基于卷积神经网络的配电网故障检测方法.pdf

《基于卷积神经网络的配电网故障检测方法.pdf》由会员分享，可在线阅读，更多相关《基于卷积神经网络的配电网故障检测方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910428215.6 (22)申请日 2019.05.22 (71)申请人 上海交通大学 地址 200240 上海市闵行区东川路800号 (72)发明人 贺光辉张硕蒋剑飞绳伟光 景乃锋金晶 (74)专利代理机构 上海恒慧知识产权代理事务 所(特殊普通合伙) 31317 代理人 张宁展 (51)Int.Cl. G06Q 50/06(2012.01) G01R 31/08(2006.01) G06K 9/62(2006.01) G06N 3/04(2006.01) (54)发。

2、明名称 基于卷积神经网络的配电网故障检测方法 (57)摘要 本发明提供了一种基于卷积神经网络的配 电网故障检测方法， 在故障类型、 故障相位和故 障位置三个问题上提供技术支持， 包括如下步 骤： S1， 采集配电网故障数据集； S2， 利用简化的 希尔伯特-黄变换对电流序列数据进行数据预处 理； S3， 初始化本专利设计的卷积神经网络； S4， 利用预处理后数据对卷积神经网络进行训练； S5， 利用测试集对故障检测方法进行测试。 本发 明利用卷积神经网络和简化后的希尔伯特-黄变 换， 能够对配电网故障类型、 相位和位置进行准 确的判断， 同时相较于利用循环神经网络进行故 障判断的方法， 速度得。

3、到极大提升。 权利要求书2页 说明书8页 附图2页 CN 110223195 A 2019.09.10 CN 110223195 A 1.一种基于卷积神经网络的配电网故障检测方法， 其特征在于， 包括： S1， 采集三相电流信号数据构成配电网故障数据集， 生成训练样本和测试样本； 其中， 配电网故障数据集中的每一组数据均设置有故障信息标签； S2， 利用简化的希尔伯特-黄变换对配电网故障数据集进行数据预处理， 得到训练样本 和测试样本的数据分量； S3， 设置卷积神经网络初始化参数。 S4， 将训练样本数据分量的瞬时频率和瞬时幅度输入卷积神经网络， 对卷积神经网络 进行训练， 得到故障检测网络。

4、模型； S5， 将测试样本数据分量的瞬时频率和瞬时幅度输入故障检测网络模型中， 得到对测 试样本的故障信息判断结果并与测试样本的故障信息标签比对， 得到关于故障信息的准确 率以及误差。 2.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法， 其特征在于， 所述 S1中， 通过电力系统全数字实时仿真装置进行配电网故障数据集的采集和生成； 所述配电 网故障数据集按照三比一的比例形成训练样本和测试样本。 3.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法， 其特征在于， 所述 S2， 包括如下步骤： S2-1， 找出三相电流信号数据的电流信号中全部的极值点， 并采用三次样条插值法，。

5、 分 别获得极大值点的包络线emax(t)和极小值点的包络线emin(t)； 利用emax(t)和emin(t)获得均值包络线m1(t) m1(t)(emax(t)+emin(t)/2 利用s(t)和m1(t)做差， 得到第一层原始信号的分解量h1(t) h1(t)s(t)-m1(t) 其中， s(t)为原始的电流数据； S2-2， 重复S2-1， 直至获取3层分量； S2-3， 对得到的3层分量进行希尔伯特变化， 获取分量瞬时频率和瞬时幅度。 4.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法， 其特征在于， 所述 S3中， 设置卷积神经网络初始化参数， 采用均值为0、 方差为0.。

