[发明专利]基于卷积神经网络的配电网单相接地故障选线方法

权利要求书

1.一种基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，按照如下步骤实现：

步骤S1：获取母线零序电压、各馈线零序电流信号；

步骤S2：根据预设的分解尺度对所述各零序电流信号做连续小波变换；

步骤S3：根据所述步骤S2获取的时频矩阵，获取时间-尺度小波系数灰阶图；

步骤S4：将所获取的时间-尺度小波系数灰阶图作为训练样本和测试样本，通过采用经训练的卷积神经网络算法进行故障馈线识别；在所述步骤S1中，建立一配电网单相接地故障模型，通过该配电网单相接地故障模型截取单相接地故障发生前1个周波到故障发生后的1个周波共2个工频周波的母线零序电压的仿真波形，以及故障发生后的0.5个工频周波的各馈线零序电流的仿真波形；在所述步骤S2中，将母线零序电压是否大于预设的阈值作为选线流程的启动条件，通过采用连续小波变换分解方法对各馈线零序电流信号进行波形分解。

2.根据权利要求1所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，所述阈值为额定相电压的15%。

3.根据权利要求1所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，在所述步骤S3中，记一馈线零序电流信号波形采样点数为m，经分解尺度为n的连续小波变换后，得到时间-尺度小波系数矩阵A为：

。

4.根据权利要求3所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，选取db5为小波基函数，分解尺度为100，采样点数为100，得到图像样本大小为100×100的灰阶图。

5.根据权利要求1所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，在所述步骤S4中，所述卷积神经网络算法采用12层卷积神经网络，包括：1个输入层、5个卷积层、4个池化层、1个全连接层和1个输出层；通过利用反向传播算法对所述卷积神经网络算法进行训练。

6.根据权利要求5所述的基于卷积神经网络的配电网单相接地故障选线方法，其特征在于，所述卷积神经网络算法进行训练还包括如下步骤：

步骤S41：初始化卷积神经网络结构，包括：每个卷积层的卷积核大小与数量、输出特征图数量、每个下采样层的采样窗口大小、下采样方式、下采样步长以及边界延拓方式，并设置每批迭代样本数量以及迭代上限次数；

步骤S42：将所有时间-尺度小波系数灰阶图样本的图像大小调整为与输入层匹配的输入图像大小，并把所有样本分为训练集和测试集；

步骤S43：初始化参数；将各层权值ω和偏置项b初始化为随机数；将超参数α和λ初始化为随机数，并设置随着训练次数增加时这两个参数的调整策略；

步骤S44：建立各层之间的相关矩阵；

步骤S45：开始训练网络，进行一次前向传播，按顺序计算每层的激活值，然后计算输出层实际输出值与给定类型值的误差值；

步骤S46：将所述步骤S45得到的误差值进行反向传播，分别计算每层权值和偏置项的调整量，并判断是否需要进行超参数的更新；

步骤S47：根据所述步骤S46得到的调整量，调整各层权值和偏置项；

步骤S48：重复所述步骤S45~步骤S47，直到误差满足预设精度要求或达到迭代次数上限；

步骤S49：训练结束，保存训练结束时的各项更新后的最新参数。