欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

一種基于卷積稀疏自動編碼器的輸電線故障分類方法與流程

文檔序號:11952140閱讀:443來源:國知局

本發(fā)明屬于涉及輸電線故障分類方法,特別涉及一種基于卷積稀疏自動編碼器的輸電線故障分類方法,屬于電工在線監(jiān)測技術(shù)領(lǐng)域。



背景技術(shù):

眾所周知,電力系統(tǒng)中發(fā)生的各類故障對電力系統(tǒng)的運(yùn)行可靠性與安全性構(gòu)成了極大的威脅,針對電力系統(tǒng)中各個組成部分的在線監(jiān)測技術(shù)能夠快速識別出故障類型與故障位置,對建設(shè)智能、穩(wěn)定的電力網(wǎng)絡(luò)具有重要意義。對于輸電線上的各類短路故障而言,如果能夠在故障發(fā)生后快速識別出故障的類型與故障發(fā)生的大致位置,則能及時對故障部分進(jìn)行切除,也能極大地縮短故障維修所需的時間,從而減少故障帶來的損失。隨著大量智能傳感設(shè)備在電力系統(tǒng)中的應(yīng)用以及通訊技術(shù)的發(fā)展,輸電線故障的在線監(jiān)測技術(shù)正進(jìn)一步朝著速度更快、結(jié)果更準(zhǔn)確的目標(biāo)發(fā)展。

國內(nèi)外對輸電線的故障分類技術(shù)進(jìn)行了大量的研究,其實現(xiàn)途徑主要可分為兩個階段:1)通過傅里葉變換、小波變換、模態(tài)變換等手段從故障相關(guān)的電壓與電流波形中提取出若干特征;2)利用人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊推理系統(tǒng)、決策樹與隨機(jī)森林等模式識別方法,利用之前提取的特征進(jìn)行故障的分類。盡管相關(guān)的研究中已提出了大量的特征提取以及基于提取的特征進(jìn)行分類的方法,但這些特征都需要人工進(jìn)行特征設(shè)計,而這一過程需要反復(fù)檢驗,通常會耗費(fèi)較長的時間;此外,人工設(shè)計的特征的推廣性較差,當(dāng)輸電線系統(tǒng)中接入諸如串聯(lián)補(bǔ)償、并聯(lián)補(bǔ)償?shù)仍O(shè)備時,由于系統(tǒng)特性變化,故需要重新進(jìn)行特征的設(shè)計與選擇。

與本

技術(shù)實現(xiàn)要素:
相關(guān)的已有技術(shù)簡介如下:

稀疏自動編碼器是一種能夠從數(shù)據(jù)中自動提取特征的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),含有一個輸入層、一個隱含層和一個輸出層,每層均由一定數(shù)量的節(jié)點(diǎn)組成,相鄰兩層之間的節(jié)點(diǎn)之間互相連接。給定一輸入向量x,定義輸出向量:

h(x)=W2f(W1x+b1)+b2

其中f為sigmoid函數(shù),其定義為f(z)=1/(1+exp(-z)),W1為輸入層各節(jié)點(diǎn)與隱含層各節(jié)點(diǎn)之間的連接權(quán)值矩陣,b1為隱含層各節(jié)點(diǎn)的偏置值,W2為隱含層各節(jié)點(diǎn)與輸出層各節(jié)點(diǎn)之間的連接權(quán)值矩陣,b2為輸出層各節(jié)點(diǎn)的偏置值,稀疏自動編碼器的輸入為用于提取特征的原始數(shù)據(jù),利用大量原始數(shù)據(jù)構(gòu)成的訓(xùn)練樣本集對稀疏自動編碼器進(jìn)行迭代訓(xùn)練實現(xiàn)輸入數(shù)據(jù)特征的提取。以稀疏自動編碼器提取出的特征為基礎(chǔ),可提高分類問題的分類準(zhǔn)確率。稀疏自動編碼器的稀疏性體現(xiàn)在:對于每一個隱含層節(jié)點(diǎn),其關(guān)于所有輸入數(shù)據(jù)的激活程度f(W1x+b1)的平均值被要求接近一較小的值ρ。進(jìn)行稀疏自動編碼器訓(xùn)練時,對于含有m個樣本的訓(xùn)練樣本集,定義代價函數(shù):

