[发明专利]一种基于RSSPN模型的配电网故障原因分类方法

说明书

本发明公开了一种基于RSSPN模型的配电网故障原因分类方法，包括，利用分布式数字故障记录器获取故障电流和电压波形数据，并对故障电流和电压波形数据进行类别标记；利用未标记的波形数据和已标记类别的波形数据训练RSSPN模型并获得学习的模型函数以及决策半径函数；微调训练完成的RSSPN模型，生成新的分类器；通过新的分类器完成配电网故障原因的分类；本发明利用原型网络结构和半监督学习来从未标记的数据中挖掘信息，提高了配网故障原因分类的准确性。

技术领域

本发明涉及配电网故障分析的技术领域，尤其涉及一种基于RSSPN模型的配电网故障原因分类方法。

背景技术

配电网是将电力从配电系统输送给个人消费者的最后阶段，其安全和稳定的运行与每个消费者的利益直接相关。

然而，配电网中的故障原因分类是一个具有挑战性的问题。首先，该机制还不清楚，目前还没有快速、准确的手工分类方法。其次，由于缺乏标记数据(手工标记的带有根本故障原因的错误波形)，机器学习方法很难获得高精度和良好的泛化性能。第三，由于配电网中低电流接地系统和分布式电源的持续接入，配电网正变得越来越复杂，使得传统分类器(例如多层感知器和卷积神经网络)无法实现高精度分类。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于RSSPN模型的配电网故障原因分类方法，能够解决因有标签数据不足的导致的无法实现高精度分类的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，其特征在于：包括，利用分布式数字故障记录器获取故障电流和电压波形数据，并对所述故障电流和电压波形数据进行类别标记；利用未标记的波形数据和已标记类别的波形数据训练RSSPN模型并获得学习的模型函数以及决策半径函数；微调训练完成的RSSPN模型，生成新的分类器；通过所述新的分类器完成配电网故障原因的分类。

作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案，其中：其特征在于：还包括，所述未标记的波形数据和已标记类别的波形数据的数量比例为4：1。

作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案，其中：还包括，利用混合损失函数训练所述RSSPN模型；所述混合损失函数由监督损失函数、伪监督损失函数和无监督损失函数构成。

作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案，其中：所述监督损失函数包括，

其中，L_s为监督损失值，T为预设的训练迭代总次数，为RSSPN模型输入层的第i个输出值，为RSSPN模型输入层的第i个输入值，k_c为所述模型函数。

作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案，其中：还包括，所述伪监督损失函数包括，

其中，L_P为伪监督损失值，为已标记类别的第j个波形数据，为未标记的第j个波形数据。

作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案，其中：还包括，所述无监督损失函数包括，

L_u＝-logp_w(y＝l|x)