稀疏自动编码器优化神经网路的输电线路故障识别方法技术

本发明专利技术实施例公开一种稀疏自动编码器优化神经网路的输电线路故障识别方法，包括：S1数据采集，采集输电线路发生故障之后，输电线路上产生的故障电流行波；S2提取故障波形特征量：对所述步骤S1中采集到的输电线路故障电流行波数据提取特征量；S3稀疏自动编码器采用随机梯度下降算法进行训练，获取所述步骤S2中的特征量中内在特征信息的稀疏性表达，保存训练结束后稀疏自动编码器权重W和偏置b；S4将所述步骤S3中稀疏自动编码器权重W和偏置b初始化神经网络的输入层和隐含层，采用正向和反向迭代算法，训练神经网络；S5在训练样本数量不同的条件下，运用优化后的神经网络和BP神经网络进行输电线路故障类型识别。

【技术实现步骤摘要】
稀疏自动编码器优化神经网路的输电线路故障识别方法
本专利技术涉及输配电领域，尤其涉及一种稀疏自动编码器优化神经网路的输电线路故障识别方法。
技术介绍
电力系统输电线路距离长、地域分布范围广，所处环境复杂，经常受到雷电、动植物、冰雪天气等因素影响，造成输电线路故障跳闸。输电线路故障类型可分为雷击故障和非雷击故障，不同故障的防护措施不同，因此，准确辨识输电线路故障类型，显得尤为重要。输电线路故障类型识别主要分为故障特征量提取和故障类型辨识两个方面。输电线路故障特征量主要从电流的时域、频域信号中提取，对于输电线路故障发生时产生的非平稳暂态信号，常用的特征提取方法有故障分量、经验模态分解、Fourier变换、小波变换、Hilbert-Huang变换等。输电线路故障识别算法主要有人工神经网络、支持向量机、极端学习机、聚类等。神经网络具有较强的学习、泛化能力，因而泛应用于各种分类器，然而支撑该方法的前提是提取到合适的特征参数和需要大量的数据样本来实现网络训练，但实际中输电线路故障电流行波的标签数据较少且获取过程繁琐，造成数据样本有限，应用神经网络时易导致识别能力偏低。
技术实现思路
本专利技术实施例提供一种稀疏自动编码器优化神经网络的输电线路故障识别方法，能够提高输电线路故障类型识别精度。本专利技术实施例采用如下技术方案：一种稀疏自动编码器优化神经网路的输电线路故障识别方法，包括：S1数据采集，采集输电线路发生故障之后，输电线路上产生的故障电流行波；S2提取故障波形特征量：对所述步骤S1中采集到的输电线路故障电流行波数据提取特征量，包括波长时间；闪络前极性；基波含量；高低频段能量比四种特征量；S3稀疏自动编码器采用随机梯度下降算法进行训练，获取所述步骤S2中的四种特征量中内在特征信息的稀疏性表达，保存训练结束后稀疏自动编码器权重W和偏置b；S4将所述步骤S3中稀疏自动编码器权重W和偏置b初始化神经网络的输入层和隐含层，利用预存已知输电线路故障类型的电流行波作为训练样本，采用正向和反向迭代算法，训练神经网络；S5在训练样本数量不同的条件下，运用优化后的神经网络和BP神经网络进行输电线路故障类型识别。所述步骤S1中，采集输电线路故障电流行波为故障发生前后0.5ms的电流行波波形。所述步骤S2中，故障波形特征量提取的具体流程为：S21分析输电线路雷击故障电流行波的波过程及波形时域特性，选择了具有代表性的闪络前极性和波长时间两个波形特性；S22针对输电线路不同故障电流行波的频域特性，通过离散傅里叶分析：其中，n＝0,1,2,…N为采样点数，得到基波分量与直流分量的比值，作为输电线路故障电流波形特征；S23针对输电线路不同故障的电流暂态信号差异较大，利用小波分析获得暂态信号在各个尺度上的信息，采用db4小波对故障后5ms的电流行波进行8尺度分解，定义第j个尺度下的信号小波能量:式中dj(k)为j尺度下的小波细节系数，n为小波系数的数据长度，则小波能量谱序列为E＝[E1,E2,E3…Ej…]，小波能量谱反映了故障信号各个尺度的能量水平，信号中的低频近似能量：式中ɑN(k)为小波的低频近似系数。为了避免使用单一频段能量产生的局限性，选取高低频段的能量比值P作为故障特征：所述步S3的具体流程为：S31设置学习率、稀疏参数、迭代次数、隐含层神经元个数等参数，随机初始化权重W和偏置b；S32取所述步骤S2中四种故障特征量，作为稀疏自动编码器的输入，执行前向算法，计算每个神经元的激活度ρj和稀疏代价函数L(W,b)；S33利用反向传播算法，根据式和式迭代更新权重W和偏置b。所述步骤S4的具体流程为：S41取所述步骤S3中稀疏自动编码器的权重W和偏置b初始化神经网络的输入层及隐含层参数；S42设置神经网络的学习率、目标误差、最大迭代次数、神经元个数等参数；S43取所述步骤S2中的故障特征量，作为神经网络的输入，执行正向和反向迭代算法，训练微调神经网络；S44在训练样本数量不同的条件下，运用优化后的神经网络和BP神经网络进行输电线路故障类型识别。本专利技术实施例提供的稀疏自动编码器优化神经网络的输电线路故障识别方法，与现有技术相比具有以下有益效果：基于不同故障电流信号的时域、频域信息，提取四种具有代表性的故障特征量；利用稀疏自动编码器算法，获得故障特征量的稀疏性表达，为神经网络的前两层神经元提供初始化参数，在训练样本有限的条件下，提高输电线路故障识别精度；为输电线路的运行维护提供技术支撑，对电网的安全稳定运行具有重要意义。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。图1为本专利技术实施例提供的一种稀疏自动编码器优化神经网路的输电线路故障识别方法流程图。图2为本专利技术实施例提供的输电线路发生雷击反击故障时的电流行波路径分析示意图。图3为本专利技术实施例提供的输电线路发生雷击绕击故障时的电流行波路径分析示意图。图4为本专利技术实施例提供的输电线路故障类型识别精度对比示意图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。实施例1如图1所示，本专利技术实施例提供一种稀疏自动编码器优化神经网路的输电线路故障识别方法，包括：S1数据采集，采集输电线路发生故障之后，输电线路上产生的故障电流行波；S2提取故障波形特征量：对所述步骤S1中采集到的输电线路故障电流行波数据提取特征量，包括波长时间；闪络前极性；基波含量；高低频段能量比四种特征量；S3稀疏自动编码器采用随机梯度下降算法进行训练，获取所述步骤S2中的四种特征量中内在特征信息的稀疏性表达，保存训练结束后稀疏自动编码器权重W和偏置b；S4将所述步骤S3中稀疏自动编码器权重W和偏置b初始化神经网络的输入层和隐含层，利用预存已知输电线路故障类型的电流行波作为训练样本，采用正向和反向迭代算法，训练神经网络；S5在训练样本数量不同的条件下，运用优化后的神经网络和BP神经网络进行输电线路故障类型识别。所述步骤S1中，采集输电线路故障电流行波为故障发生前后0.5ms的电流行波波形。所述步骤S2中，故障波形特征量提取的具体流程为：S21分析输电线路雷击故障电流行波的波过程及波形时域特性，选择了具有代表性的闪络前极性和波长时间两个波形特性；S22针对输电线路不同故障电流行波的频域特性，通过离散傅里叶分析：其中，n＝0,1,2,…N为采样点数，得到基波分量与直流分量的比值，作为输电线路故障电流波形特征；S23针对输电线路不同故障的电流暂态信号差异较大，利用小波分析获得暂态信号在各个尺度上的信息，采用db4小波对故障后5ms的电流行波进行8尺度分解，定义第j个尺度下的信号小波能量:式中dj(k)为j尺度下的小波细节系数，n为小波系数的数据长度，则小波能量谱序列为E＝[E1,E2,E3…Ej…]，小波能量谱反映了故障信号各个尺度的能量水平本文档来自技高网...

