[发明专利]一种用于配电网故障类型识别的方法

权利要求书

1.一种用于配电网故障类型识别的方法，其特征在于，所述方法包括：

构建故障定位器模型，并使用由配电网暂态录波装置获取的原始故障录波波形数据对模型进行训练以获得故障定位器；

构建第一故障波形生成器模型和第一故障波形辨别器模型，所述第一故障波形生成器模型用于根据输入的故障类型生成对应的人工故障波形，所述第一故障波形辨别器模型用于根据输入的故障波形识别该故障波形是实际故障波形或第一故障波形生成器生成的人工故障波形；

构建第一辅助分类器模型，所述第一辅助分类器的浅层结构设置成与第一故障波形辨别器一致，该第一辅助分类器根据输入的故障波形输出该故障波形所对应的故障类型；

构建故障分类器模型，该故障分类器模型用于根据输入的故障波形生成该故障波形所对应的故障类型，该故障分类器模型包括卷积层区域和全连接层区域，且故障分类器模型与故障定位器模型在浅层结构上保持一致；

构建第二故障波形生成器模型和第二故障波形辨别器模型，所述第二故障波形生成器模型用于通过输入故障分类器模型中的卷积层区域输出的特征向量生成对应的人工故障波形，所述第二故障波形辨别器模型用于根据输入的故障波形识别该故障波形是实际故障波形或第二故障波形生成器生成的人工故障波形；

利用原始的实际故障波形-故障类型数据组和第一故障波形生成器在训练中所产生的人工故障波形-故障类型数据组对第一故障波形辨别器模型进行训练获得第一故障波形辨别器；同时利用第一故障波形辨别器模型的损失函数优化第一故障波形生成器以获得第一故障波形生成器；

利用原始的实际故障波形对第二故障波形辨别器模型进行训练获得第二故障波形辨别器；同时利用第二故障波形辨别器模型的损失函数优化第二故障波形生成器以获得第二故障波形生成器；

利用原始的实际故障波形-故障类型数据组、第一故障波形生成器产生的人工故障波形-故障类型数据组以及故障分类器模型和第二辅助分类器模型在训练过程中产生的人工故障波形-故障类型数据组对第一辅助分类器模型进行训练以获得第一辅助分类器；

利用原始的实际故障波形-故障类型数据组、第一故障波形生成器产生的人工故障波形-故障类型数据组以及故障分类器模型和第一辅助分类器模型在训练过程中产生的人工故障波形-故障类型数据组对第二辅助分类器模型进行训练以获得第二辅助分类器；

利用原始的实际故障波形-故障类型数据组、第一故障波形生成器产生的人工故障波形-故障类型数据组以及第一辅助分类器模型和第二辅助分类器模型在训练过程中产生的人工故障波形-故障类型数据组对故障分类器模型进行训练以获得故障分类器；

将待分析的实际发生的由配电网暂态录波装置获取的原始故障录波波形数据输入故障分类器获得实际发生的故障类型。

2.根据权利要求1所述的用于配电网故障类型识别的方法，其特征在于，所述故障定位器模型使用深度卷积神经网络，其包括卷积层区域和全连接层区域，在卷积层区域包括输入卷积层、卷积块、平均池化层。

3.根据权利要求1所述的用于配电网故障类型识别的方法，其特征在于，所述第一故障波形生成器模型包括全连接层区域和去卷积层区域，所述全连接层区域包括两层全连接层，并在每一层中均引入高斯噪声，所述去卷积层区域包括去卷积块；所述第一故障波形辨别器包括卷积层区域和全连接层区域，在卷积层区域包括卷积块，在全连接层区域包括两层全连接层，并在浅层位置的全连接层输入故障类型标签；所述第一辅助分类器模型包括卷积层区域和全连接层区域，在卷积层区域包括输入卷积层和卷积块，且设定输入卷积层与第一个卷积块的结构与第一故障波形辨别器的输入卷积层与第一个卷积块的结构保持一致。

4.根据权利要求1所述的用于配电网故障类型识别的方法，其特征在于，所述故障分类器模型包括卷积层区域和全连接层区域，在卷积层区域包括输入卷积层、卷积块、平均池化层，其中输入卷积层以及前两层卷积块与故障定位器中的保持一致。