6、05的正态分布初始化。 5.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法， 其特征在于， 所述 S3中， 卷积神经网络包括： 由5层卷积层和2层最大池化层构成的五部分以及3层全连接层； 其中， 第一部分为两层卷积层， 分别采用16通道的2x7和1x7的卷积核； 第二部分为池化窗口 大小为1x2的池化层； 第三部分为两层卷积层， 分别采用32通道的2x7和1x7的卷积核； 第四 部分为池化窗口大小为1x2的池化层； 第五部分为1层卷积层， 采用8通道的1x1的卷积核； 第 一层全连层的输入为第五层卷积的特征图的展开和三相电流信号数据分量的统计特征的 拼接。 6.根据权利要求5所述的基。

7、于卷积神经网络的配电网故障检测方法， 其特征在于， 所述 S4中， 对卷积神经网络进行训练， 包括如下步骤： S4-1， 从训练集中随机选取样本Xi进行训练， 训练样本数据分量瞬时频率和瞬时幅度将 会被输入第一部分的两层卷积层， 得到第一部分的特征图F2； 同时计算训练样本数据分量 瞬时频率和瞬时幅度的统计特征； 权利要求书 1/2 页 2 CN 110223195 A 2 S4-2， 对特征图F2进行池化操作， 经过第二部分的池化层， 得到第二部分的特征图F3； S4-3， 将特征图F3输入第三部分的两层卷积层， 得到第三部分的特征图F5； S4-4， 对特征图F5进行池化操作， 经过池化窗。

8、口大小为1x2的池化层， 得到第二部分的特 征图F6； S4-5， 将特征图F6输入第五部分的卷积层， 得到第三部分的特征图F7； S4-6， 对特征图F7进行展开， 并与S4-1中得到的统计特征连接在一起， 将连接后得到的 特征送入全连接层部分； S4-7， 采用反向传播和Adam梯度下降算法更新网络参数， 降低卷积神经网络的误差值； 通过梯度下降算法进行N次迭代训练之后， 停止训练并保存模型， 即得到故障检测网络模 型。 7.根据权利要求5或6所述的基于卷积神经网络的配电网故障检测方法， 其特征在于， 所述统计特征包括： 三相电流信号的最大值、 最小值、 标准差、 均值、 斜度和能量。 8。

9、.根据权利要求1所述的基于卷积神经网络的配电网故障检测方法， 其特征在于， 所述 故障信息包括故障类型、 故障相位以及故障位置。 9.根据权利要求8所述的基于卷积神经网络的配电网故障检测方法， 其特征在于， 所述 S5中， 通过故障检测网络模型对故障信息进行判断， 采用不同类型的loss函数对每一种故 障信息进行判断； 其中： 对故障类型的判断属于多分类问题， 采用多类别交叉熵损失函数； 对故障相位的判断属于多标签问题， 采用二分类交叉熵损失函数； 对故障位置的判断属于回归问题， 采用均方误差作为损失函数； 得到关于故障信息的准确率以及误差包括： 故障类型和故障相位的准确率以及故障位 置的误差。

10、。 权利要求书 2/2 页 3 CN 110223195 A 3 基于卷积神经网络的配电网故障检测方法 技术领域 0001 本发明属于深度学习技术领域， 具体地， 涉及一种基于卷积神经网络的配电 网故 障检测方法， 利用卷积神经网络和简化的希尔伯特-黄变换进行配电网故障 检测。 背景技术 0002 在当今社会， 电力作为主要能源， 在日常的工作生活中起着至关重要的作用， 随 着城市化建设的发展， 用电区域和用电设备也快速增加， 因此有必要建设起合 理可靠的配 电网。 2016年提起了对于电力建设的计划， 强调智能电网应该成为 未来电网发展的趋势， 并且对于城镇和乡村的智能电网的建设， 规划也会。

