[发明专利]一种基于组合神经网络模型的配电终端故障判别方法及系统

权利要求书

1.一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，包括：

对配电终端不同故障类型的电气数据进行时频变换，得到时频图谱构成原始训练集；

把所述原始训练集输入生成式对抗神经网络GAN进行生成式扩容，根据随机数序列随机生成新的时频图谱子集，与所述原始训练集一同构成新训练集，所述新训练集输入卷积神经网络CNN进行卷积和池化，在全连接层输出故障类型的编号，得到训练完毕的故障判别模型；

输入在线实时采集的待测数据，利用所述故障判别模型进行故障类型判别并输出判别结果。

2.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述对配电终端不同故障类型的电气数据进行时频变换之前还包括：

获取所述配电终端故障时测量系统所测量的电气数据。

3.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述电气数据进一步包括：

配电终端故障时所采集的电压、电流时域交流数据。

4.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述时频变换进一步包括：

短时傅里叶变换，所述短时傅里叶变换的窗函数如下公式表示

5.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述生成式对抗神经网络的目标函数如下，

其中，G表示GAN中的生成器G，用于生成新的时频图谱，

D表示GAN中的判别器D，用于区分原始时频图谱和生成的新时频图谱，

x为特征序列，z为随机数序列；p_r表示原始数据时频特征图集；p_g表示由GAN中的生成器G生成的新数据时频特征图集。

6.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述新训练集输入卷积神经网络CNN在卷积层和池化层进行卷积和池化还包括：

对所述新训练集进行预处理和归一化。

7.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，新训练集输入卷积神经网络CNN在卷积层和池化层进行卷积和池化，在全连接层输出故障类型的编号进一步包括：

新训练集依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层，经过各层的激活函数，对所述新训练集进行特征提取和降维，输出故障类型的编号；

其中，所述第一卷积层和所述第二卷积层使用相同的激活函数，所述第一池化层和所述第二池化层使用相同的激活函数，所述第一全连接层和所述第二全连接层使用相同的激活函数。

8.根据权利要求7所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，

在所述第一卷积层和所述第二卷积层进行的卷积过程表达式如下，

其中，表示第l层第j个输出元素，表示该卷积层的一个卷积核，“*”表示卷积操作，表示该卷积层偏置；f(·)为激活函数。

9.一种基于组合神经网络模型的配电终端故障判别系统，其特征在于，包括：

时频变换处理模块，用于对配电终端不同故障类型的电气数据进行从时域到频域的变换，得到时频图谱构成原始训练集；

扩容模块，用于对所述原始训练集进行特征学习从而对所述原始训练集的样本容量扩容，得到新训练集；

模型训练模块，利用所述新训练集进行模型训练得到故障判别模型；

输出模块，用于输出故障类型判别结果。

10.根据权利要求9所述的一种基于组合神经网络模型的配电终端故障判别系统，其特征在于，所述系统进一步包括：

数据采集模块，用于采集所述配电终端故障时测量系统所测量的电气数据。