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：