11、给予相 应的资金支持。 从中可以看出智 能电网的建设受到政府的关注程度以及政府改造 电网的决心。 同时， 历史上也有多起因为 电力瘫痪而发生的巨大灾害事件， 发生 在2008年的雪灾造成湖南省电力瘫痪， 瘫痪时间长 达两周， 严重威胁了人民的 生命和财产安全。 因此， 建立可靠有效的智能配电网将直接影 响着用户侧的用电 质量， 因此建设起可靠安全的配电网势在必行。 0003 通过对常见配电网故障的分析， 在所有的配电网故障的类型中， 单相接地故 障最 常发生， 大概有80的故障均为单相接地故障。 同时， 如果配电网故障未能 及时发现， 将会 使得故障长期存在于配电网当中， 并最终引发更为严重的。

12、故障。 因此对于配电网故障的检 测必须及时有效。 同时， 传统的电网保护装置虽然也能 够完成故障检测的任务， 但是往往 将故障检测、 故障类型判断以及故障位置这三 个任务割裂开来， 尤其是故障位置检测， 通 常采用的做法是地毯式搜查或者逐级 排查来查询故障位置， 这种做法往往消耗大量的人 力物力且效率低下， 使得不能 在第一时间将故障区域隔离， 因此建立起新的配电网涵盖故 障类型判断、 故障相 位判断和故障位置判断的故障检测方法势在必行。 0004 由于电网故障可以由各种因素引发， 常见的引发条件包括负载故障、 恶劣天 气或 者人为操作等， 这些复杂因素使得故障发生时的条件千变万化， 同时在实。

13、际 环境中， 通过 电器设备获取的电信号会受到噪声干扰， 使得获取电气量的设备获 得的信号存在误差， 所 以很难建立一个准确的数学模型来对电网故障进行描述和 检测。 随着人工智能技术的发 展， 电网故障的智能化检测得到了广泛应用， 其中 包括专家系统、 人工神经网络、 贝叶斯网 络、 Petri网和深度学习等方法。 但是 随着电网规模的扩大， 故障情形日渐复杂， 需要根据 专家知识和经验构建的规则 也越来越复杂， 导致整个系统非常臃肿， 耗时较长而无法满足 现实场景的需求。 0005 在利用深度学习对配电网故障进行检测的方法中， 循环神经网络在印度电网 和 典型的电网算例上， 取得了一定的效果。

14、。 与其它采用决策树或随机森林的方法 相比， 在准 确率上取得了极大的进步， 但是仍无法满足快速、 准确的故障判断要 求。 0006 目前没有发现同本发明类似技术的说明或报道， 也尚未收集到国内外类似的 资 料。 说明书 1/8 页 4 CN 110223195 A 4 发明内容 0007 针对现有技术中存在的上述不足， 本发明的目的是提出一种基于卷积神经网 络 的配电网故障检测方法， 该方法能够快速有效地对配电网常见的单相接地、 两 相接地、 两 相短路和三相短路故障进行检测， 给出故障类型、 故障相位和故障位 置的判断， 该方法与 传统算法相比识别精度和效率更高， 与其它基于循环神经网 络。

15、的故障检测方法相比， 训练 和推断速度大大加快， 同时准确率也有所提升。 0008 本发明是通过以下技术方案实现的。 0009 一种基于卷积神经网络的配电网故障检测方法， 包括： 0010 S1， 采集三相电流信号数据构成配电网故障数据集， 生成训练样本和测试样 本； 其中， 配电网故障数据集中的每一组数据均设置有故障信息标签； 0011 S2， 利用简化的希尔伯特-黄变换对配电网故障数据集进行数据预处理， 得 到训 练样本和测试样本的数据分量； 0012 S3， 设置卷积神经网络初始化参数。 0013 S4， 将训练样本数据分量的瞬时频率和瞬时幅度输入卷积神经网络， 对卷积 神经 网络进行训。

