[發明專利]一種基于短時傅里葉變換和卷積神經網絡的配電網故障原因檢測方法

在審

• 申請號: 202111134876.1
• 申請日: 2021-09-27
• 公開（公告）號: CN113850330A
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 劉灝;劉碩;畢天姝
• 申請（專利權）人: 華北電力大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04;G06Q50/06
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;陳亮

1.一種基于短時傅里葉變換和卷積神經網絡的配電網故障原因檢測方法，其特征在于，所述方法包括：

步驟1、獲取待檢測配電網的故障錄波數據，截取故障發生后的一周波故障數據；其中，所述故障錄波數據為零序電流數據；

步驟2、將步驟1截取的故障數據通過短時傅里葉變換進行特征提取，得到時頻特征圖，并采用數據增強的方法對所得到的時頻特征圖進行旋轉、翻轉、平移，以擴充數據；

步驟3、構建卷積神經網絡CNN分類模型，并利用數據擴充后的時頻特征圖對所構建的卷積神經網絡CNN分類模型進行訓練；

步驟4、對實際測量的故障數據進行步驟1和步驟2的操作，得到實測數據的時頻特征圖，并作為測試數據集對步驟3訓練好的卷積神經網絡CNN分類模型進行測試，實現故障原因的準確識別和分類。

2.根據權利要求1所述基于短時傅里葉變換和卷積神經網絡的配電網故障原因檢測方法，其特征在于，所述步驟1的過程具體為：

首先獲取待檢測配電網的故障錄波數據，通過待檢測配電網中的故障錄波裝置記錄故障發生前后共16個周波的波形數據，采樣頻率為4096HZ和12800HZ；其中，所述故障錄波數據為零序電流數據；

故障的原因包括：變壓器臺柔性電纜燒毀故障、絕緣擊穿故障、設備引線搭接故障、金屬類異物故障和樹線矛盾故障；

上述五種故障的波形數據均為單相接地故障，且為瞬時性故障，因此對不同故障原因的零序電流數據進行數據預處理，截取故障發生后的一周波，即0.02s的故障數據。

3.根據權利要求1所述基于短時傅里葉變換和卷積神經網絡的配電網故障原因檢測方法，其特征在于，在步驟2中，采用能夠同時反映時域和頻域特性的時頻域方法，即短時傅里葉變換STFT進行不同故障原因的特征提取，所采用的短時傅里葉變換的公式如下：

其中，x(t)為故障信號；w(t)為窗函數；ω為角頻率；τ是時間變量；隨著τ的不斷變化，w(t)的窗口在時間軸上移動，反映出故障信號x(t)在時刻為τ、頻率為ω的分量的相對含量；

將故障信號x(t)進行離散化處理得到x(n)，離散短時傅里葉變換數學表達式如下：

其中，x(n)為截取的故障數據；w(n)為窗函數；w(n-m)為滑動窗，n代表當前滑動位置；ω為角頻率；N為數據點總數；m表示采樣點；

通過對步驟1截取的故障數據做短時傅里葉變換，提取出不同故障原因的時頻域特征，得到不同故障原因的時頻特征圖；

再采用數據增強的方法對所得到的時頻特征圖進行旋轉、翻轉、平移，以擴充數據。

4.根據權利要求1所述基于短時傅里葉變換和卷積神經網絡的配電網故障原因檢測方法，其特征在于，所述步驟3的過程具體為：

首先對數據擴充后的時頻特征圖進行預處理，原始時頻特征圖的大小為875*656像素，首先將圖像壓縮至100*100像素，并且為了防止梯度爆炸和梯度消失現象，對時頻特征圖進行歸一化處理，歸一化的公式如下：

其中，x_i表示圖像像素點值；min(x)，max(x)分別表示圖像像素的最大和最小值；

預處理后的時頻特征圖將作為卷積神經網絡CNN分類模型的輸入數據；

然后構造卷積神經網絡CNN分類模型，該模型采用了四個卷積層、四個池化層以及三個全連接層構造卷積神經網絡，卷積層的運算公式如下：

其中，代表第l層第j個卷積區域的元素；M_j代表l-1層時頻特征圖的第j個卷積區域；是M_j區域內的元素；是對應卷積核的權重矩陣；是偏置項；h為激活函數，在此使用ReLU激活函數，表達式為：

relu(x)＝max(0,x)

其中，x是激活函數的輸入；

所述卷積神經網絡CNN分類模型通過全連接層得到特征向量，在全連接層后加入Softmax函數，并采用交叉熵函數作為損失函數，計算預測的概率分布和真實答案的概率分布之間的距離，再通過最小化損失函數的方式得到預測的類別標簽；

其中，Softmax函數的計算過程如下：

其中，z_i表示節點i的輸出；k表示故障總類別數；p_i為第i個節點的Softmax函數計算值；y_i代表真實類別；Softmax函數將全連接層的輸出映射成一個概率分布，并將所計算出的概率最大值所對應類別作為預測類別；

將預處理后的時頻特征圖輸入到構建好的卷積神經網絡CNN分類模型中進行訓練，并調整訓練中的學習率、批大小、迭代次數參數，完成對卷積神經網絡CNN分類模型的訓練。