一种输电线路暂态波形故障类型识别方法、设备及介质技术

本发明专利技术涉及故障类型识别技术领域，尤其涉及一种输电线路暂态波形故障类型识别方法、设备及介质，包括：导入输电线路暂态波形故障的原始数据集，并进行筛分，提取满足实验条件的数据；将筛分后提取出的数据，计算各个数据点的时域和频域特征，将得到的特征数据保存到新的特征数据集中，并与原始数据对应；将特征数据集中的少数类数据，使用Smote算法，调节参数，对少数类数据进行扩充，达到与多数类数据的平衡；建立深度森林模型，设置其属性、数据切片的窗口大小和超参数，将平衡后的特征数据集导入到深度森林模型中，进行训练和分类。本发明专利技术解决数据不平衡的问题，对于小规模的数据集可以很好的兼容，从而对输电线路故障类型进行很好的识别。很好的识别。很好的识别。

【技术实现步骤摘要】
一种输电线路暂态波形故障类型识别方法、设备及介质


[0001]本专利技术涉及故障类型识别
，尤其涉及一种输电线路暂态波形故障类型识别方法、设备及介质。

技术介绍

[0002]目前，在很多场景下需要对数据集中的大量数据进行多分类识别预测，数据都含有不同的标签，如何将种类和个数不尽相同的数据进行效果良好的识别分类一直是热门的研究方向。
[0003]输电线路暂态波形的故障类型种类繁多，总体可分为雷击和非雷击，其中雷击还会分为绕击和反击梁类，非雷击还会分为风偏、鸟害、冰害、外力破坏和其他。各类数据的不平衡和不充分，以及传统分类器的性能有限使得分类识别的精度受到限制。
[0004]一些方法例如引入深度神经网络来解决分类精度的问题，虽然其分类效果较好，但是因为需要在超参数的调整上付出巨大的努力，并且训练比较困难，需要大规模的训练数据，很难去兼容小规模的数据集。另一些方法例如引入GAN（Generative Adversarial Network，生成对抗网络）算法来解决数据不平衡的问题，虽然相比于Smote（Synthetic Minority Oversampling Technique，合成少数类过采样技术）以及ADASYN（Adaptive Synthetic Sampling，自适应合成抽样）算法，GAN算法处理后的数据在经过分类器后分类准确率有提升，但是GAN算法对于数据格式的要求较高，而对于数据位数长短不一的情况不能很好的发挥作用。
[0005]公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术的总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0006]本专利技术提供了一种输电线路暂态波形故障类型识别方法、设备及介质，从而有效解决
技术介绍
中的问题。
[0007]为了达到上述目的，本专利技术所采用的技术方案是：一种输电线路暂态波形故障类型识别方法，包括如下步骤：导入输电线路暂态波形故障的原始数据集，并进行筛分，提取满足实验条件的数据；将筛分后提取出的数据，计算各个数据点的时域和频域特征，将得到的特征数据保存到新的特征数据集中，并与所述原始数据对应；将特征数据集中的少数类数据，使用Smote算法，调节参数，对少数类数据进行扩充，达到与多数类数据的平衡；建立深度森林模型，设置其属性、数据切片的窗口大小和超参数，将平衡后的特征数据集导入到深度森林模型中，进行训练和分类。
[0008]进一步地，所述提取满足实验条件的数据，包括如下步骤：
读取所述原始数据集中相关参数，包括采样率、数据点、一级标签和二级标签；筛选出标签栏中存在空白的数据，并将其剔除；将剩余数据进行提取。
[0009]进一步地，所述计算各个数据点的时域和频域特征中，包括16个时域特征参数和13个频域特征参数。
[0010]进一步地，所述将得到的特征数据保存到新的特征数据集中，并与所述原始数据对应中，将得到的特征数据生成标签，将特征数据和标签对应保存到新的特征数据集中，并将特征数据与标签与原始数据进行对应。
[0011]进一步地，所述使用Smote算法，调节参数，对少数类数据进行扩充，包括：对于少数类数据中每一个样本，以欧式距离为标准计算其到少数类数据中所有样本的距离，得到其k近邻；根据少数类数据和多数类数据不平衡比例，设置一个采样比例，以确定采样倍率；对于每一个少数类数据中样本，从其k近邻中随机选择若干个近邻样本，在这个样本和挑选出的近邻样本的连线上，找出一个点，即为人工合成的新的少数类样本。
[0012]进一步地，所述找出一个点中，将这个样本和挑选出的近邻样本的连线，乘以一个[0,1]范围内的随机值，获得这个点。
[0013]进一步地，所述深度森林模型包括多粒度扫描模块和级联森林模块，对数据先进行多粒度扫描再进行级联森林的训练。
