[发明专利]一种采用卷积深度置信网络的配电网故障分类方法

权利要求书

1.一种采用卷积深度置信网络的配电网故障分类方法，其特征在于：包括以下步骤：

步骤S1：采集主变低压母线的三相电压、零序电压和主变低压侧三相电流，对各类故障工况分别截取故障前后各一周波的信号波形数据作为训练样本；

步骤S2：采用离散小波包变换对步骤S1的训练样本数据进行时频分解，求取时频矩阵，进而构造时频谱图的像素矩阵，并构造时频谱图，作为后续CDBN模型的输入；

步骤S3：构建CDBN模型，以无监督学习方式训练两个卷积受限玻尔兹曼机，在第2个CRBM后添加softmax分类器，训练网络模型，实现故障特征的有效提取及自动分类；

步骤S4：以步骤S1获得的测试样本以及步骤S2构造时频谱图，输入至步骤S3已训练完善的CDBN模型中，实现配电网故障分类。

2.根据权利要求1所述的一种采用卷积深度置信网络的配电网故障分类方法，其特征在于：步骤S1具体为：建立一辐射式中压配电网模型，通过该模型获取10种故障发生前后各1个工频周波的包括三相电压、零序电压、以及三相电流在内的电气量的仿真波形。

3.根据权利要求2所述的一种采用卷积深度置信网络的配电网故障分类方法，其特征在于：所述10种故障包括A、B、C单相接地故障，AB、AC、BC两相接地故障，AB、AC、BC两相相间短路故障，以及ABC三相相间短路故障。

4.根据权利要求1所述的一种采用卷积深度置信网络的配电网故障分类方法，其特征在于：步骤S2具体包括以下步骤：

步骤S21：选取正则性良好的db4作为小波基函数，分解层数为4层，对选定的电压与电流信号进行时频分解；

步骤S22：对第四层的小波系数进行重构，分别得到信号的低频部分S_4,0和高频部分S_4,1-S_4,15；

步骤S23：选取S_4,0-S_4,4作为信号分析的频带范围，构造时频矩阵；

步骤S24：将离散小波包变换后获取的时频矩阵转成35×380的时频谱图。

5.根据权利要求1所述的一种采用卷积深度置信网络的配电网故障分类方法，其特征在于：步骤S3中，所述CDBN模型采用7层结构模型，包括：可见层1、隐藏层1、池化层1、可见层2、隐藏层2、池化层2，全连接层、以及输出层,其中池化层1与可见层2为同一层；所述CRBM模型遵循贪婪的分层训练原则，采用卷积和池化操作以获取层次更深、表达能力更强的故障特征；

经过卷积操作，在隐藏层生成K个特征图作为下一层的输入以提取更高级的特征，第k个特征图第i行第j列的隐藏层单元的条件激活概率为：

式中，v代表可见层，b_k表示第k个特征图的偏置，表示可见层与隐藏层中第k个特征图的层间权值，σ＝1/(1+e^-x)为Sigmoid激活函数；

池化是隐藏层到池化层的计算，使用概率最大池化方法对隐藏层进行降采样，以不重叠窗口将隐藏层分割成若干的B_α区域；取选定区域内最大值作为输出值，得到由若干区域组成的池化层特征作为下一个CRBM的输入；第k个池化层单元的条件激活概率为：

将CRBM提取的特征图依次按列展开，得到一个特征向量，将其映射到样本标记空间，得到一个新的特征表达形式，计算当前各样本在每种类型对应的概率为：

T(i)＝Y(l_i)；

式中，Y表示soft-max分类器函数，l_i数表示第i类输入数据的计算结果；T(i)中最大值所在位置的编号即为故障类型的标签。

6.根据权利要求5所述的一种采用卷积深度置信网络的配电网故障分类方法，其特征在于：步骤S4具体包括以下步骤：

步骤S41：在可见层1输入故障波形的时频谱图，使用卷积核对输入图像进行卷积操作，在隐藏层1输出故障特征图；

步骤S42：隐藏层1的输出图像作为池化层1的输入图像，进行最大池化操作，通过最大池化的方式，将池化层1提取得到的特征进行局部区域相邻相似特征的整合，达到有效降低特征维数的目的；

步骤S43：将池化层1的输出图像送入隐藏层2进行第二轮卷积操作，从而可以将前面提取到的特征进行进一步的抽象，得到更高级、区分度更大的特征；

步骤S44：隐藏层2输出的特征图需要再经过池化层2进行一次最大池化操作，相比池化层1输出的特征图更加规整，这是对原始图像更为深层次的特征提取，表征原始图像的固有特征，得到高级特征图；

步骤S45：将高级特征图在全连接层依次按列展开并堆叠成特征向量；

步骤S46：特征向量在全连接层与输出层进行全连接运算，最终输出判别结果。