[發明專利]稀疏自動編碼器優化神經網路的輸電線路故障識別方法在審
| 申請號： | 201910275906.7 | 申請日： | 2019-04-08 |
| 公開（公告）號： | CN109901020A | 公開（公告）日： | 2019-06-18 |
| 發明（設計）人： | 林順富;于俊蘇;徐美金;顧春艷;高健飛;暢國剛;呂喬榕;許亮峰 | 申請（專利權）人： | 珠海妙微科技有限公司 |
| 主分類號： | G01R31/08 | 分類號： | G01R31/08 |
| 代理公司： | 北京東方匯眾知識產權代理事務所(普通合伙) 11296 | 代理人： | 張淑賢;王慶彬 |
| 地址： | 519000 廣東省珠海市橫琴島新區環*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 自動編碼器 輸電線路故障 稀疏 特征量 神經網路 神經網絡 偏置 權重 優化 采集 訓練神經網絡 輸電線 電流行波 迭代算法 發生故障 故障波形 故障電流 輸電線路 數據采集 數據提取 隨機梯度 特征信息 下降算法 訓練樣本 初始化 輸入層 稀疏性 隱含層 行波 正向 保存 | ||
1.一種稀疏自動編碼器優化神經網路的輸電線路故障識別方法，其特征在于，包括：
S1數據采集，采集輸電線路發生故障之后，輸電線路上產生的故障電流行波；
S2提取故障波形特征量：對所述步驟S1中采集到的輸電線路故障電流行波數據提取特征量；
S3稀疏自動編碼器采用隨機梯度下降算法進行訓練，獲取所述步驟S2中的所述特征量中內在特征信息的稀疏性表達，保存訓練結束后稀疏自動編碼器權重W和偏置b；
S4將所述步驟S3中稀疏自動編碼器權重W和偏置b初始化神經網絡的輸入層和隱含層，利用預存已知輸電線路故障類型的電流行波作為訓練樣本，采用正向和反向迭代算法，訓練神經網絡；
S5在訓練樣本數量不同的條件下，運用優化后的神經網絡和BP神經網絡進行輸電線路故障類型識別。
2.根據權利要求1所述的方法，其特征在于，所述步驟S1中，采集輸電線路故障電流行波為故障發生前后0.5ms的電流行波波形。
3.根據權利要求1所述的方法，其特征在于，所述步驟S2中，故障波形特征量提取包括：
S21分析輸電線路雷擊故障電流行波的波過程及波形時域特性，選擇具有代表性的閃絡前極性和波長時間兩個波形特性；
S22針對輸電線路不同故障電流行波的頻域特性，通過離散傅里葉分析：
其中，n＝0,1,2,…N為采樣點數，得到基波分量與直流分量的比值，作為輸電線路故障電流波形特征；
S23針對輸電線路不同故障的電流暫態信號差異較大，利用小波分析獲得暫態信號在各個尺度上的信息，采用db4小波對故障后5ms的電流行波進行8尺度分解，定義第j個尺度下的信號小波能量:
式中dj(k)為j尺度下的小波細節系數，n為小波系數的數據長度，則小波能量譜序列為E＝[E1,E2,E3…Ej…]，小波能量譜反映了故障信號各個尺度的能量水平，信號中的低頻近似能量：
式中ɑN(k)為小波的低頻近似系數，選取高低頻段的能量比值P作為故障特征：
4.根據權利要求1所述的方法，其特征在于，所述步S3包括：
S31設置學習率、稀疏參數、迭代次數、隱含層神經元個數等參數，隨機初始化權重W和偏置b；
S32取所述步驟S2中所述故障特征量，作為稀疏自動編碼器的輸入，執行前向算法，計算每個神經元的激活度ρj和稀疏代價函數L(W,b)；
S33利用反向傳播算法，根據式和式迭代更新權重W和偏置b。
5.根據權利要求1所述的方法，其特征在于，所述步驟S4包括：
S41取所述步驟S3中稀疏自動編碼器的權重W和偏置b初始化神經網絡的輸入層及隱含層參數；
S42設置神經網絡的學習率、目標誤差、最大迭代次數、神經元個數；
S43取所述步驟S2中的所述故障特征量，作為神經網絡的輸入，執行正向和反向迭代算法，訓練微調神經網絡；
S44在訓練樣本數量不同的條件下，運用優化后的神經網絡和BP神經網絡進行輸電線路故障類型識別。
6.根據權利要求1-5中任一項所述的方法，其特征在于，所述特征量包括波長時間、閃絡前極性、基波含量和高低頻段能量比。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于珠海妙微科技有限公司，未經珠海妙微科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910275906.7/1.html，轉載請聲明來源鉆瓜專利網。
