[發明專利]一種基于遷移學習的過電壓智能識別方法

有效

• 申請號: 202010429675.3
• 申請日: 2020-05-20
• 公開（公告）號: CN111666984B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 陳欽柱;司馬文霞;袁濤;趙海龍;楊鳴;孫魄韜;張涵
• 申請（專利權）人: 海南電網有限責任公司電力科學研究院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/0464;G06N3/047;G06N3/096
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 陳歡

本發明提供一種基于遷移學習的過電壓智能識別方法，包括下列步驟：S1、采集過電壓波形數據，形成過電壓波形圖數據庫；S2、構建過電壓特征提取基礎模型，基于ImageNet訓練數據庫，實現所述過電壓特征提取基礎模型的學習訓練；S3、保存訓練好的所述過電壓特征提取基礎模型中的配制參數，在所述過電壓特征提取基礎模型的基礎上建立過電壓遷移學習模型；S4、基于所述過電壓波形圖數據庫，實現所述過電壓遷移學習模型的學習訓練；S5、通過訓練后的過電壓遷移學習模型實現過電壓波形圖的分類識別。

技術領域

本發明涉及電網過電壓智能識別技術領域，尤其涉及一種基于遷移學習的過電壓智能識別方法。

背景技術

傳統的過電壓分類模型往往是基于仿真數據庫建立，對各類仿真波形的特征提取與分類識別效果上佳，而對采集于變電站中的實測過電壓數據(非標準且受到各種干擾影響)的關鍵特征提取能力與分類準確率則會大幅降低，然而利用實測過電壓數據訓練具有相對較高適應能力的過電壓特征提取與分類模型卻存在以下兩大難題：1、由于過電壓數據量不足，導致模型結構簡單，所提取的特征膚淺片面，容易以偏概全，模型應用價值降低；2、如果強制復雜化模型結構以提取深度特征，由于現階段采集獲得的過電壓數據庫數據不足，難以滿足網絡參數訓練要求，產生過擬合，模型訓練失去意義。

發明內容

本發明的目的在于提供一種基于遷移學習的過電壓智能識別方法，能夠滿足變電站實測過電壓的時域波形識別要求，以解決上述背景技術中提出的問題。

本發明是通過以下技術方案實現的：一種基于遷移學習的過電壓智能識別方法，包括下列步驟：

S1、采集過電壓波形數據，形成過電壓波形圖數據庫；

S2、構建過電壓特征提取基礎模型，基于ImageNet訓練數據庫，實現所述過電壓特征提取基礎模型的學習訓練；

S3、保存訓練好的所述過電壓特征提取基礎模型中的配制參數，在所述過電壓特征提取基礎模型的基礎上建立過電壓遷移學習模型；

S4、基于所述過電壓波形圖數據庫，實現所述過電壓遷移學習模型的學習訓練；

S5、通過訓練后的過電壓遷移學習模型實現過電壓波形圖的分類識別。

優選的，所述過電壓特征提取基礎模型包括卷積特征提取網絡、邏輯修正網絡、分類識別網絡。

優選的，所述卷積特征提取網絡包括全卷積層、深度卷積提取層、逐點卷積提取層，所述全卷積層的輸出接入所述深度卷積提取層的輸入，所述深度卷積提取層的輸出接入所述逐點卷積提取層的輸入，且所述深度卷積提取層、逐點卷積提取層之間交錯搭建；

所述全卷積層用于實現圖像特征信息的完全掃描；

所述深度卷積提取層用于圖像特征信息的濾波；

所述逐點卷積提取層用于實現圖像特征信息的組合。

優選的，所述邏輯修正網絡包括平均池化層以及卷積修正層，所述逐點卷積提取層的輸出接入所述平均池化層的輸入，所述平均池化層的輸出接入所述卷積修正層的輸入，所述平均池化層以及卷積修正層用于實現圖像特征信息的降維。

優選的，所述分類識別網絡包括第一softmax分類器，所述卷積修正層的輸出接入所述第一softmax分類器的輸入，所述第一softmax分類器用于實現所述ImageNet訓練數據庫的分類識別。

優選的，建立過電壓遷移學習模型的過程包括：

保留所述卷積特征提取網絡、所述邏輯修正網絡，將所述分類識別網絡修改為帶有全連接層以及第二softmax分類器的淺層神經網絡，所述邏輯修正網絡的輸出接入所述全連接層的輸入，所述全連接層的輸出接入所述第二softmax分類器的輸入，所述第二softmax分類器用于實現所述過電壓波形圖數據庫的分類識別。