基于深度残差网络的配电网内部过电压识别方法

技术领域

本发明属于图像识别技术领域，特别涉及一种基于深度残差网络的配电网内部过电压识别方法。

背景技术

运行经验表明，过电压是影响配电网安全运行的重要因素之一。内部过电压持续时间较长，易引起设备绝缘损坏，从而引发各类短路故障，危及配电网供电可靠性。因此，及时检测并分类配电网出现的内部过电压，准确区分过电压类型，对于配电网灾害预防和故障分析具有重要意义。

国内外普遍采用的过电压识别方法是先提取特征量，再结合支持向量机、极端学习机、径向基核函数神经网络等分类算法，得到识别结果。但是，由于CNN自身结构特性，导致当网络深度达到一定程度时，往往会出现过拟合现象，致使网络的性能不升反降。

因此需要提出新的配电网内部过电压识别方法，用于提高内部过电压监测效率。

发明内容

鉴于背景技术所存在的技术问题，本发明所提供的基于深度残差网络的配电网内部过电压识别方法，针对配电网内部过电压分类问题构建了深度残差网络模型，以实现故障特征的自动获取和识别，替代故障诊断研究中信号预处理和特征集构建两个工作环节，从而降低故障诊断工作量，提升配电网内部过电压监测效率。

为了解决上述技术问题，本发明采取了如下技术方案来实现：

一种基于深度残差网络的配电网内部过电压识别方法，步骤为：

步骤1，通过PSCAD仿真得到各种不同类型的暂时过电压、操作过电压的故障样本，将样本数据进行预处理并分组建立训练集样本和测试集样本；

步骤2，构建残差网络模型：通过建立多层卷积层、池化层以及残差块，共同组成深层次的残差网络模型；

步骤3，对网络初始化设定后，将训练集输入深度残差网络模型，利用多层卷积和池化运算实现对原始信号抽象化表征；

步骤4，将故障数据输入模型，对其进行抽象化表征与网络训练，在网络模型末端集成Softmax分类器，实现对两类内部过电压样本的分类识别。

优选地，步骤2中，残差网络模型的包括5个卷积层、6个池化层和3个残差块；每个残差块的主路径都有两个卷积层，用来提取轴承深层特征；同时，还有一个恒等映射路径用于将上层网络信号直接传到下层网络；数据流过残差块传入Dropout层，最终将提取特征送到Softmax分类器中进行故障模式分类。其中Dropout层可以明显减少过拟合现象，并减少特征检测器之间的相互作用。

优选地，步骤2中，由卷积层对图片进行特征提取，图像的特征在通过卷积层和池化层的过程中渐渐由低层特征变为高层特征，再经过全连接层和输出层进行特征分类,卷积层特征图：

其中：l代表当前层；x

优选地，步骤2中，池化层用于处理卷积层输出的维度过大的特征，降低输入图片的分辨率，减少参数，提高效率，减少数据量，防止过拟合,最大池化函数为：

其中：down(·)代表池化操作；x

优选地，连接层用于实现特征的降维，转二维信号为一维信号，进一步进行特征表示，全连接层输出：

y

其中：y

优选地，多层卷积神经网络的学习过程为：

其中：z为中减速储量，h为非线性激活函数，b为偏置量，w为权重值。

残差网络直接将x

优选地，网络中的激活函数使用ReLU函数，使得预测结果y值均大于或等于0；选用交叉熵损失函来计算学习模型分布与训练分布之间的差距，使其收敛到更好的局部最小点以提高网络识别精度；梯度下降采用Adam优化算法，该算法中添加了一阶动量和二阶动量，用于避免陷入局部最优解。

本专利可达到以下有益效果：

本发明提供了一种基于深度残差网络的配电网内部过电压识别方法，此方法可用于电气领域图像识别系统、配电网操作系统，具体是电子设备利用图像识别技术对设备采集到的各种内部过电压数据进行收集并输入深度残差网络，通过已经过大量训练的深度残差网络对各个配电网内部过电压进行分类。

本发明将配电网内部过电压的识别转化为基于深度残差网络的识别，即利用参数已经经过迁移学习在ImageNet大量数据中训练完成的模型对未知的内部过电压进行识别，就可以确定内部过电压的种类。此外，本发明通过对构建了包含5个卷积层和6个池化层，以及3个残差模块的深度学习网络模型，实现了对配电网内部过电压原始信号的自主数据挖掘和抽象化特征提取，并在全连接层和分类器的作用下实现两类内部过电压：暂时过电压、操作过电压的分类，从而确定待识别配电网内部过电压的种类，有效地提高了待识别配电网内部过电压分类的准确性。因此，本发明所提供的一种基于深度残差网络的配电网内部过电压识别方法可以用于配电网的灾害预防和故障分析系统。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明识别流程图。

