一种基于卷积神经网络的配电网故障数据辨识方法技术

本发明专利技术涉及一种基于卷积神经网络的配电网故障数据辨识方法，属于电力技术领域。该方法包括：S1：获取配电网暂态故障数据，并对其进行预处理；S2：利用多层1DCAE搭建故障特征提取网络，并输入预处理后的暂态故障数据训练优化故障特征提取网络，得到低维故障特征；S3：利用多层1DCNN搭建故障特征分类模型，并输入低维故障特征训练优化故障特征分类模型，完成暂态故障数据的不同类型识别。本发明专利技术具有自动特征提取能力和较好的容错能力，更适用于配电网中的海量故障数据识别。的海量故障数据识别。的海量故障数据识别。

【技术实现步骤摘要】
一种基于卷积神经网络的配电网故障数据辨识方法


[0001]本专利技术属于电力
，涉及一种基于卷积神经网络的配电网故障数据辨识方法。

技术介绍

[0002]电力系统向智能化和透明化迈进的过程中，配电网的结构日趋复杂，检测设备更加繁多，运行过程中发生各种故障的概率激增。故障发生后，为避免故障的再次恶化与扩散，需要快速准确的进行故障定位、网络重构、故障融合、故障事件分析与排查检修等工作，而故障诊断与辨识是以上工作的前提。
[0003]目前针对配电网故障诊断与分类方法总体可以归为三大类：
[0004]第一类为基于知识分析的传统故障识别方法，长期应用于电力系统故障识别领域，但仍存在容错能力弱、操作难度大、识别效率低下等问题。
[0005]第二类为传统故障诊断手段与新一代人工智能结合的复合故障分类识别模型，其中又分两种常见结合类型：一种为沿用经典故障信号处理方法进行特征提取后结合人工智能深度学习模型进行故障分类识别；另一种为利用神经网络的数据特征自学习能力提取故障特征，再结合传统浅层分类网络进行故障诊断。该类方法一定程度上提高了分类性能，但人工进行特征分析与提取，耗费大量的时间，模型容易受到人为因素影响，且对于多类型差异性小的故障样本人工特征提取面临更大困难。
[0006]第三类为数据特征处理与特征分类器均采用深度学习框架进行故障类型识别，该类全深度学习模型更适用于配电网中的海量故障数据识别，但此模型研究尚未完善，且适应性较弱。
[0007]因此，亟需一种能够解决传统人工特征提取方法存在的低容错、识别效率低下，以及SVM、ANN和CNN辨识精度低的问题的配电网故障数据辨识方法。