16、练， 得到故障检测网络模型； 0014 S5， 将测试样本数据分量的瞬时频率和瞬时幅度输入故障检测网络模型中， 得到 对测试样本的故障信息判断结果并与测试样本的故障信息标签比对， 得到关 于故障信息 的准确率以及误差。 0015 优选地， 所述S1中， 通过电力系统全数字实时仿真装置进行配电网故障数 据集的 采集和生成； 所述配电网故障数据集按照三比一的比例形成训练样本和测 试样本。 0016 优选地， 所述S2， 包括如下步骤： 0017 S2-1， 找出三相电流信号数据的电流信号中全部的极值点， 并采用三次样条 插值 法， 分别获得极大值点的包络线emax(t)和极小值点的包络线emin(。

17、t)； 利用 emax(t)和emin(t) 获得均值包络线m1(t) 0018 m1(t)(emax(t)+emin(t)/2 0019 利用s(t)和m1(t)做差， 得到第一层原始信号的分解量h1(t) 0020 h1(t)s(t)-m1(t) 0021 其中， s(t)为原始的电流数据； 0022 S2-2， 重复S2-1， 直至获取3层分量； 0023 S2-3， 对得到的3层分量进行希尔伯特变化， 获取分量瞬时频率和瞬时幅 度。 0024 优选地， 所述S3中， 设置卷积神经网络初始化参数， 采用均值为0、 方差 为0.05的 正态分布初始化。 0025 优选地， 所述S3中， 卷。

18、积神经网络包括： 由5层卷积层和2层最大池化层 构成的五 部分以及3层全连接层； 其中， 第一部分为两层卷积层， 分别采用16 通道的2x7和1x7的卷积 核； 第二部分为池化窗口大小为1x2的池化层； 第三部 分为两层卷积层， 分别采用32通道的 2x7和1x7的卷积核； 第四部分为池化窗 口大小为1x2的池化层； 第五部分为1层卷积层， 采 用8通道的1x1的卷积核； 第一层全连层的输入为第五层卷积的特征图的展开和三相电流 信号数据分量的 统计特征的拼接。 0026 优选地， 所述S4中， 对卷积神经网络进行训练， 包括如下步骤： 说明书 2/8 页 5 CN 110223195 A 5 。

19、0027 S4-1， 从训练集中随机选取样本Xi进行训练， 训练样本数据分量瞬时频率 和瞬时 幅度将会被输入第一部分的两层卷积层， 得到第一部分的特征图F2； 同时 计算训练样本数 据分量瞬时频率和瞬时幅度的统计特征； 0028 S4-2， 对特征图F2进行池化操作， 经过第二部分的池化层， 得到第二部分 的特征 图F3； 0029 S4-3， 将特征图F3输入第三部分的两层卷积层， 得到第三部分的特征图F5； 0030 S4-4， 对特征图F5进行池化操作， 经过池化窗口大小为1x2的池化层， 得 到第二部 分的特征图F6； 0031 S4-5， 将特征图F6输入第五部分的卷积层， 得到第三。

20、部分的特征图F7； 0032 S4-6， 对特征图F7进行展开， 并与S4-1中得到的统计特征连接在一起， 将 连接后 得到的特征送入全连接层部分； 0033 S4-7， 采用反向传播和Adam梯度下降算法更新网络参数， 降低卷积神经网 络的误 差值； 通过梯度下降算法进行N次迭代训练之后， 停止训练并保存模型， 即得到故障检测网 络模型。 0034 优选地， 所述统计特征包括： 三相电流信号的最大值、 最小值、 标准差、 均 值、 斜度 和能量。 0035 优选地， 故障信息包括故障类型、 故障相位以及故障位置。 0036 优选地， 所述S5中， 通过故障检测网络模型对故障信息进行判断， 采。

21、用不 同类型 的loss函数对每一种故障信息进行判断； 其中： 0037 对故障类型的判断属于多分类问题， 采用多类别交叉熵损失函数； 0038 对故障相位的判断属于多标签问题， 采用二分类交叉熵损失函数； 0039 对故障位置的判断属于回归问题， 采用均方误差作为损失函数； 0040 得到关于故障信息的准确率以及误差包括： 故障类型和故障相位的准确率以 及 故障位置的误差。 0041 与传统故障检测算法相比， 本发明具有如下有益效果： 0042 1、 本发明提供的基于卷积神经网络的配电网故障检测方法， 无需具有对配 电网 故障的专家知识， 无论是简化的希尔伯特-黄变换还是卷积神经网络结构， 。

