[发明专利]基于CNN的自监督电压暂降源辨识方法

权利要求书

1.一种基于CNN的自监督电压暂降源辨识方法，其特征在于，包括如下步骤：

S10，采集电压暂降数据，对所述电压暂降数据进行预处理；所述电压暂降数据包括短路故障数据、变压器投切数据及电动机启动引起的电机运行数据；

S20，在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使所述CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类；

S30，将预处理后的电压暂降数据划分为训练集和测试集，将训练集批量输入所述CNN自监督模型，以训练所述CNN自监督模型的特征提取能力与分类能力；

S40，将所述测试集输入训练后的CNN自监督模型，以对所述测试集进行电压暂降源辨识。

2.根据权利要求1所述的基于CNN的自监督电压暂降源辨识方法，其特征在于，所述采集电压暂降数据，对所述电压暂降数据进行预处理包括：

获取所述电动机启动引起的电机运行数据、所述变压器投切数据和所述短路故障数据；所述短路故障数据包括三相短路数据、单相接地数据和两相相间短路数据；

获取所述电机运行数据、所述变压器投切数据和所述短路故障数据分别对应的暂降波形数据；

将所述暂降波形数据进行滤波处理，采用小波变换提取滤波处理后的暂降波形数据的电压暂降凹陷域，将所述电压暂降凹陷域的三相电压的每一相作为一行，将每个样本的规范为一个3×3s的二维矩阵，对所得到的二维矩阵进行标准化处理，使二维矩阵中每个元素的值均在区间[0,1]中，将每行数据重复3次，得到9×3s的样本矩阵；s表示所述电压暂降数据所包括的数据类型。

3.根据权利要求2所述的基于CNN的自监督电压暂降源辨识方法，其特征在于，所述单相接地数据包括A相接地数据、B相接地数据、和C相接地数据；所述两相相间短路数据包括AB相间短路数据、BC相间短路数据、和CA相间短路数据。

4.根据权利要求3所述的基于CNN的自监督电压暂降源辨识方法，其特征在于，所述在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使所述CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类包括：

确定所述CNN自监督模型中每个环节的数据维度，建立总体框架；

基于CNN与自动编码器基础结构，建立卷积编码器，构造卷积层，使卷积层的卷积层对输入样本进行卷积运算提取特征，采用激活函数输出特征映射，使构造的池化层采用平均池化算子对特征映射进行缩放，得到最终特征；

建立BP神经网络作为分类器；所述分类器的分类过程包括信号的前向传播和误差的反向传播；

采用梯度下降算法，以网络的实际输出值和期望输出值的误差均方差为最小为目标函数；

构造卷积解码器。

5.根据权利要求2至4任一项所述的基于CNN的自监督电压暂降源辨识方法，其特征在于，所述将预处理后的电压暂降数据划分为训练集和测试集，将训练集批量输入所述CNN自监督模型，以训练所述CNN自监督模型的特征提取能力与分类能力包括：

将所有样本矩阵划分为训练集和测试集，将训练集批量输入所述CNN自监督模型；

在所述卷积层将训练集与卷积层的卷积核经过卷积运算，由激活函数激活后得到特征映射，将特征映射经过池化层压缩尺寸并补偿偏移中心，得到最终特征；

采用CNN自监督模型的卷积解码器依据所述最终特征进行样本重构，得到第一重构样本；

利用第一重构样本与训练集的误差，在迭代过程中不断更新卷积编码器中的卷积核和卷积解码器中的各权重；

将最后一次迭代过程中的池化层提取出的特征经BP网络分类后得到每个样本各自对应的权重标签；

将权重标签与信息库中的各暂降标准波形运算得到第二重构样本，利用第二重构样本与训练集的误差，在迭代过程中反向调整BP网络中各单位间的权重，完成对所述CNN自监督模型的训练。

6.根据权利要求5所述的基于CNN的自监督电压暂降源辨识方法，其特征在于，所述将所述测试集输入训练后的CNN自监督模型，以对所述测试集进行电压暂降源辨识包括：

将测试集输入CNN自监督模型，利用训练好的模型对测试集进行特征提取与电压暂降源辨识，并验证电压暂降源辨识的准确率。