[发明专利]基于半监督学习和注意力机制的配电网高阻接地故障诊断方法

权利要求书

1.一种基于半监督学习和注意力机制的配电网高阻接地故障诊断方法，其特征是按如下步骤进行：

步骤1：获取一组配电网高阻接地故障时，变压器二次侧端的故障相电压时间序列并作为训练样本，记为TS＝{TS₁,TS₂,…,TS_i,…,TS_N}；其中，N表示所述训练样本的个数，TS_i表示所述训练样本中第i条故障相电压时间序列，并有：TS_i＝{(t₁,x_i,1),(t₂,x_i,2),…,(t_j,x_i,j),…,(t_q,x_i,q)}，q表示所述训练样本中第i条故障相电压时间序列的长度，t_j表示所述训练样本中第j个时间，x_i,j表示所述训练样本中第i条故障相电压时间序列在第j个时间对应的电压值；

步骤2、对所述故障相电压时间序列集合TS进行去噪，得到预处理后的故障相电压时间序列集合；将所述预处理后的故障相电压时间序列集合进行分类，分为包含未标记的故障相电压时间序列样本集合D_u和包含已标记的故障相电压时间序列样本集合D_p；

步骤3、定义变量k，初始化k＝1；定义第k次更新后的未标记样本集合为并初始化为D_u，第k次更新后的已标记样本集合为初始化为D_p；

步骤4、计算第k次更新后的未标记样本集合中第j个故障相电压时间序列样本与第k次更新后的已标记样本集合的相似度R_j，从而得到相似度向量j＝1,2,...m_k，m_k为在第k次更新后的未标记样本集的样本数量；

步骤5、定义第k次更新后的未标记样本集合中单个样本与已标记样本集合的相似度阈值为ε；

判断所述相似度向量R^k中所有相似度是否均小于ε，若是，则执行步骤7，否则，执行步骤6；

步骤6、选择第k次更新后的未标记样本集合中与已标记样本集合具有最大相似度的样本进行人工标注，并将人工标注后的样本加入到已标记样本集合并得到第k+1次更新后的未标记样本集合同时从未标记样本集合中删除人工标注后的样本，从而得到第k+1次更新后的未标记样本集合再将k+1赋值给k后，返回步骤4；

步骤7、利用第k次更新后的已标注样本集合训练最近邻1NN分类器，得到训练后的1NN分类器，用于对未标记样本集合进行分类；

步骤8、将第k次更新后的未标记样本集合输入训练后的1NN分类器，得到的预测标签并作为未标记样本的真实标签；

再将带有真实标签的未标记样本集合与已标注样本集合进行合并，得到包含N个样本的高阻故障训练集T；

步骤9、构建基于注意力机制的LSTM-CNN神经网络；

所述LSTM-CNN神经网络包含LSTM网络、CNN网络、基于注意力机制的特征融合层以及SCN分类器；其中，LSTM网络的输入节点个数为q×1，隐含层输出维数为m×1；CNN网络隐含层的输出维数为m×1；

步骤10、定义网络当前迭代次数为μ，并初始化μ＝1；最大迭代次数为μ_max；对所述网络中各层的参数进行第μ次随机初始化，从而得到第μ次迭代的LSTM-CNN神经网络；

步骤11、定义变量i，初始化为i＝1；

步骤12、将所述高阻故障训练集T中第i个故障相电压时间序列样本进行傅里叶变换，得到第i个故障相电压时间序列的图像样本X_i；

步骤13、将所述图像样本X_i输入第μ次迭代的LSTM-CNN神经网络中的CNN网络，得到维数为m×1的特征向量C_i,μ；

步骤14、从所述高阻故障训练集T中选取第i个故障相电压时间序列样本输入第μ次迭代的LSTM-CNN神经网络中的LSTM网络，得到维数为q×m的特征向量其中，表示第i个故障相电压时间序列样本的第n个时间步输入第μ次迭代的LSTM-CNN神经网络中的LSTM网络，输出的维数为m×1的特征向量；

步骤15、利用式(1-1)-式(1-3)对所述特征向量C_i,μ与所述特征向量H_i,μ进行融合，并得到维数为的m×1特征向量F_i,μ；

式(1-1)-式(1-3)中，是第μ次迭代的LSTM-CNN神经网络的特征融合层的权重矩阵，维数为m×m；是第μ次迭代的LSTM-CNN神经网络的特征融合层的偏置项；表示第i个故障相电压时间序列样本第l个时间步输入第μ次迭代的LSTM-CNN神经网络中LSTM网络所输出的维数为m×1的特征向量；α_i,μ,n表示第μ次迭代的LSTM-CNN神经网络的特征融合层中对应的融合权重系数；

步骤16、将所述特征向量F_i,μ输入第μ次迭代的LSTM-CNN神经网络中的SCN分类器，得到输出结果t′_i,μ，将输出结果t′_i,μ与期望输出t_i作差，得到SCN分类器的输出误差e_i,μ；

步骤17、将i+1赋值给i后，判断i＞N是否成立；若成立，则继续执行步骤18，否则，返回步骤12；

步骤18、计算第μ次迭代的LSTM-CNN神经网络中SCN分类器的输出均方根误差为

步骤19、判断μ＞μ_max和e_μ＜e₀是否同时成立；若成立，则得到第μ次迭代的LSTM-CNN神经网络A_μ并用于对配电网高阻接地故障进行诊断，否则，将μ+1赋值给μ后，根据梯度下降算法更新第μ次迭代的LSTM-CNN神经网络A_μ后，执行步骤11，其中，e₀是人工设定误差阈值。