[发明专利]一种基于卷积神经网的配网录波文件波形识别方法

说明书

本发明公开了一种基于卷积神经网的配网录波文件波形识别方法，用以解决无法从海量配网录波文件中精确识别出故障类波形的技术问题；其步骤为：首先，获取配网中的故障录波波形文件，并对故障录波波形文件进行预处理，得到数据集，其中，数据集包括训练集和测试集；其次，构建一维卷积神经网络；然后，对训练集中的录波故障波形进行分类标注后输入一维卷积神经网络中进行训练，得到训练好的卷积神经网络模型；最后，将待检测的录波波形输入卷积神经网络模型中，输出录波的分类结果。本发明将传统机器学习应用到配网录波文件识别中，采用一维卷积神经网络算法，自动从海量配网录波文件中，识别出故障类波形文件，以便对故障点进行评价与定位。

技术领域

本发明涉及自动识别技术领域，特别是指一种基于卷积神经网的配网录波文件波形识别方法。

背景技术

电网企业作为服务国计民生的重要角色，电网特别是配网的运行安全直接关系到广大电力用户的切身利益。当前，配网建设的脚步不断加快，设备数量与日俱增。且随着配电自动化系统上线运行，给传统的配网运行带来变革。配电自动化实用化后，在系统中汇集了海量数据，如何从海量的数据中筛选出异常数据是一项具有挑战性的任务。

深度学习是机器学习领域中的重点和热点，它主要是模拟人脑的神经系统来进行分析学习数据，模拟人的大脑机能来解释数据之间的关系和特征。深度学习的实质，是需要大量的训练数据，用其构建深层次的机器学习模型，从中自动学习出数据之间的信息特征，利用这些特征去做回归或者分类问题。

“深度学习”这一概念从提出到被应用，已经在许多领域取得了丰硕的成绩，例如计算机视觉、语音识别，无人驾驶和自然语言处理等。我们日常生活的所有领域几乎都在使用深度学习技术，人工智能正在悄无声息地改变我们的生活。深度学习技术渗透到了每一个领域，使得深度学习有了更多的应用场景。

发明内容

针对现有技术无法精确从海量配网录波文件中识别出故障类波形文件的技术问题，本发明提出了一种基于卷积神经网的配网录波文件波形识别方法，将传统机器学习应用到配网录波文件识别中，采用一维卷积神经网络算法，自动从海量配网录波文件中，识别出故障类波形文件，以便对故障点进行评价与定位。

本发明的技术方案是这样实现的：

一种基于卷积神经网的配网录波文件波形识别方法，其步骤如下：

步骤一：获取配网中的故障录波波形文件，并对故障录波波形文件进行预处理，得到数据集，其中，数据集包括训练集和测试集；

步骤二：构建一维卷积神经网络；

步骤三：对训练集中的录波故障波形进行分类标注后输入步骤二中的一维卷积神经网络中进行训练，得到训练好的卷积神经网络模型；

步骤四：将测试集输入步骤三中的卷积神经网络模型中，输出故障分类结果。

优选地，所述对故障录波波形文件进行预处理的方法为：

利用Python中的Pycomtrade库对采集到的Comtrade格式的故障录波波形进行格式转换，得到波形数据；

对得到的波形数据进行标准化处理：

其中，为标准化后的第i个数据，X_i为第i个数据，X_max为第i个数据所在列特征数据的最大值，X_min为第i个数据所在列特征数据的最小值。

优选地，所述一维卷积神经网络的网络结构为输入层-卷积层I-池化层I-卷积层II-池化层II-卷积层III-池化层III-卷积层IV-池化层IV-全连接层I-全连接层II-输出层。

优选地，所述卷积层I、卷积层II、卷积层III和卷积层IV中的卷积层的输出计算公式均表示为：