<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>W</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <mi>m</mi> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mo>|</mo> <mo>|</mo> <mi>h</mi> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>+</mo> <mfrac> <mi>&lambda;</mi> <mn>2</mn> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>2</mn> </munderover> <mo>|</mo> <mo>|</mo> <msub> <mi>W</mi> <mi>i</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>+</mo> <mi>&beta;</mi> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mi>K</mi> <mi>L</mi> <mrow> <mo>(</mo> <mi>&rho;</mi> <mo>|</mo> <mo>|</mo> <msub> <mover> <mi>&rho;</mi> <mo>~</mo> </mover> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow>

其中x(i)為第i個訓(xùn)練樣本,W由權(quán)值矩陣W1、W2合并得到,b由偏置向量b1、b2合并得到,m為訓(xùn)練樣本集中的輸入波形向量的數(shù)量,描述與ρ之間的相似程度,其計算方法為λ與β分別為權(quán)值衰減項與稀疏性懲罰項的系數(shù)。使用有限記憶擬牛頓法對整體代價函數(shù)進(jìn)行優(yōu)化,即可獲得稀疏自動編碼器的最優(yōu)權(quán)值矩陣與最優(yōu)偏置向量。

多元邏輯回歸分類器是用于多分類問題的邏輯回歸分類器,其通過使用非線性函數(shù)將對應(yīng)每個分類類別的輸出值限定在[0,1]范圍內(nèi),并通過比較輸出值的大小給出分類結(jié)果。在構(gòu)建多元邏輯回歸模型的代價函數(shù)后,可通過迭代的方法求得模型中的所有參數(shù),實現(xiàn)可用于多分類問題的多元邏輯回歸分類器。

發(fā)明內(nèi)容

本發(fā)明目的在于提供一種基于卷積稀疏自動編碼器的輸電線故障分類方法,該方法能夠自動實現(xiàn)電壓與電流波形特征的提取,以解決現(xiàn)有技術(shù)中導(dǎo)致的上述缺陷。

為解決上述技術(shù)問題,本發(fā)明采用的技術(shù)方案是:一種基于卷積稀疏自動編碼器的輸電線故障分類方法,其方法包括以下步驟:

1)輸電線各類故障電壓與電流波形數(shù)據(jù)的獲取與預(yù)處理:

1.1)通過輸電線路安裝的電壓傳感器和電流傳感器獲取輸電線各類故障電壓與電流波形數(shù)據(jù),波形起止時間分別為故障發(fā)生前10ms與故障發(fā)生后20ms,波形的采樣頻率為20kHz,且一個周期對應(yīng)400個采樣點(diǎn);從每個故障電壓與電流波形數(shù)據(jù)中切出長度為200個采樣點(diǎn)的波形段共十一段,起止點(diǎn)分別為[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]與[j+200,j+399],其中j用于指示故障發(fā)生瞬間所對應(yīng)的采樣點(diǎn);每一段切出的波形為6×200的波形段,包含三相電壓波形與三相電流波形;將波形數(shù)據(jù)切出的波形段按照7:3的比例隨機(jī)分為訓(xùn)練樣本集與測試樣本集;對于訓(xùn)練樣本集與測試樣本集中的每個樣本,均有一個標(biāo)簽值(取值為1至11的整數(shù),代表十一個類別)與之對應(yīng);對于起止點(diǎn)分別為[j-120,j+79]的波形段,其標(biāo)簽均設(shè)定為“非故障狀態(tài)”,其余波形段均按照實際故障類型設(shè)置標(biāo)簽;

1.2)從訓(xùn)練樣本集中隨機(jī)取出大量尺寸為6×30的波形塊,并對這些波形塊進(jìn)行白化處理,使得波形塊數(shù)據(jù)的每個維度之間不相關(guān)且具有相同方差;

