[发明专利]一种基于深度学习的电网故障检测方法

权利要求书

1.一种基于深度学习的电网故障检测方法，其特征在于：该方法步骤如下：

(一)、将公共点电压信号进行多分辨率经验模态分解；

(二)、利用步骤(一)的分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层相空间矩阵的奇异值，根据各层奇异值提取各层相空间奇异谱熵；将多层奇异谱熵组合后构成多分辨率奇异谱熵的深度神经网络参数特征向量；

(三)、将步骤(二)中的特征向量直接代入深度神经网络模型进行电网故障检测。

2.根据权利要求1所述的一种基于深度学习的电网故障检测方法，其特征在于：(三)步骤中的深度神经网络模型构建方法如下：

第一步，采用与所述(一)—(二)步骤相同的方式得深度神经网络参数特征向量；

第二步，对提取出的特征向量进行分析训练，训练完毕得到用于电网故障检测的深度神经网络模型。

3.根据权利要求2所述的一种基于深度学习的电网故障检测方法，其特征在于：(一)步骤中：将公共点电压信号进行多分辨率经验模态分解步骤如下：

(1.1)录入公共点电压信号f(k)(k＝1,2,…,N)，N为采样点数；其中公共点电压信号包含，在检测时输入的是检测样本的公共点电压信号，在深度神经网络模型构建时，录入的是原始的训练样本公共点电压信号；

(1.2)对待分析公共点电压信号f(k)(k＝1,2,…,N)，N为采样点数，用经验模态分解进行处理，分解出第1个固有模态函数的候选分量h₁；

(1.3)判断(1.2)步骤中的第1个固有模态函数的候选分量h₁是否满足固有模态函数条件，若满足固有模态函数条件，则h₁被判定为f(k)的第1个固有模态函数分量，若不满足，则将h₁作为待处理信号重新计算，持续分解固有模态函数完毕。

4.根据权利要求2所述的一种基于深度学习的电网故障检测方法，其特征在于：(二)步骤具体方式如下：

(2.1)对每层的重构信号进行n维的相空间重构，重构相空间矩阵为A；

(2.2)对每层相空间矩阵A进行奇异谱分解，得到对应层重构相空间矩阵A的奇异值，基于信息熵理论，根据相空间矩阵A的奇异值计算各层信号的奇异谱熵H_j。

(2.3)将各层奇异谱熵值H_j组合，得到多分辨率奇异谱熵的深度神经网络参数特征向量T，作为故障检测的特征向量。

5.根据权利要求2所述的一种基于深度学习的电网故障检测方法，其特征在于：第二步具体方式如下：

(3.1)构建基于实际异常状态检测问题的深度神经网络框架，采用栈式自编码器对深度神经网络参数进行逐层预训练，获取初始化参数；

(3.2)使用最速梯度下降法对栈式自编码器对(3.1)步骤中获取的初始化参数进行有监督的微调训练，微调整个深度神经网络的初始化参数，得到参数的最优解，并经由Softmax分类器完成深度神经网络模型训练。

6.根据权利要求3所述的一种基于深度学习的电网故障检测方法，其特征在于：所述步骤(1.1)中原始电压信号具体选取方式为：利用光伏并网仿真系统，选取公共电压节点的电压信号作为输入信号，记为f(k)，选取四种样本电压信号，包括故障状态下的电压暂升信号、故障状态下的电压暂降信号、扰动状态下的电压暂升信号和扰动状态下的电压暂降信号。

7.根据权利要求3所述的一种基于深度学习的电网故障检测方法，其特征在于：步骤(1.2)中1个固有模态函数的候选分量具体方式为：

f(k)的第一个固有模态函数候选h₁由式(1)确定：

h₁＝f(k)-m₁(1)；

式中：m₁表示f(k)的上、下包络线均值。