[发明专利]基于深度置信网络的配电网故障识别方法

权利要求书

1.一种基于深度置信网络的配电网故障识别方法，其特征在于：包括以下步骤：

步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；

步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；

步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；

步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。

2.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S1具体为：

步骤S11:建立一辐射式中压配电网模型；

步骤S12:根据辐射式中压配电网模型获取故障工况发生前后各1个工频周波的三相电压、零序电压、三相电流的信号波形。

3.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S2分别对对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行min-max标准化处理。

4.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述深度置信网络采用4层结构模型，模型由2个RBM和一个神经网络构成。

5.根据权利要求4所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S3的无监督训练包括预训练与微调;所述预训练采用自底而上的无监督学习，单独训练每一个RBM，提取原始输入的特征信息；所述微调采用自顶而下的监督学习，在第2个RBM后添加神经网络，对整体模型进行微调，寻找最优参数，同时将RBM提取的特征向量输入至分类器。

6.根据权利要求1所述的一种基于深度置信网络的配电网故障识别方法，其特征在于：所述步骤S4具体为：

步骤S41:将预处理后的波形数据分别输入至已训练4个深度置信网络模型中，并得到输出结果;

步骤S42:4个深度置信网络模型的输出结果分别代表A、B、C、G是否发生故障，将输出结果依次排列成一维向量[A B C G]；

步骤S43:将得到一维向量[A B C G]与预设定故障类型标签进行对照，实现故障识别。