[发明专利]一种基于深度学习的变电站异常智能识别方法及系统

权利要求书

1.一种基于深度学习的变电站异常智能识别方法，其特征在于，所述方法包括：

获取箱式变电站异常时刻多指标数据信息，进行数据预处理；

利用HHT变换计算时频能量，构成全信号特征矩阵；

利用图像化方法对全信号特征矩阵进行转换，得到全信号能量图像；

利用深度残差网络对全信号能量图像进行特征提取后，用分类器进行识别，得到变电站异常类型。

2.如权利要求1所述的一种基于深度学习的变电站异常智能识别方法，其特征在于，所述对箱式变电站的异常时刻多指标数据信息进行数据预处理，包括：

1）获取开关箱三相电压（,,）、三相电流（,,）及零序电压()，共7类指标信息，采样频次为10kHz，每20ms为一个时间周期；

2）分别对获取的同指标信息作归一化处理：

其中：为归一化后的i时刻的信息值；

为当前时刻测量值；

为最大值；

为最小值；

按时间序列将以上7个指标的数据记录为异常时刻信号向量矩阵：

其中：为信号向量矩阵；

分别为按时间有序的三相电压归一化后信息向量；

分别为按时间有序的三相电流归一化后信息向量；

分别为按时间有序的零相电压归一化后信息向量。

3.如权利要求2所述的一种基于深度学习的变电站异常智能识别方法，其特征在于，所述利用HHT变换计算时频能量，包括：

1）对信息向量分别进行EMD分解：

对信号向量，将信号向量在每一时间点t上极值与下极值点形成上下包络线，并计算得均值线：

其中：

、分别为极大值和极小值

对原始信号与均值线进行计算得到包络信号：

判断是否满足IMF约束条件，若满足IMF约束条件，则将作为一个IMF信号值，重复1）的计算，直至计算得到符合IMF约束条件的指标值，或者达到终止条件阈值SD0.2，终止条件阈值计算公式为：

为达到终止条件阈值时的IMF信号值；

将符合IMF约束条件的指标值或达到终止条件阈值时的指标值作为第一个IMF信号值，记作；

2）计算原始信号与第一个IMF信号值的残差：

将残差作为输入信号，重复EMD分解过程，分解得到4层IMF后，最终将原始输入信号分解为：

其中为第i层的IMF信号值，为第四次EMD分解得到的残差值，

3）进行Hilbert变换：将IMF信号进行变换，变换公式为：

代表线性卷积；

即为单位脉冲响应为的脉冲相应信号，经过傅里叶变换，可以得到第i层IMF的解析信号及其极坐标表示形式：

其中j表示-1的平方根，乘一次代表进行正90度旋转；为t时刻的瞬时幅值：

为瞬时相位：

并计算得到瞬时频率：

为的导数；

忽略残余分量，根据傅里叶积分定理，原始信号可以被表示为：

其中：j表示-1的平方根，代表旋转90度；

表示取函数的实部；

即原始信号的Hilbert谱为：

并计算原始信号的Hilbert边际谱：

4）计算每个时间段的能量值:

其中表示在第m层IMF信号值中h时刻的振幅，h取值为0到200；

表示采样间隔周期，即为：

其中t为采样周期；

N为常数因子，取值为200；

得到一个采样周期内一个指标信号的时频能量作为特征，即为：

得到每个指标信息的时频能量矩阵进行组合：

N为该异常时刻箱式变电站的全信号特征矩阵。