[发明专利]一种基于卷积神经网络的配电网故障数据辨识方法

权利要求书

1.一种基于卷积神经网络的配电网故障数据辨识方法，其特征在于，该方法具体包括以下步骤：

S1：获取配电网暂态故障数据，并对其进行预处理；

S2：利用多层1DCAE搭建故障特征提取网络，并输入预处理后的暂态故障数据训练优化故障特征提取网络，得到低维故障特征；其中1DCAE表示一维卷积自编码器；

S3：利用多层1DCNN搭建故障特征分类模型，并输入低维故障特征训练优化故障特征分类模型，完成暂态故障数据的不同类型识别；其中1DCNN表示一维卷积神经网络。

2.根据权利要求1所述的配电网故障数据辨识方法，其特征在于，步骤S1具体包括：获取主站的海量录波文件中记录的故障线路电气量信息，即配电网暂态故障数据；预处理阶段是截取故障点附近最能反映故障特征的电气量信息，作为网络的训练数据样本。

3.根据权利要求2所述的配电网故障数据辨识方法，其特征在于，步骤S1中，预处理具体包括：获取的配电网暂态故障数据是由故障时刻前后256个三相电压采样数据拼接组成；并对其进行样本扩展。

4.根据权利要求1所述的配电网故障数据辨识方法，其特征在于，步骤S2具体包括：通过堆叠多层1DCAE搭建故障特征提取网络，并将预处理后的不同类型的暂态故障数据统一用于网络编码和解码训练，调节网络参数优化网络权重与偏差使网络具有最佳的特征提取效果，然后从编码器输出低维故障特征，用于步骤S3的故障数据分类识别。

5.根据权利要求1或4所述的配电网故障数据辨识方法，其特征在于，步骤S2中，所述1DCAE由卷积层、池化层、反池化层和反卷积层组成；利用卷积的空间信息保持特性将卷积池化后的数据经过反卷积反池化进行重构，再通过优化重构数据与原始数据的最小误差对其模型进行求解，最后提取编码后的低维有效特征。

6.根据权利要求1所述的配电网故障数据辨识方法，其特征在于，步骤S3具体包括：通过对步骤S2得到的低维故障特征进行再学习，训练得出网络的最佳参数；然后经卷积网络Softmax分类器层对故障特征进行分类，完成暂态故障数据的不同类型识别。

7.根据权利要求1或6所述的配电网故障数据辨识方法，其特征在于，步骤S3中，所述1DCNN由一维卷积层、一维池化层、全连接层及分类层组成，配合激活函数、正则化、优化器完成训练模型调优。

8.根据权利要求7所述的配电网故障数据辨识方法，其特征在于，步骤S3中，所述1DCNN中的全连接层是经过卷积池化后的数据块被一维化生成全连接层，在其前面加入dropout方法随机删除部分神经元来抑制模型过拟合，配合分类器可完成数据的多分类。

9.根据权利要求8所述的配电网故障数据辨识方法，其特征在于，步骤S3中，所述全连接层输出为：

其中，为全连接层输出，为全连接层输入，ω为权重，为偏置，f(·)为激活函数，l为全连接层的层数；

所述分类器是使用Softmax分类器配合全连接层完成数据多分类，表达式为：

其中，y_j为第j个输出神经元，n为神经元的个数。