2)利用白化后的波形塊矩陣P訓(xùn)練稀疏自動編碼器,獲得卷積特征,利用卷積特征對訓(xùn)練樣本集進(jìn)行卷積與池化:

2.1)確定稀疏自動編碼器的結(jié)構(gòu)與參數(shù):輸入層180個節(jié)點(diǎn),隱含層100個節(jié)點(diǎn),輸出層180個節(jié)點(diǎn);λ、β與ρ分別設(shè)定為0.003、5和0.1;

2.2)利用白化后的波形塊矩陣P作為訓(xùn)練樣本集訓(xùn)練稀疏自動編碼器,獲得最優(yōu)權(quán)值矩陣W1;對于第k個隱含層節(jié)點(diǎn),其與輸入層各節(jié)點(diǎn)相連的權(quán)值對應(yīng)W1的第k行wk,將其作為第k個卷積特征;

2.3)對訓(xùn)練樣本集中的每個波形段,使用100個卷積特征與其進(jìn)行卷積操作,得到卷積向量;

2.4)對卷積向量進(jìn)行池化,即將訓(xùn)練樣本集中第i個波形段與第k個卷積特征進(jìn)行卷積運(yùn)算得到的1×171的卷積向量ci,k進(jìn)行池化操作,取其每5個相鄰元素的平均值,組成1×34的池化卷積向量pi,k;

3)利用卷積與池化后的訓(xùn)練樣本集進(jìn)行多元邏輯回歸分類器的訓(xùn)練:

3.1)對池化卷積向量進(jìn)行連接,即將訓(xùn)練樣本集中第i個波形段所對應(yīng)的100個池化卷積向量相連,組成1×3400的分類輸入向量si,將所有訓(xùn)練樣本集中波形段所對應(yīng)分類輸入向量合并為分類輸入矩陣Strain;

3.2)利用訓(xùn)練樣本集計算得到的分類輸入矩陣Strain訓(xùn)練多元邏輯回歸分類器,使其在輸入一個1×3400的向量時能夠給出1×11的輸出向量r,r的第i個元素對應(yīng)該輸入向量被分類到第i類的概率,概率最大的一類為最終分類結(jié)果;

4)利用卷積特征對測試樣本集進(jìn)行卷積與池化,并利用卷積與池化后的測試樣本集對步驟3.2)中訓(xùn)練得到的多元邏輯回歸分類器進(jìn)行測試:

4.1)對測試樣本集,進(jìn)行與步驟2.3)、步驟2.4)、步驟3.1)與步驟3.2)中的相應(yīng)操作,得到測試樣本集中波形段所對應(yīng)的分類輸入矩陣Stest

4.2)將測試樣本集計算得到的分類輸入矩陣Stest中的每一行依次輸入步驟3.2中訓(xùn)練得到的多元邏輯回歸分類器,記錄對應(yīng)每一行的分類結(jié)果;將分類結(jié)果與測試樣本集中每一波形段所對應(yīng)的標(biāo)簽進(jìn)行對比,得到分類準(zhǔn)確率結(jié)果。

進(jìn)一步的,在所述的步驟1.2)中,其白化處理步驟具體如下:

1.21)將每個6×30的波形塊展成180×1的向量并組成波形塊矩陣P;

1.22)用P*=WP替換P,其中W=UD-1/2U,U的每一列為P的協(xié)方差矩陣的一個特征向量(按特征值大小排列),且每個特征向量對應(yīng)的特征值處于對角矩陣D的對角線上。

進(jìn)一步的,在所述的步驟2.3)中,其卷積操作步驟具體如下:

2.31)每個波形塊在卷積之前進(jìn)行步驟1.2中所述的同一個W實現(xiàn)的白化處理;

2.32)第i個波形段的第j個波形塊與第k個卷積特征進(jìn)行卷積運(yùn)算得到卷積向量ci,k的第j個元素,卷積運(yùn)算計算波形塊與卷積特征的內(nèi)積,即相同位置元素乘積之和。

