[发明专利]基于AlexNet的故障电弧保护方法

权利要求书

1.基于AlexNet的故障电弧保护方法，其特征在于，该方法包括如下步骤：

步骤一，生成故障电弧数据集，其过程如下：

(1)数据清洗

故障电弧试验存在多样性，试验数据采集于多个试验室、多个时间点，这些客观原因有可能导致造成电弧试验数据出现异常点，为了消除同类数据的不一致性，提高数据质量，在训练前必须通过人为干预对试验数据进行“清洗”，删除数据中的异常数据点。需要清洗的数据类型主要包括因采样装置设置不力导致的采样为零的数据或者是其他明显与电弧电流信号无关数据；

(2)数据分割

为了增加训练样本数量，提升故障电弧诊断模型的泛化能力，以滑动窗口采样的方式对数据进行分割，同时为了保证样本的一致性，规定所有样本为固定采样点数的.csv文件，以每4个工频周期电流数据为一个样本，滑动偏移量为1个工频周期，试验采样率为100Ks/s，每一个样本中共包括8000个采样点；

(3)数据标注

经过数据清洗、数据分割过程后，单一负载故障电弧数据和正常状态数据各有5000组；在模型训练之前，将数据集按一定比例划分为测试集、训练集与验证集；

所有的正常状态数据存放在标注为“正常”的文件夹中，故障电弧状态数据存放在标注为“故障”的文件夹中，此时数据均为.csv格式；将所有的.csv格式数据转化为227×227×3的图像格式，227×227表示图像像素，3表示RGB三通道图像输入；

步骤二，建立故障电弧诊断模型结构与训练参数，其过程如下：

故障电弧诊断模型是基于经典AlexNet模型优化后来建立的，基于AlexNet优化后的故障电弧诊断模型是由6个卷积层、3个池化层和3个全连接层组成，模型的输入为故障电弧数据集，输出为线路状态；

所述训练过程使用的参数配置如下：激活函数选用ReLU函数，使用dropout正则化，dropout率设置为0.5；优化算法为SGD算法，初始学习率为0.01，若验证集的准确率随着迭代次数的增加不再变化，学习率降为之前数值的十分之一；损失函数为适用于二分类问题的交叉熵损失函数；

步骤三，对故障电弧进行诊断，基于AlexNet的故障电弧诊断模型诊断流程如下：

(1)将采集到的电流信号进行数据预处理，得到故障电弧数据集。将数据按照一定比例分为三组，分别作为训练集、验证集和测试集；

(2)网络参数初始化，网络模型随机从训练集中提取一个样本，从前向后依次计算得到输出，通过反向传播误差，调整网络参数并更新网络模型。然后输入下一个样本，直至误差达到最小，则输出故障电弧诊断模型；

(3)将测试集输入故障电弧诊断网络模型得到识别准确率，即可以对模型识别结果进行评估。

2.根据权利要求1所述的基于AlexNet的故障电弧保护方法，其特征在于，所述经典AlexNet模型包括5个卷积层及3个全连接层。

3.根据权利要求2所述的基于AlexNet的故障电弧保护方法，其特征在于，所述经典AlexNet模型的第一个卷积层用96个11×11大小的卷积核来提取像素大小为227×227的图像特征；第二个卷积层包含256个大小为5×5的卷积核；第三个和第四个卷积层分别包括384个3×3大小的内核，第五个卷积层具有256个3×3大小的内核。

4.根据权利要求1所述的基于AlexNet的故障电弧保护方法，其特征在于，基于AlexNet优化后的故障电弧诊断模型将经典AlexNet模型的第二个卷积层中5×5卷积核替换成两个3×3卷积核。