22、都可对配电网 故障进行自适应的故障特征提取， 与传统算法相比， 更加简单、 灵 活。 0043 2、 本发明提供的基于卷积神经网络的配电网故障检测方法， 设计了适用于 配电 网故障检测的卷积神经网络， 与采用循环神经网络的方法相比， 速度更快。 0044 3、 本发明提供的基于卷积神经网络的配电网故障检测， 提出将简化的希尔 伯特- 黄变换的统计特征与卷积神经网络特征连接在一起， 送入全连接层部分进 行判断， 提高了 故障检测的性能。 附图说明 0045 通过阅读参照以下附图对非限制性实施例所作的详细描述， 本发明的其它 特征、 目的和优点将会变得更明显： 0046 图1为本发明故障判断流程图。

23、； 0047 图2为IEEE14节点的算例示意图； 说明书 3/8 页 6 CN 110223195 A 6 0048 图3为本发明卷积神经网络结构图。 具体实施方式 0049 下面对本发明的实施例作详细说明： 本实施例在以本发明技术方案为前提下 进 行实施， 给出了详细的实施方式和具体的操作过程。 应当指出的是， 对本领域 的普通技术 人员来说， 在不脱离本发明构思的前提下， 还可以做出若干变形和改 进， 这些都属于本发 明的保护范围。 0050 本发明实施例提供了一种基于卷积神经网络的配电网故障检测方法， 主要包 括 以下步骤： 0051 步骤S1， 采集三相电流信号数据构成配电网故障数据。

24、集， 通过电力系统全 数字实 时仿真装置(Advanced Digital Power System Simulator,ADPSS)进行数据集 的采集和 生成， 其中包含不同类别的故障和配电网正常工作时的数据， 按照三比 一的比例分成训练 样本和测试样本。 0052 步骤S2， 对配电网故障数据集进行简化的希尔伯特-黄变换， 得到训练样本 和测 试样本的数据分量； 原始希尔伯特-黄在经验模态分解阶段， 需要循环计算 直至得到的分 量为本征模函数， 但是采用非本征模函数已经能够取得准确的结果， 因此本发明实施例中 采用的希尔伯特-黄变换不再进行循环计算， 而是利用极大 值和极小值包络得到分量，。

25、 并 进行下一层分量的计算， 既减少了计算量， 同时也 避免了循环计算带来的计算次数不确 定。 0053 步骤S3， 设置卷积神经网络初始化参数， 采用均值为0， 方差为0.05的正 态分布初 始化。 0054 步骤S4， 训练卷积神经网络， 读取配电故障数据集中的训练样本， 将经过 简化的 希尔伯特-黄变换得到的数据分量的瞬时频率和瞬时幅度输入给卷积神经 网络， 通过训练 来降低实际网络输出与指定目标输出之间的误差值， 当达到一定 迭代次数后， 停止训练， 得到最终模型， 即故障检测网络模型； 0055 步骤S5， 网络测试， 读取配电故障数据集中的测试样本， 将测试样本通过 简化的 希尔伯。

26、特-黄变换处理后得到的数据分量的瞬时频率和瞬时幅度输入到故 障检测网络模 型中， 得到对测试样本的故障信息判断结果并与测试集标签比对， 得到关于故障信息的准 确率以及误差， 即故障类型和故障相位的准确率以及故障 位置的误差。 0056 所述步骤S2中的简化的希尔伯特-黄变换计算步骤如下： 0057 步骤S2-1， 找出三相电流数据的电流信号中全部的极值点， 并采用三次样 条插值 法， 分别获得极大值点的包络线emax(t)和极小值点的包络线emin(t)。 利 用emax(t)和emin(t) 获得均值包络线m1(t) 0058 m1(t)(emax(t)+emin(t)/2 0059 利用s。