[0014]进一步地，所述将平衡后的特征数据集导入到深度森林模型中，进行训练和分类，包括：将平衡后的特征数据集作为输入，根据样本的类型，设置多粒度扫描的采样窗框的长度和滑动的补偿，然后进行扫描取样，得到特征子样本向量，所述特征子样本向量作为级联森林的输入；所述级联森林包括若干层，上一层的输出作为下一层的输入，每一层包括若干普通随机森林和完全随机森林，所述特征子样本向量用于所有森林的训练；在每一个森林进行训练后，生成一个概率向量，将每层的所有森林的结构拼接一起得到本层的输出。
[0015]本专利技术还包括一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的方法。
[0016]本专利技术还包括一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的方法。
[0017]本专利技术的有益效果为：本专利技术通过对原始数据集进行筛分提取、计算各个数据点的时域和频域特征，并使用Smote算法，将提取的特征数据集中的少数类数据进行扩充，来达到与多数类数据的平衡，再建立深度森林模型，对平衡后的特征数据进行训练和分类，从而解决数据不平衡的问题，对于小规模的数据集可以很好的兼容，同时对于数据位数长短不一的情况也能够很好的发挥作用，从而对于输电线路暂态波形故障类型进行很好的识别。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为实施例1中方法的流程图；图2为实施例2中方法的流程图；图3为实施例2中数据处理的流程图；图4为Smote算法的示意图；图5为多粒度扫描的示意图；图6为级联森林的示意图；图7为计算机设备的示意图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0021]如图1所示：一种输电线路暂态波形故障类型识别方法，包括如下步骤：导入输电线路暂态波形故障的原始数据集，并进行筛分，提取满足实验条件的数据；将筛分后提取出的数据，计算各个数据点的时域和频域特征，将得到的特征数据保存到新的特征数据集中，并与原始数据对应；将特征数据集中的少数类数据，使用Smote算法，调节参数，对少数类数据进行扩充，达到与多数类数据的平衡；建立深度森林模型，设置其属性、数据切片的窗口大小和超参数，将平衡后的特征数据集导入到深度森林模型中，进行训练和分类。
[0022]通过对原始数据集进行筛分提取、计算各个数据点的时域和频域特征，并使用Smote算法，将提取的特征数据集中的少数类数据进行扩充，来达到与多数类数据的平衡，再建立深度森林模型，对平衡后的特征数据进行训练和分类，从而解决数据不平衡的问题，对于小规模的数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路暂态波形故障类型识别方法，其特征在于，包括如下步骤：导入输电线路暂态波形故障的原始数据集，并进行筛分，提取满足实验条件的数据；将筛分后提取出的数据，计算各个数据点的时域和频域特征，将得到的特征数据保存到新的特征数据集中，并与所述原始数据对应；将特征数据集中的少数类数据，使用Smote算法，调节参数，对少数类数据进行扩充，达到与多数类数据的平衡；建立深度森林模型，设置其属性、数据切片的窗口大小和超参数，将平衡后的特征数据集导入到深度森林模型中，进行训练和分类。2.根据权利要求1所述的输电线路暂态波形故障类型识别方法，其特征在于，所述提取满足实验条件的数据，包括如下步骤：读取所述原始数据集中相关参数，包括采样率、数据点、一级标签和二级标签；筛选出标签栏中存在空白的数据，并将其剔除；将剩余数据进行提取。3.根据权利要求1所述的输电线路暂态波形故障类型识别方法，其特征在于，所述计算各个数据点的时域和频域特征中，包括16个时域特征参数和13个频域特征参数。4.根据权利要求3所述的输电线路暂态波形故障类型识别方法，其特征在于，所述将得到的特征数据保存到新的特征数据集中，并与所述原始数据对应中，将得到的特征数据生成标签，将特征数据和标签对应保存到新的特征数据集中，并将特征数据与标签与原始数据进行对应。5.根据权利要求1所述的输电线路暂态波形故障类型识别方法，其特征在于，所述使用Smote算法，调节参数，对少数类数据进行扩充，包括：对于少数类数据中每一个样本，以欧式距离为标准计算其到少数类数据中所有样本的距离，得到其k近邻；根据少数类数据和多数类数据不平衡比例，设置一个采样比...

【专利技术属性】
技术研发人员：谭笑，张廼龙，邱刚，陈杰，杨景刚，吴强，黄翔，黄新宇，高超，李鸿泽，高嵩，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：