[發明專利]基于特征映射遷移學習的電網故障分類方法

有效

• 申請號: 201710756382.4
• 申請日: 2017-08-29
• 公開（公告）號: CN107491792B
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 張化光;劉鑫蕊;孫秋野;于曉婷;楊珺;王智良;趙鑫;吳澤群
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 王丹;李洪福

1.一種基于特征映射遷移學習的電網故障分類方法，其特征在于，包括如下步驟：

步驟1、選定待分類的目標領域數據以及輔助源領域數據，所述目標領域數據包括：每一故障線路在各個故障時刻的三相電流數據；輔助源領域數據包括：每一故障線路在各個故障時刻所對應的前一故障時刻的三相電流數據，每一故障線路在各個故障時刻所對應的前一正常運行時刻所對應的三相電流數據以及與該故障線路的相鄰線路在各個故障時刻所對應的三相電流數據；

步驟2、分別對目標領域數據和輔助源領域數據進行基于微增量小波奇異熵的故障特征提取以提取出各自相對應的微增量小波奇異熵，并將各所述微增量小波奇異熵作為故障特征，進而分別組成目標領域相對應的特征向量空間以及輔助源領域相對應的特征向量空間；

步驟3、基于特征映射遷移學習方法，將輔助源領域和目標領域的交集作為軸特征，并基于拉格朗日乘子法求極值的方法，找到軸特征、輔助源領域特有特征、目標領域特有特征各自相對應的基向量；

步驟4、在基于支持向量機SVM的故障分類過程中，將步驟3所獲得的輔助源領域相對應的基向量作為支持向量；同時在支持向量機SVM中原有的目標函數中加入輔助源領域相對應的支持向量訓練集的相似性懲罰項并在原有目標函數約束條件中加入所加入支持向量訓練集的約束條件，以共同訓練分類器獲得相應的分類結果。

2.根據權利要求1所述的電網故障分類方法，其特征在于：

所述步驟2包括：

步驟21、分別對目標領域數據和輔助源領域數據進行m層小波多分辨率信號分解以得到小波變換結果對應的小波變換系數矩陣，經奇異值分解計算后得到所述小波變換系數矩陣對應的奇異值特征矩陣，并記為Λ＝diag(λ₁,λ₂,…λ_n)；

步驟22、分別構造目標領域數據和輔助源領域數據的n階微增量小波奇異熵，對應的公式為

式中，λ_i為第i階非零奇異特征值，X_i為λ_i的第i個微增量小波奇異熵；

步驟23、以所述輔助源領域數據的n階微增量小波奇異熵元素構造一個特征向量X_s1，記為X_s1＝[X₁,X₂…X_n]，同時令則對應的歸一化小波包特征向量X_s1^*表示為X_s1^*＝[X₁/X,X₂/X,…,X_n/X],并組成輔助源領域數據的特征向量空間X_s^*＝[X_s1^*,X_s2^*,…X_sn^*]；重復上述步驟組成目標領域數據的特征向量空間X_t^*＝[X_t1^*,X_t2^*,…X_tn^*]。

3.根據權利要求2所述的電網故障分類方法，其特征在于：

所述奇異值特征矩陣中的n＝m²-1且使得λ_n滿足約束條件。