27、(t)和m1(t)做差， 得到第一层原始信号的分解量h1(t) 0060 h1(t)s(t)-m1(t) 0061 步骤S2-2， 重复步骤S2-1， 直至获取3层分量。 0062 步骤S2-3， 对得到三层分量进行希尔伯特变化， 获取分量瞬时频率和瞬时 幅度。 0063 所述的步骤S3中， 卷积神经网络包括： 由5层卷积层和2层最大池化层构 成的五部 说明书 4/8 页 7 CN 110223195 A 7 分以及3层全连接层； 其中， 第一部分为两层卷积层， 分别采用16通 道的2x7和1x7的卷积 核； 第二部分为池化窗口大小为1x2的池化层； 第三部分 为两层卷积层， 分别采用32通道。

28、的 2x7和1x7的卷积核； 第四部分为池化窗口 大小为1x2的池化层； 第五部分为1层卷积层， 采 用8通道的1x1的卷积核。 全 连接层部分共三层， 前两层的维度分别为128和64， 两层全连接 层后的激活层 均为sigmoid层， 并且dropout设置为30。 对故障类型判断的网络最后一层 的 全连接维度为5， 其后的激活层为softmax； 对故障相位判断的全连接层维度为3， 其后 的激活层为sigmoid层； 对故障位置判断的全连接层维度为1， 其后的激活 层为sigmoid。 0064 表1 0065 0066 0067 卷积神经网络的具体结构如表2所示。 0068 表2卷积神经。

29、网络参数设置 0069 名称 主要参数 输入 输出 Conv1-1 卷积层， 2x7卷积核 预处理后数据 F1 Pool1-2 卷积层， 1x7卷积核 F1F2 Pool1 池化层， 1x2池化核 F2F3 Conv2-1 卷积层， 2x7卷积核 F3F4 Conv2-2 卷积层， 1x7卷积核 F4F5 Pool2 池化层， 1x2池化核 F5F6 Conv3 卷积层， 1x1卷积核 F6F7 Fc4 全连接层， 输出128 F7+统计特征数据 F8 Fc5 全连接层， 输出64 F8F9 Fc6 全连接层， 输出5、 3、 1 F9F10 0070 所述的步骤S4， 对卷积神经网络进行训练。

30、， 具体步骤如下： 0071 步骤S4-1， 从训练集中随机选取样本Xi进行训练， 训练样本数据分量瞬时 频率和 瞬时幅度将会被输入第一部分的两层卷积层， 得到第一部分的特征图F2， 同时计算训练样 本数据分量瞬时频率和瞬时幅度的统计特征； 0072 步骤S4-2， 对特征图F2进行池化操作， 经过第二部分的池化层， 得到第二 部分的 说明书 5/8 页 8 CN 110223195 A 8 特征图F3； 0073 步骤S4-3， 将特征图F3输入第三部分的两层卷积层， 得到第三部分的特征 图F5； 0074 步骤S4-4， 对特征图F5进行池化操作， 经过池化窗口大小为1x2的池化层， 得到。

31、第 二部分的特征图F6； 0075 步骤S4-5， 将特征图F6输入第五部分的卷积层， 得到第三部分的特征图F7； 0076 步骤S4-6， 对特征图F7进行展开， 并与步骤S4-1中得到的统计特征连接在 一起， 将连接后得到的特征送入全连接层部分； 0077 步骤S4-7， 采用反向传播和Adam梯度下降算法更新网络参数， 降低卷积神 经网络 的误差值； 通过梯度下降算法进行5000次迭代训练之后， 停止训练并保 存模型， 即得到故 障检测网络模型。 0078 进一步地， 对于对故障信息(包括故障类型、 相位和位置)不同的判断， 采 用不同 的loss函数， 对于故障类型和故障相位的判断， 。