技术实现思路

[0008]有鉴于此，本专利技术的目的在于提供一种基于卷积神经网络的配电网故障数据辨识方法，解决实测暂态故障数据特征自提取的难点，进而将提取的数据特征输入到一维卷积神经网络，智能、高效地实现故障数据端到端辨识的目标。相比于现有方法，具有自动特征提取能力和较好的容错能力，更适用于配电网中的海量故障数据识别。
[0009]为达到上述目的，本专利技术提供如下技术方案：
[0010]一种基于卷积神经网络的配电网故障数据辨识方法，具体包括以下步骤：
[0011]S1：获取配电网暂态故障数据，并对其进行预处理；
[0012]S2：利用多层一维卷积自编码器(1
‑
dimension convolutional auto
‑
encoder,1DCAE)搭建故障特征提取网络，并输入预处理后的暂态故障数据训练优化故障特征提取网络，得到低维故障特征；
[0013]S3：利用多层一维卷积神经网络(1
‑
dimension convolutional neural network,
1DCNN)搭建故障特征分类模型，并输入低维故障特征训练优化故障特征分类模型，完成暂态故障数据的不同类型识别。
[0014]进一步，步骤S1具体包括：获取主站的海量录波文件中记录的故障线路电气量信息，即配电网暂态故障数据；预处理阶段是截取故障点附近最能反映故障特征的电气量信息，作为网络的训练数据样本。
[0015]进一步，步骤S1中，预处理具体包括：获取的配电网暂态故障数据是由故障时刻前后256个三相电压采样数据拼接组成，以准确获取故障时刻的三相电压变化特征；并对其进行一定的平移、加噪等数据样本扩展。
[0016]进一步，步骤S2具体包括：通过堆叠多层1DCAE搭建故障特征提取网络，并将预处理后的不同类型的暂态故障数据统一用于网络编码和解码训练，调节网络参数优化网络权重与偏差使网络具有最佳的特征提取效果，然后从编码器输出低维故障特征，用于步骤S3的故障数据分类识别。
[0017]进一步，步骤S2中，所述1DCAE由卷积层、池化层、反池化层和反卷积层组成；利用卷积的空间信息保持特性将卷积池化后的数据经过反卷积反池化进行重构，再通过优化重构数据与原始数据的最小误差对其模型进行求解，最后提取编码后的低维有效特征。
[0018]进一步，步骤S3具体包括：通过对步骤S2得到的低维故障特征进行再学习，训练得出网络的最佳参数；然后经卷积网络Softmax分类器层对故障特征进行分类，完成暂态故障数据的不同类型识别。
[0019]进一步，步骤S3中，所述1DCNN由一维卷积层、一维池化层、全连接层及分类层组成，配合激活函数、正则化、优化器等完成训练模型调优。
[0020]进一步，步骤S3中，所述1DCNN中的全连接层是经过卷积池化后的数据块被一维化生成全连接层，在其前面加入dropout方法随机删除部分神经元来抑制模型过拟合，配合分类器可完成数据的多分类。
[0021]进一步，步骤S3中，所述全连接层输出为：
[0022][0023]其中，为全连接层输出，为全连接层输入，ω为权重，为偏置，f(
·
)为激活函数，l为全连接层的层数。
[0024]所述分类器是使用Softmax分类器配合全连接层完成数据多分类，表达式为：
[0025][0026]其中，y
j
为第j个输出神经元，n为神经元的个数。
[0027]本专利技术的有益效果在于：本专利技术网络架构从故障数据预处理到故障数据特征提取再到故障特征分类，全程使用人工智能深度学习自动进行诊断分析，减少了人为因素干扰，直接从原始录波故障数据中获取故障类型与故障特征间的映射关系，从而避免传统的人工分析故障数据环节。
[0028]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并
且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0029]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：
[0030]图1为1DCAE结构示意图；
[0031]图2为1DCNN结构示意图；
[0032]图3为端到端暂态故障数据分类识别框架图；
[0033]图4为数据特征可视化结果；
[0034]图5为本专利技术1DCAE
‑
1DCNN分类模型与1DCNN分类模型的对比训练结果。
具体实施方式
[0035]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0036]请参阅图1～图5，为一种基于卷积神经网络的配电网故障数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的配电网故障数据辨识方法，其特征在于，该方法具体包括以下步骤：S1：获取配电网暂态故障数据，并对其进行预处理；S2：利用多层1DCAE搭建故障特征提取网络，并输入预处理后的暂态故障数据训练优化故障特征提取网络，得到低维故障特征；其中1DCAE表示一维卷积自编码器；S3：利用多层1DCNN搭建故障特征分类模型，并输入低维故障特征训练优化故障特征分类模型，完成暂态故障数据的不同类型识别；其中1DCNN表示一维卷积神经网络。2.根据权利要求1所述的配电网故障数据辨识方法，其特征在于，步骤S1具体包括：获取主站的海量录波文件中记录的故障线路电气量信息，即配电网暂态故障数据；预处理阶段是截取故障点附近最能反映故障特征的电气量信息，作为网络的训练数据样本。3.根据权利要求2所述的配电网故障数据辨识方法，其特征在于，步骤S1中，预处理具体包括：获取的配电网暂态故障数据是由故障时刻前后256个三相电压采样数据拼接组成；并对其进行样本扩展。4.根据权利要求1所述的配电网故障数据辨识方法，其特征在于，步骤S2具体包括：通过堆叠多层1DCAE搭建故障特征提取网络，并将预处理后的不同类型的暂态故障数据统一用于网络编码和解码训练，调节网络参数优化网络权重与偏差使网络具有最佳的特征提取效果，然后从编码器输出低维故障特征，用于步骤S3的故障数据分类识别。5.根据权利要求1或4所述的配电网故障数据辨识方法，其特征在于，步骤S2中，所述1DC...

【专利技术属性】
技术研发人员：邹密，赵岩，王子涵，王江林，刘三伟，唐贤伦，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：