[發明專利]一種具有連續學習能力的CNN故障選線方法

有效

• 申請號: 202010987884.X
• 申請日: 2020-09-18
• 公開（公告）號: CN112114231B
• 公開（公告）日: 2023-10-10
• 發明（設計）人: 韋化;張樂;呂中梁;蘇先昕;祝云;張玄
• 申請（專利權）人: 廣西大學
• 主分類號: G01R31/08
• 分類號: G01R31/08;G06F18/241;G06F18/27;G06N3/0464;G06N3/084
• 代理公司: 廣西匯佳知識產權代理事務所(普通合伙) 45125
• 代理人: 林鵬

1.一種具有連續學習能力的CNN故障選線方法，其特征在于，包括以下步驟：

S1：采集電力調度自動化系統中所有電站故障時段的實時遙測數據，構建多個一維時序矩陣作為原始樣本；

S2：對原始樣本進行空值填充和數據歸一化；

S3：按照所屬電站的不同，將處理后的樣本數據進行標記；

S4：利用第一個電站的一維時序矩陣訓練深度卷積神經網絡分類器，保存卷積神經網絡的權值參數；

S5：利用其余電站的一維時序矩陣依次訓練上述卷積神經網絡，并依據權值正交矩陣更新卷積神經網絡的權值參數，直至所有電站數據都參與訓練；

S6：利用訓練后的卷積神經網絡分類器進行故障選線。

2.根據權利要求1所述具有連續學習能力的CNN故障選線方法，其特征在于，所述步驟S1中采集的遙測數據包括A相電流I_a、C相電流I_c、有功功率P、無功功率Q和功率因數

3.根據權利要求1所述具有連續學習能力的CNN故障選線方法，其特征在于，所述步驟S2空值的計算方法為：

其中，空值上下時刻的已知值分別為M_s1、M_s2,n_s為空值數據個數，k＝1,2…,n_s。

4.根據權利要求1所述具有連續學習能力的CNN故障選線方法，其特征在于，所述步驟S2數據歸一化計算方法為：

其中，X為歸一化后的值，min為最小值函數，max為最大值函數。

5.根據權利要求1所述具有連續學習能力的CNN故障選線方法，其特征在于，所述步驟S4深度卷積神經網絡包含L1～L6)層，各層節點數為[5H 32 64 128 128 H]，其中H為第一個電站所含饋線數目；

深度卷積神經網絡詳細訓練過程如下：

1)輸入層L1接收歸一化后的原始樣本X₁；

2)隱藏層L2～L4包括卷積層和池化層，用來提取輸入量的深層特征；卷積層計算公式如下：

池化層的計算公式如下：

其中，m表示輸出特征矩陣的維度，h表示網絡第幾層，K^h表示第h層的卷積核，k為卷積核大小，表示第h層輸出，表示第h層輸入；σ(x)＝max(0,x)；

3)全連接層L5對提取到的特征進行回歸分析得到多分類結果y′；

4)輸出層L6利用softmax函數生成預測樣本的分類概率，計算公式如下：

其中，y′_i表示第i個預測樣本的分類概率，N為樣本數目，e為自然常數；

5)反向傳播更新權值，計算過程如下：

其中，loss(w₁)為神經網絡的損失函數，w₁為神經網絡的權值，Δw₁為權值誤差，為損失函數的梯度，α為學習率，Adam神經網絡的優化算法。

6.根據權利要求5所述具有連續學習能力的CNN故障選線方法，其特征在于，所述步驟S5中卷積神經網絡權值的遞推更新過程如下：

其中，Y₁、Y_n分別為第一個和第n個電站的分類結果，w_n-1為第n-1個電站數據更新后的權值，Δw_n-1為第n-1個電站數據更新后的權值誤差，β為學習率，PΔw_n-1與[X₁，X₂，…X_n-1]正交，Δw_n-1的計算與S4相同；

P的計算公式為：

P＝I-A(A^TA+γI)^-1A^T

其中，I為單位矩陣，A＝[X₁，X₂，…X_n-1]，γ為很小的常數。