32、属于分类问题， 采用交叉 熵损失函数进行 判断； 对于故障位置的判断， 属于回归问题， 采用均方误差进行 判断。 0079 在本发明实施例中： 0080 对三相电流数据进行简化的希尔伯特-黄变换， 所述的简化希尔伯特-黄变换 的 步骤如下： 0081 步骤S2中， 采集其三层分量的瞬时频率和瞬时幅度作为预处理数据的方法。 0082 步骤S3中， 按照指定的统计特征对信息处理后的数据进行故障特征提取， 包括最 大值、 最小值、 标准差、 均值、 斜度和能量这六个统计特征进行故障特征 提取。 0083 为了使本发明实现的措施、 创作特征、 达成目的与功效易于明白了解， 下面 结合 附图， 进一步阐。

33、述本发明。 0084 图1为本发明的流程图， 包括如下步骤： 0085 步骤1， 采集配电网故障数据集， 通过ADPSS进行数据集的采集和生成， 其中包含 不同类别的故障和配电网正常工作时的数据， 按照三比一的比例分成训 练样本和测试样 本； 0086 步骤2， 对数据进行简化的希尔伯特-黄变换， 原始希尔伯特-黄在经验模态 分解 阶段， 需要循环计算直至得到的分量为本征模函数， 此处不再进行循环计算， 在利用极大 值和极小值包络得到分量之后即进行下一层分量的计算。 0087 步骤3， 设置网络初始化参数， 采用均值为0， 方差为0.05的正态分布初始 化； 0088 步骤4， 训练卷积神经网。

34、络， 读取训练故障数据集， 将经过简化的希尔伯特 -黄变 换处理得到的分量的频率和幅度分量输入给神经网络， 通过训练来降低实 际网络输出与 指定目标输出之间的误差值， 当达到一定迭代次数后， 停止训练， 得到最终模型； 0089 步骤5， 网络测试， 读取测试故障数据集， 将测试数据通过简化的希尔伯特 -黄变 换处理后得到的分量的频率和幅度分量输入到训练完成后的模型中， 得到 对测试样本的 故障信息判断结果并与测试集标签比对， 得到关于故障类型和故障 相位的准确率以及故 障位置的误差。 0090 所述的步骤1中， 图2为本发明采用的电网的算例模型， 利用ADPSS软件 进行仿真 分析， 仿真的。

35、具体故障设置条件如表3所示。 电网频率采用中国电网标 准频率50Hz， 输出步 长设置为100微秒， 每个故障的仿真时间设置为0.5s， 并 从中截取包含故障发生时刻的1.6 说明书 6/8 页 9 CN 110223195 A 9 个周期的数据作为用于故障判断的电流序列。 之所以选择1.6个周期是为了保证配电网中 完整周期的数据能够被采集得到， 因 此每组电流序列包括3个相位的320个电流强度值， 构 成3x320的矩阵， 如下式 所示。 0091 0092 表3 0093 0094 所述步骤2中的简化的希尔伯特-黄变换计算步骤如下： 0095 步骤2-1， 找出电流信号中全部的极值点， 并。

36、采用三次样条插值法， 分别获 得极大 值点的包络线emax(t)和极小值点的包络线emin(t)。 利用emax(t)和emin(t) 获得均值包络线 m1(t) 0096 m1(t)(emax(t)+emin(t)/2 0097 利用s(t)和m1(t)做差， 得到第一个原始信号的分解量h1(t) 0098 h1(t)s(t)-m1(t) 0099 步骤2-2， 重复步骤2-1， 直至获取3层分量。 0100 步骤2-3， 对得到分量进行希尔伯特变化， 获取瞬时频率和瞬时幅度。 0101 所述步骤3中的卷积神经网络具体参数设置如下： 0102 步骤3-1， 所用的初始化模型是一个包含5层卷积。

