 映射矩阵A定义 为: 矩阵A的相似矩阵表达式为: 式中： 为矩阵A的相似矩阵， A∈Rr×r； Ur、 Vr分别为截断秩是r的左、 右奇异向量； Σr为截权　利　要　求　书 1/2 页 2 CN 115526212 A 2断秩是r的对角矩阵； 其中截断秩r为设定大小， 并将截断秩r投影到按 特征向量顺序排列的 本征正交分解模态上。 6.根据权利要求1所述的一种基于动态模式分解的电能质量扰动分类方法， 其特征在 于， 对相似矩阵 进行特征值分解， 即： 式中： W为相似矩阵 的特征向量， W＝[ω1,ω2,…,ωr]， W∈Rr×r； Λ为包含对应复特征 值 λi的对角矩阵， Λ ＝diag( λ1, λ2,…, λr)， Λ∈Rr×r； 用于此分类的主 要特征是相似矩阵 的特征向量和特 征值， 动态模式矩阵计算定义 为： φ＝YVΣ‑1W 式中， φ为动态模式分解的模态量。 7.根据权利要求1所述的一种基于动态模式分解的电能质量扰动分类方法， 其特征在 于， 使用的分类特征是频率freq、 特征值λi和特征向量W； 在计算动态模式分解矩阵和特征 分解后， 频率定义 为： 8.根据权利要求1所述的一种基于动态模式分解的电能质量扰动分类方法， 其特征在 于， 特征值λi为步骤1中计算的对角矩阵Λ＝diag( λ1, λ2,…, λr)； 特征向量W为步骤1中计算 的相似矩阵 的特征向量W＝[ω1,ω2,…,ωr]； Δt为原 始扰动信号采集时间 间隔。 9.根据权利要求1所述的一种基于动态模式分解的电能质量扰动分类方法， 其特征在 于， 采用改进 卷积神经网络的卷积层 进行； 基于特征融合的一维卷积神经网络(FCNN)， 将提 取到的分类特 征输入融合层进行融合， 进 而为分类层的输入提供 更多分类特 征参数依据； 融合层将所提取的特征向量首尾相连， 拼接为1个特征向量， 从而实现特征融合； 融合 信号包含电能质量扰动信号的各级特征， 且各级特征之间可以互补， 低层特征可协助一维 卷积神经网络提取适当的高层特 征， 提高一维卷积神经网络识别电能质量扰动的能力； 在融合层和全连接层中间嵌入BN层对数据进行归一化处理， 防止内部数据过度拟合， 并提高网络的收敛速度； 分类层将融合后的样本特征向量作为输入， 采用Softmax分类器得到电能质量扰动信 号属于各类别的概 率分布。 10.根据权利要求1所述的一种基于动态模式分解的电能质量扰动分类方法， 其特征在 于， 基于特 征融合的一维卷积神经网络训练步骤为： 将电能质量扰动信号 分为三个训练集M1和M2， 使用M1训练子模型， 把M2输入到子模型中， 取子模型最后一个BN层作为输出层； 经过融合层把 这三个输出层的特 征向量融合 为M3； 使用M3训练最后的全连接层。权　利　要　求　书 2/2 页 3 CN 115526212 A 3