[发明专利]一种基于卷积稀疏自动编码器的输电线故障分类方法

摘要

本发明涉及一种基于卷积稀疏自动编码器的输电线故障分类方法，属于电工领域在线监测技术，该方法包括：1)获取输电线各类故障波形段组成训练样本集与测试样本集，从训练样本集波形段中随机取出波形块，对波形块进行白化处理；2)利用白化处理后的波形块训练稀疏自动编码器得到卷积特征，利用卷积特征对训练样本集中的波形段进行卷积与池化操作，获得池化卷积向量；3)利用池化卷积向量训练多元逻辑回归分类器；4)利用测试样本集对训练好的多元逻辑回归分类器进行测试。本发明利用卷积稀疏自动编码器算法从大量故障波形中自动提取出特征，加速输电线故障的识别与分类速度，提升分类准确率，能够帮助提升电力系统的稳定性与可靠性。

主权项

一种基于卷积稀疏自动编码器的输电线故障分类方法，其方法包括以下步骤：1)输电线各类故障电压与电流波形数据的获取与预处理：1.1)通过输电线路安装的电压传感器和电流传感器获取输电线各类故障电压与电流波形数据，波形起止时间分别为故障发生前10ms与故障发生后20ms，波形的采样频率为20kHz，且一个周期对应400个采样点；从每个故障电压与电流波形数据中切出长度为200个采样点的波形段共十一段，起止点分别为[j‑120,j+79]、[j‑80,j+119]、[j‑60,j+139]、[j‑40,j+159]、[j‑20,j+179]、[j,j+199]、[j+20,j+219]、[j+40,j+239]、[j+60,j+259]、[j+100,j+299]与[j+200,j+399]，其中j用于指示故障发生瞬间所对应的采样点；每一段切出的波形为6×200的波形段，包含三相电压波形与三相电流波形；将波形数据切出的波形段按照7:3的比例随机分为训练样本集与测试样本集；对于训练样本集与测试样本集中的每个样本，均有一个标签值(取值为1至11的整数，代表十一个类别)与之对应；对于起止点分别为[j‑120,j+79]的波形段，其标签均设定为“非故障状态”，其余波形段均按照实际故障类型设置标签；1.2)从训练样本集中随机取出大量尺寸为6×30的波形块，并对这些波形块进行白化处理，使得波形块数据的每个维度之间不相关且具有相同方差；2)利用白化后的波形块矩阵P训练稀疏自动编码器，获得卷积特征，利用卷积特征对训练样本集进行卷积与池化：2.1)确定稀疏自动编码器的结构与参数：输入层180个节点，隐含层100个节点，输出层180个节点；λ、β与ρ分别设定为0.003、5和0.1；2.2)利用白化后的波形块矩阵P作为训练样本集训练稀疏自动编码器，获得最优权值矩阵W₁；对于第k个隐含层节点，其与输入层各节点相连的权值对应W₁的第k行w_k，将其作为第k个卷积特征；2.3)对训练样本集中的每个波形段，使用100个卷积特征与其进行卷积操作，得到卷积向量；2.4)对卷积向量进行池化，即将训练样本集中第i个波形段与第k个卷积特征进行卷积运算得到的1×171的卷积向量c_i,k进行池化操作，取其每5个相邻元素的平均值，组成1×34的池化卷积向量p_i,k；3)利用卷积与池化后的训练样本集进行多元逻辑回归分类器的训练：3.1)对池化卷积向量进行连接，即将训练样本集中第i个波形段所对应的100个池化卷积向量相连，组成1×3400的分类输入向量s_i，将所有训练样本集中波形段所对应分类输入向量合并为分类输入矩阵S_train；3.2)利用训练样本集计算得到的分类输入矩阵S_train训练多元逻辑回归分类器，使其在输入一个1×3400的向量时能够给出1×11的输出向量r，r的第i个元素对应该输入向量被分类到第i类的概率，概率最大的一类为最终分类结果；4)利用卷积特征对测试样本集进行卷积与池化，并利用卷积与池化后的测试样本集对步骤3.2)中训练得到的多元逻辑回归分类器进行测试：4.1)对测试样本集，进行与步骤2.3)、步骤2.4)、步骤3.1)与步骤3.2)中的相应操作，得到测试样本集中波形段所对应的分类输入矩阵S_test；4.2)将测试样本集计算得到的分类输入矩阵S_test中的每一行依次输入步骤3.2中训练得到的多元逻辑回归分类器，记录对应每一行的分类结果；将分类结果与测试样本集中每一波形段所对应的标签进行对比，得到分类准确率结果。