37、层， 2层池化层， 3层全 连接层的 网络， 具体网络结构如图3所示。 在网络的训练过程中， 输入数据维度 为6x360 x3， 每一层的 特征图大小如表4所示。 0103 表4卷积神经网络的输入输出大小关系 0104 名称 主要参数 输入大小 输出大小 Conv1-1 卷积层， 2x7卷积核 6x360 x3 6x360 x16 Pool1-2 卷积层， 1x7卷积核 6x360 x16 6x360 x16 Pool1 池化层， 1x2池化核 6x360 x16 6x180 x16 Conv2-1 卷积层， 2x7卷积核 6x180 x16 6x180 x32 Conv2-2 卷积层， 1x。

38、7卷积核 6x180 x32 6x180 x32 Pool2 池化层， 1x2池化核 6x180 x32 6x90 x32 Conv3 卷积层， 1x1卷积核 6x90 x32 6x90 x16 说明书 7/8 页 10 CN 110223195 A 10 Fc4 全连接层， 输出128 6x90 x16+6x6x3 128 Fc5 全连接层， 输出64 128 64 Fc6 全连接层， 输出5、 3、 1 64 5、 3、 1 0105 步骤3-2， 全连接层部分共三层， 前两层全连接层后的激活层均为sigmoid 层， 并 且dropout设置为30。 对故障类型判断的网络最后一层的全连接。

39、维度为 5， 其后的激活层 为softmax； 对故障相位判断的全连接层维度为3， 其后的激活 层为sigmoid层； 对故障位置 判断的全连接层维度为1， 其后的激活层为sigmoid。 0106 所述步骤4中的深度学习平台， 训练机器主要是一台CPU型号为Intel(R) Xeon(R) E5-1620， GPU型号为NVIDIA GTX 1080Ti的服务器， 软件系统主要 是Ubuntu16.04以及开源 的深度学习训练框架Tensorflow和keras； 0107 所述步骤4中的卷积神经网络的训练步骤如下： 0108 步骤4-1， 将训练样本利用简化的希尔伯特-黄变换进行处理， 选。

40、择其前三层 分量 的频率和幅度值作为输入， 如果处理后不足三层， 则用0进行补充； 0109 将处理后的数据分别送入卷积神经网络的卷积层、 池化层中获取特征图， 同时对 数据提取统计特征； 0110 之后将卷积层得到的特征与统计特征连接， 送入全连接网络进行判断； 0111 在网络训练过程中， 初始的学习率设置为0.001， 整个训练集迭代3000次 后停止 训练。 0112 所述步骤5中的故障检测测试的步骤如下： 0113 步骤5-1， 通过测试集的测试， 得到整个检测框架的测试效果， 其中故障类 型和故 障相位利用准确率进行衡量， 故障位置利用与真实值的误差进行衡量。 0114 本发明上述。

41、实施例提供的基于卷积神经网络的配电网故障检测方法， 主要针 对 配电网故障检测问题， 在故障类型、 故障相位和故障位置三个问题上提供技术 支持， 本发 明上述实施例提供的基于卷积神经网络的配电网故障检测方法， 利用 卷积神经网络和简 化后的希尔伯特-黄变换， 能够对配电网故障类型、 相位和位 置进行准确的判断， 同时相较 于利用循环神经网络进行故障判断的方法， 速度得 到极大提升。 0115 以上对本发明的具体实施例进行了描述。 需要理解的是， 本发明并不局限于 上述 特定实施方式， 本领域技术人员可以在权利要求的范围内做出各种变形或修 改， 这并不影 响本发明的实质内容。 说明书 8/8 页 11 CN 110223195 A 11 图1 说明书附图 1/2 页 12 CN 110223195 A 12 图2 图3 说明书附图 2/2 页 13 CN 110223195 A 13 。