【技术保护点】
1.一种稀疏自动编码器优化神经网路的输电线路故障识别方法，其特征在于，包括：S1数据采集，采集输电线路发生故障之后，输电线路上产生的故障电流行波；S2提取故障波形特征量：对所述步骤S1中采集到的输电线路故障电流行波数据提取特征量；S3稀疏自动编码器采用随机梯度下降算法进行训练，获取所述步骤S2中的所述特征量中内在特征信息的稀疏性表达，保存训练结束后稀疏自动编码器权重W和偏置b；S4将所述步骤S3中稀疏自动编码器权重W和偏置b初始化神经网络的输入层和隐含层，利用预存已知输电线路故障类型的电流行波作为训练样本，采用正向和反向迭代算法，训练神经网络；S5在训练样本数量不同的条件下，运用优化后的神经网络和BP神经网络进行输电线路故障类型识别。

【技术特征摘要】
1.一种稀疏自动编码器优化神经网路的输电线路故障识别方法，其特征在于，包括：S1数据采集，采集输电线路发生故障之后，输电线路上产生的故障电流行波；S2提取故障波形特征量：对所述步骤S1中采集到的输电线路故障电流行波数据提取特征量；S3稀疏自动编码器采用随机梯度下降算法进行训练，获取所述步骤S2中的所述特征量中内在特征信息的稀疏性表达，保存训练结束后稀疏自动编码器权重W和偏置b；S4将所述步骤S3中稀疏自动编码器权重W和偏置b初始化神经网络的输入层和隐含层，利用预存已知输电线路故障类型的电流行波作为训练样本，采用正向和反向迭代算法，训练神经网络；S5在训练样本数量不同的条件下，运用优化后的神经网络和BP神经网络进行输电线路故障类型识别。2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，采集输电线路故障电流行波为故障发生前后0.5ms的电流行波波形。3.根据权利要求1所述的方法，其特征在于，所述步骤S2中，故障波形特征量提取包括：S21分析输电线路雷击故障电流行波的波过程及波形时域特性，选择具有代表性的闪络前极性和波长时间两个波形特性；S22针对输电线路不同故障电流行波的频域特性，通过离散傅里叶分析：其中，n＝0,1,2,…N为采样点数，得到基波分量与直流分量的比值，作为输电线路故障电流波形特征；S23针对输电线路不同故障的电流暂态信号差异较大，利用小波分析获得暂态信号在各个尺度上的...

【专利技术属性】
技术研发人员：林顺富，于俊苏，徐美金，顾春艳，高健飞，畅国刚，吕乔榕，许亮峰，
申请(专利权)人：珠海妙微科技有限公司，
类型：发明
国别省市：广东,44