有益效果:與原有技術(shù)相比,發(fā)明利用卷積稀疏自動編碼器算法從大量故障波形中自動提取出特征,加速輸電線故障的識別與分類速度,提升分類準(zhǔn)確率,能夠幫助提升電力系統(tǒng)的穩(wěn)定性與可靠性。

具體實施方式

為使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解,下面通過實施例詳細(xì)說明本發(fā)明提出的基于卷積稀疏自動編碼器的輸電線故障分類方法。需進(jìn)行分類的輸電線故障具體分為A相接地、B相接地、C相接地、AB相短路、AC相短路、BC相短路、AB相短路接地、AC相短路接地、BC相短路接地與ABC相短路接地十種,構(gòu)建分類器的目標(biāo)為區(qū)分十種故障狀態(tài)與非故障狀態(tài),共十一個類別。為表述方便,將“非故障狀態(tài)”也視為一種故障類別。

本實施例分類方法具體包括以下步驟:

步驟1,輸電線各類故障電壓與電流波形數(shù)據(jù)的獲取與預(yù)處理:

步驟1.1,通過仿真軟件獲取輸電線各類故障電壓與電流波形數(shù)據(jù)共24948例,波形起止時間分別為故障發(fā)生前10ms與故障發(fā)生后20ms,波形的采樣頻率為20kHz,且一個周期對應(yīng)400個采樣點(diǎn)。從每個故障電壓與電流波形數(shù)據(jù)中切出長度為200個采樣點(diǎn)的波形段共十一段,起止點(diǎn)分別為[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]與[j+200,j+399],其中j用于指示故障發(fā)生瞬間所對應(yīng)的采樣點(diǎn)。每一段切出的波形為6×200的波形段,包含三相電壓波形與三相電流波形。將24948例波形數(shù)據(jù)切出的274428個波形段按照7:3的比例隨機(jī)分為訓(xùn)練樣本集與測試樣本集,其中訓(xùn)練樣本集含有194199個波形段,測試樣本集含有83229個波形段。對于訓(xùn)練樣本集與測試樣本集中的每個樣本,均有一個標(biāo)簽值(取值為1至11的整數(shù),代表十一個類別)與之對應(yīng)。對于起止點(diǎn)分別為[j-120,j+79]的波形段,其標(biāo)簽均設(shè)定為“非故障狀態(tài)”,其余波形段均按照實際故障類型設(shè)置標(biāo)簽。

步驟1.2,從訓(xùn)練樣本集中隨機(jī)取出250000個尺寸為6×30的波形塊,并對這些波形塊進(jìn)行白化處理,使得波形塊數(shù)據(jù)的每個維度之間不相關(guān)且具有相同方差。將每個6×30的波形塊展成180×1的向量并組成180×250000的波形塊矩陣P,并用P*=WP替換P,其中W=UD-1/2U,U的每一列為P的協(xié)方差矩陣的一個特征向量(按特征值大小排列),且每個特征向量對應(yīng)的特征值處于對角矩陣D的對角線上。

步驟2,利用白化后的波形塊矩陣P訓(xùn)練稀疏自動編碼器,獲得卷積特征,利用卷積特征對訓(xùn)練樣本集進(jìn)行卷積與池化:

步驟2.1,確定稀疏自動編碼器的結(jié)構(gòu)與參數(shù):輸入層180個節(jié)點(diǎn),隱含層100個節(jié)點(diǎn),輸出層180個節(jié)點(diǎn);λ、β與ρ分別設(shè)定為0.003、5和0.1。

步驟2.2,利用白化后的波形塊矩陣P作為訓(xùn)練樣本集訓(xùn)練稀疏自動編碼器,獲得最優(yōu)權(quán)值矩陣W1。對于第k個隱含層節(jié)點(diǎn),其與輸入層各節(jié)點(diǎn)相連的權(quán)值對應(yīng)W1的第k行wk,將其作為第k個卷積特征,100個隱含層節(jié)點(diǎn)共生成100個卷積特征,每個卷積特征可看作一個6×30的波形塊。