具体实施方式

优选的方案如图1所示，一种基于深度残差网络的配电网内部过电压识别方法，步骤为：

步骤1，通过PSCAD仿真得到各种不同类型的暂时过电压、操作过电压的故障样本，将样本数据进行预处理并分组建立训练集样本和测试集样本；

步骤2，构建残差网络模型：通过建立多层卷积层、池化层以及残差块，共同组成深层次的残差网络模型；

步骤3，对网络初始化设定后，将训练集输入深度残差网络模型，利用多层卷积和池化运算实现对原始信号抽象化表征；

步骤4，将故障数据输入模型，对其进行抽象化表征与网络训练，在网络模型末端集成Softmax分类器，实现对两类内部过电压样本的分类识别。

进一步地，残差网络模型的包括5个卷积层、6个池化层和3个残差块；每个残差块的主路径都有两个卷积层，用来提取轴承深层特征；同时，还有一个恒等映射路径用于将上层网络信号直接传到下层网络；数据流过残差块传入Dropout层，最终将提取特征送到Softmax分类器中进行故障模式分类。

进一步地，由卷积层对图片进行特征提取，图像的特征在通过卷积层和池化层的过程中渐渐由低层特征变为高层特征，再经过全连接层和输出层进行特征分类,卷积层特征图：

其中：l代表当前层；x

进一步地，池化层用于处理卷积层输出的维度过大的特征，降低输入图片的分辨率，减少参数，提高效率，减少数据量，防止过拟合,最大池化函数为：

其中：down(·)代表池化操作；x

进一步地，连接层用于实现特征的降维，转二维信号为一维信号，进一步进行特征表示，全连接层输出：

y

其中：y

多层卷积神经网络的学习过程为：

其中：z为中减速储量，h为非线性激活函数，b为偏置量，w为权重值。

残差网络直接将x

网络中的激活函数使用ReLU函数，使得预测结果y值均大于或等于0，可自主有效地添加网络的稀疏性，减少参数之间的依赖性，防止过拟合并提高训练速度；选用交叉熵损失函来计算学习模型分布与训练分布之间的差距，使其收敛到更好的局部最小点以提高网络识别精度；梯度下降采用Adam优化算法，该算法中添加了一阶动量和二阶动量，用于避免陷入局部最优解。

实施例1：

本发明的主要应用场景为：通过对检测设备提取到配电网内部过电压数据进行收集并输入深度残差网络，完成简单高效的配电网内部过电压种类识别。

步骤一：

采用PSCAD/EMTDC仿真软件搭建中性点不接地配电网模型，主要构成有110kV无穷大系统电源G；10kV/10.5kV主变压器T1，为10kV/0.4kV配电变压器T2；负荷采用感性负载R+jX＝(20+j40)Ω等值替代。馈线共有全架空线路(OL)、全电缆线路(CL)和线—缆混合线路3种类型；时控开关K，用于模拟接地故障，R

操作过电压：根据工频熄弧理论分析所得的弧光接地过电压倍数较接近配电网出现的弧光接地的过电压倍数，该理论认为故障相每隔一个工频周期电弧就会熄灭和重燃一次，并且假定电弧在工频电流过零时熄灭，达到最大恢复电压时重燃，因此基于该理论，通过周期性投切时控开关K1进行弧光接地过电压的模拟。

暂时过电压：采用单相接地故障消失作为铁磁谐振的“激发”条件，为了实现铁磁谐振的参数匹配要求，通过投切不同长度的馈线形成不同的匹配电容，达到改变谐振回路三相导纳的目的，以产生基频谐振、分频谐振和高频谐振。投入馈线L3、馈线L6进行分频谐振的仿真，投入馈线L5、馈线L6进行基频谐振的仿真，投入馈线L6进行高频谐振的仿真。

步骤二：

对每种故障类别采用独热(one-hot)编码的方式进行加标签操作，one-hot编码可以将离散特征的取值扩展到了欧式空间，使其离散特征的某个取值对应欧式空间的某个点，特征之间的距离计算更加合理。对数据进行分类加标签操作，以便于后续对信号进行定性和定量分析。

步骤三：

将样本数据输入到网络模型时，为了加快训练速度，使用数据生成器对样本进行分段式读取，以一个批次为训练单位，并进行反向传播，网络模型会计算批次中每个训练样本的损失并求平均值，需要将数据集中的样本数据进行乱序排列。打乱数据集按7∶3比例作为训练集和验证集输入到深度残差网络模型中，其中训练集用于提取配电网内部过电压的特征并确定模型参数，验证集用于检测模型的内部过电压识别分类效果，在某个参数空间寻找最优解，进而调节模型配置。本次使用留出验证方法进行模型评估，即划分验证集。

步骤四：

研究对所有内部过电压样本进行了混合识别，包括两种代表性的内部过电压类型：谐振过电压、弧光接地过电压，各个标签表示每一个样本的状态类型，将数据输入网络，最终在训练集上的准确率可达98.3％，在验证集上的准确率可达97.8％。训练集和验证集的准确率和损失值，数据量的增强提供了更为丰富的训练集数据，因此在最后一组识别中反而超出了单纯的定性和定量实验，深度残差网络对配电网内部过电压具有有效的定性定量识别能力，整体验证集准确率达97％以上，具有较高可靠性。

最终本发明的一种基于深度残差网络的配电网内部过电压识别方法模型取得了最高97.25％的识别准确率。本发明述于图像识别领域，是一种基于深度残差网络的配电网内部过电压方法，应用前景广泛，适合广泛推广。

上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。