[發(fā)明專利]一種樣本不均衡下的單向接地故障饋線識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111521526.0
• 申請(qǐng)日: 2021-12-13
• 公開（公告）號(hào): CN114218988A
• 公開（公告）日: 2022-03-22
• 發(fā)明（設(shè)計(jì)）人: 鄭高;李志華;陳秉熙;林拱光;郭謀發(fā)
• 申請(qǐng)（專利權(quán)）人: 福建中試所電力調(diào)整試驗(yàn)有限責(zé)任公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州科揚(yáng)專利事務(wù)所(普通合伙) 35001
• 代理人: 何小星

1.一種樣本不均衡下的單相接地故障饋線識(shí)別方法，其特征在于，具體包括如下步驟：

S1、現(xiàn)場單相接地故障案例篩選，采集出現(xiàn)故障的主站各饋線首段首半波零序電流信號(hào)，將故障信息缺失、噪聲分量過高的零序電流數(shù)據(jù)挑選出來，構(gòu)建原始數(shù)據(jù)庫；

S2、將時(shí)序信號(hào)進(jìn)行圖像化，將原始數(shù)據(jù)庫中的時(shí)序信號(hào)變換為時(shí)頻譜灰度圖，構(gòu)建待增強(qiáng)樣本訓(xùn)練集；

S3、構(gòu)建基于條件式生成對(duì)抗網(wǎng)絡(luò)CGAN模型；所述條件式生成對(duì)抗網(wǎng)絡(luò)CGAN模型由生成器模型和判別器模型組成；

S4、將經(jīng)過步驟S2獲取的待增強(qiáng)樣本訓(xùn)練集輸入CGAN模型進(jìn)行模型訓(xùn)練，通過生成器與判別器的循環(huán)博弈訓(xùn)練，獲得訓(xùn)練好的CGAN模型，保存模型；將標(biāo)簽與噪聲拼接后，輸入上述訓(xùn)練好的CGAN模型中得到的生成樣本；

S5、利用步驟S4保存的CGAN模型對(duì)步驟S1構(gòu)建單相接地故障的原始數(shù)據(jù)庫增強(qiáng)，平衡故障饋線與非故障饋線之間的數(shù)量差異，提高訓(xùn)練集樣本數(shù)量；

S6、將進(jìn)行增強(qiáng)后的原始數(shù)據(jù)庫中的數(shù)據(jù)集作為數(shù)據(jù)驅(qū)動(dòng)模型的訓(xùn)練集，然后使用未經(jīng)過數(shù)據(jù)增強(qiáng)的測試集進(jìn)行分類，得到的分類結(jié)果能夠表明波形數(shù)據(jù)屬于故障饋線或?qū)儆诮∪伨€。

2.根據(jù)權(quán)利要求1所述的一種樣本不均衡下的單相接地故障饋線識(shí)別方法，其特征在于：所述步驟S1中各饋線首段首半波零序電流信號(hào)為包含100個(gè)采樣點(diǎn)的一維時(shí)序信號(hào)，首段首半波零序電流信號(hào)采樣頻率為10kHz，采樣時(shí)間為0.1s。

3.根據(jù)權(quán)利要求1所述的一種樣本不均衡下的單相接地故障饋線識(shí)別方法，其特征在于：所述步驟S2中時(shí)序信號(hào)圖像化具體為將原始的一維時(shí)序信號(hào)通過連續(xù)小波變換獲得二維時(shí)頻譜灰度圖；所述時(shí)頻譜灰度圖的特征維度為64×64。

4.根據(jù)權(quán)利要求1所述的一種樣本不均衡下的單相接地故障饋線識(shí)別方法，其特征在于：所述步驟S3中條件式生成對(duì)抗網(wǎng)絡(luò)CGAN模型是在原始生成對(duì)抗網(wǎng)絡(luò)GAN的基礎(chǔ)上，通過在生成器與判別器的構(gòu)建過程引入樣本的類別標(biāo)簽作為附加信息條件，以指導(dǎo)樣本的生成過程。

5.根據(jù)權(quán)利要求4所述的一種樣本不均衡下的單相接地故障饋線識(shí)別方法，其特征在于：所述生成器網(wǎng)絡(luò)包含1層全連接層、4層反卷積層和4層批歸一化層，隱含層使用Relu激活函數(shù)，輸出層使用tanh激活函數(shù)；判別器網(wǎng)絡(luò)包含5層卷積層、5層批歸一化層和1層全連接層，激活函數(shù)為LeakyRelu和Sigmoid激活函數(shù)。

6.根據(jù)權(quán)利要求1所述的一種樣本不均衡下的單相接地故障饋線識(shí)別方法，其特征在于：所述步驟S4中待增強(qiáng)樣本訓(xùn)練集輸入CGAN模型進(jìn)行模型訓(xùn)練以及生成樣本的具體步驟包括：

A1、初始化生成器和判別器網(wǎng)絡(luò)參數(shù)；

A2、固定生成器網(wǎng)絡(luò)，使用同等數(shù)量的待增強(qiáng)樣本訓(xùn)練集和生成器生成樣本對(duì)判別器進(jìn)行100輪預(yù)訓(xùn)練，提升判別器甄別能力；

A3、循環(huán)訓(xùn)練生成器與判別器，直至生成器與判別器訓(xùn)練達(dá)到二者的納什均衡點(diǎn)，生成時(shí)頻譜樣本分布與真實(shí)樣本分布一致，訓(xùn)練完畢，保存模型參數(shù)；

A4、對(duì)波形樣本的所屬狀態(tài)類別進(jìn)行One-Hot編碼，每個(gè)標(biāo)簽信息特征維度為2，維度為100的隨機(jī)高斯噪聲與標(biāo)簽信息進(jìn)行拼接后輸入上述已訓(xùn)練好的模型，再經(jīng)過生成器網(wǎng)絡(luò)映射成為指定類型生成樣本。

7.根據(jù)權(quán)利要求6所述的一種樣本不均衡下的單相接地故障饋線識(shí)別方法，其特征在于：所述生成器和判別器采用隨機(jī)梯度下降法來進(jìn)行模型的優(yōu)化，優(yōu)化的參數(shù)包括生成器和判別器神經(jīng)網(wǎng)絡(luò)線性層的權(quán)重ω和偏置b。

8.根據(jù)權(quán)利要求7所述的一種樣本不均衡下的單相接地故障饋線識(shí)別方法，其特征在于：所述步驟A1初始化生成器和判別器的網(wǎng)絡(luò)參數(shù)時(shí)，學(xué)習(xí)率設(shè)置為0.0002，迭代次數(shù)為4000，采用小批量訓(xùn)練方式，批迭代樣本數(shù)量設(shè)置為128，優(yōu)化算法選用Adam算法。