步驟2.3,對訓(xùn)練樣本集中的每個波形段,使用100個卷積特征與其進(jìn)行卷積操作,得到100個卷積向量:一個6×200的波形段中包含171個6×30波形塊,每個波形塊在卷積之前進(jìn)行步驟1.2中所述的同一個W實現(xiàn)的白化處理,第i個波形段的第j個波形塊與第k個卷積特征進(jìn)行卷積運(yùn)算得到卷積向量ci,k的第j個元素,卷積運(yùn)算計算波形塊與卷積特征的內(nèi)積,即相同位置元素乘積之和。卷積操作后,每個波形段有100個1×171的卷積向量與之對應(yīng)。

步驟2.4,對卷積向量進(jìn)行池化,即將訓(xùn)練樣本集中第i個波形段與第k個卷積特征進(jìn)行卷積運(yùn)算得到的1×171的卷積向量ci,k進(jìn)行池化操作,取其每5個相鄰元素的平均值,組成1×34的池化卷積向量pi,k(第171個元素舍去)。池化操作后,每個波形段有100個1×34的池化卷積向量與之對應(yīng)。

步驟3,利用卷積與池化后的訓(xùn)練樣本集進(jìn)行多元邏輯回歸分類器的訓(xùn)練:

步驟3.1,對池化卷積向量進(jìn)行連接,即將訓(xùn)練樣本集中第i個波形段所對應(yīng)的100個池化卷積向量相連,組成1×3400的分類輸入向量si。將所有訓(xùn)練樣本集中波形段所對應(yīng)分類輸入向量合并為分類輸入矩陣Strain

步驟3.2,利用訓(xùn)練樣本集計算得到的分類輸入矩陣Strain訓(xùn)練多元邏輯回歸分類器,使其在輸入一個1×3400的向量時能夠給出1×11的輸出向量r,r的第i個元素對應(yīng)該輸入向量被分類到第i類的概率,概率最大的一類為最終分類結(jié)果。

步驟4,利用卷積特征對測試樣本集進(jìn)行卷積與池化,并利用卷積與池化后的測試樣本集對步驟3.2中訓(xùn)練得到的多元邏輯回歸分類器進(jìn)行測試:

步驟4.1,對測試樣本集,進(jìn)行與步驟2.3、步驟2.4、步驟3.1與步驟3.2中的相應(yīng)操作,得到測試樣本集中波形段所對應(yīng)的分類輸入矩陣Stest。

步驟4.2,將測試樣本集計算得到的分類輸入矩陣Stest中的每一行依次輸入步驟3.2中訓(xùn)練得到的多元邏輯回歸分類器,記錄對應(yīng)每一行的分類結(jié)果。將分類結(jié)果與測試樣本集中每一波形段所對應(yīng)的標(biāo)簽進(jìn)行對比,得到分類準(zhǔn)確率結(jié)果。

測試結(jié)果表明,本方法對于十一個故障類別能夠?qū)崿F(xiàn)99.5%以上的分類準(zhǔn)確率。

對于本領(lǐng)域技術(shù)人員而言,顯然本發(fā)明不限于上述示范性實施例的細(xì)節(jié),而且在不背離本發(fā)明的精神或基本特征的情況下,能夠以其他的具體形式實現(xiàn)本發(fā)明。因此,無論從哪一點(diǎn)來看,均應(yīng)將實施例看作是示范性的,而且是非限制性的,本發(fā)明的范圍由所附權(quán)利要求而不是上述說明限定,因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。

當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
1
长寿区| 尼玛县| 大兴区| 嫩江县| 嘉义县| 边坝县| 顺昌县| 新民市| 泰兴市| 法库县| 安徽省| 尤溪县| 咸丰县| 西贡区| 天峻县| 内江市| 巩义市| 栾川县| 新巴尔虎右旗| 全州县| 张家界市| 丁青县| 方山县| 宣恩县| 大理市| 榆社县| 临桂县| 西吉县| 龙川县| 永定县| 昌吉市| 济南市| 清水河县| 宁明县| 阿城市| 金阳县| 府谷县| 扎兰屯市| 辽宁省| 彩票| 前郭尔|