一种基于卷积神经网的配网录波文件波形识别方法与流程

1.本发明涉及自动识别技术领域，特别是指一种基于卷积神经网的配网录波文件波形识别方法。


背景技术：

2.电网企业作为服务国计民生的重要角色，电网特别是配网的运行安全直接关系到广大电力用户的切身利益。当前，配网建设的脚步不断加快，设备数量与日俱增。且随着配电自动化系统上线运行，给传统的配网运行带来变革。配电自动化实用化后，在系统中汇集了海量数据，如何从海量的数据中筛选出异常数据是一项具有挑战性的任务。
3.深度学习是机器学习领域中的重点和热点，它主要是模拟人脑的神经系统来进行分析学习数据，模拟人的大脑机能来解释数据之间的关系和特征。深度学习的实质，是需要大量的训练数据，用其构建深层次的机器学习模型，从中自动学习出数据之间的信息特征，利用这些特征去做回归或者分类问题。
[0004]“深度学习”这一概念从提出到被应用，已经在许多领域取得了丰硕的成绩，例如计算机视觉、语音识别，无人驾驶和自然语言处理等。我们日常生活的所有领域几乎都在使用深度学习技术，人工智能正在悄无声息地改变我们的生活。深度学习技术渗透到了每一个领域，使得深度学习有了更多的应用场景。


技术实现要素：

[0005]
针对现有技术无法精确从海量配网录波文件中识别出故障类波形文件的技术问题，本发明提出了一种基于卷积神经网的配网录波文件波形识别方法，将传统机器学习应用到配网录波文件识别中，采用一维卷积神经网络算法，自动从海量配网录波文件中，识别出故障类波形文件，以便对故障点进行评价与定位。
[0006]
本发明的技术方案是这样实现的：
[0007]
一种基于卷积神经网的配网录波文件波形识别方法，其步骤如下：
[0008]
步骤一：获取配网中的故障录波波形文件，并对故障录波波形文件进行预处理，得到数据集，其中，数据集包括训练集和测试集；
[0009]
步骤二：构建一维卷积神经网络；
[0010]
步骤三：对训练集中的录波故障波形进行分类标注后输入步骤二中的一维卷积神经网络中进行训练，得到训练好的卷积神经网络模型；
[0011]
步骤四：将测试集输入步骤三中的卷积神经网络模型中，输出故障分类结果。
[0012]
优选地，所述对故障录波波形文件进行预处理的方法为：
[0013]
利用python中的pycomtrade库对采集到的comtrade格式的故障录波波形进行格式转换，得到波形数据；
[0014]
对得到的波形数据进行标准化处理：
[0015][0016]
其中，为标准化后的第i个数据，xi为第i个数据，x
max
为第i个数据所在列特征数据的最大值，x
min
为第i个数据所在列特征数据的最小值。
[0017]
优选地，所述一维卷积神经网络的网络结构为输入层-卷积层i-池化层i-卷积层ii-池化层ii-卷积层iii-池化层iii-卷积层iv-池化层iv-全连接层i-全连接层ii-输出层。
[0018]
优选地，所述卷积层i、卷积层ii、卷积层iii和卷积层iv中的卷积层的输出计算公式均表示为：
[0019][0020]
其中，代表第l层中的第j个特征图的输出，代表第l-1层中的第j个特征图的输出，代表第l层中第j个特征图的第i'个卷积核，*表示卷积操作，f(
·
)表示激活函数，表示偏置。
[0021]
优选地，所述输出层为softmax分类判决函数；
[0022]
softmax分类判决函数的原理为：对于输入数据{(x1,y1),(x2,y2),
…
,(xm,ym)}有k个类别，yz∈{1,2,
…
,k}，softmax分类判决函数用于估算输入数据归属于每一类的概率：
[0023][0024]
其中，h
θ
(xz)表示输入数据xz的分类结果，θ1,θ2,...,θk∈θ是模型的参数，softmax分类判决函数将输入数据xz归属于类别j'的概率为：
[0025][0026]
优选地，所述一维卷积神经网络的训练方法为：
[0027]
s3.1、初始化一维卷积神经网络的权重参数；
[0028]
s3.2、将分类标注后的训练集输入一维卷积神经网络，求得各层的输出值以及预测结果；
[0029]
s3.3、计算预测结果与实际分类结果之间的误差；
[0030]
s3.4、判断误差是否在允许范围内，若是，结束训练并固定权重参数，得到卷积神经网络模型；否则，定义误差损失，求得误差损失梯度并更新权重参数，返回步骤s3.2。
[0031]
与现有技术相比，本发明产生的有益效果为：本发明通过收集告警信息大数据，使用数据预处理软件对其进行筛选、归集和分析，拉取配网录波文件，采用cnn卷积神经网络
算法分析配网录波文件的波形特征，建立起配网设备缺陷故障感知模型，实现配网设备类故障主动预警。
附图说明
[0032]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]
图1为本发明的流程图。
[0034]
图2为故障录波的波形图；其中，(a)为瞬时尖波，(b)为周期半波，(c)为流波。
[0035]
图3为本发明的故障录波数据集。
[0036]
图4为本发明的一维卷积操作过程示意图。
[0037]
图5为本发明的一维卷积神经网络的结构图。
[0038]
图6为本发明具体实例中训练loss值与acc值随迭代次数变化情况；其中，(a)为误差损失函数变化曲线，(b)为准确率变化曲线。
[0039]
图7为本发明具体实例中的测试结果。
具体实施方式
[0040]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041]
如图1所示，本发明实施例提供了一种基于卷积神经网的配网录波文件波形识别方法，该方法能自动识别出配网录波故障波形，如瞬时尖波、周期半波、异常突变波形等；具体步骤如下：
[0042]
步骤一：获取配网中的故障录波波形文件，并对故障录波波形文件进行预处理，得到数据集，其中，数据集包括训练集和测试集。
[0043]
故障录波数据来自于在4个站点实时检测采集所得，共收集到202组数据波形。经过初步研究，主要分为以下三种类型的故障：瞬时尖波、周期半波和流波；这三种波形的波形图如图2所示。本实施例主要针对瞬时尖波和周期半波这两种波形进行故障波形识别，因此，采集数据时只保留瞬时尖波周期半波这两种故障波形数据。
[0044]
所述对故障录波波形文件进行预处理的方法为：
[0045]
采集到的波形数据为comtrade格式存储，comtrade代表电力系统瞬态数据交换的通用格式。它是ieee标准化的文件格式，用于存储来自数字故障记录器、示波器或数字保护继电器的瞬态信号。comtrade数据可用caap2008电力故障录波分析软件进行显示与调整。pycomtrade是一个python模块库，可以转换并显示comtrade波形文件，支持转换指定目录下的多个波形文件。
[0046]
利用python中的pycomtrade库对采集到的comtrade格式的故障录波波形进行格式转换，得到波形数据；解析完后，可以得到波形的整个数据文件，如表1所示。
[0047]
表1波形数据表
[0048][0049]
构建数据集需要将滤波数据转为神经网络能处理的数据格式，并打上标签值。首先筛选出零序电流iz，标记标签值以0代表周期半波，1代表尖波。通过循环批量操作，以数组对的形式存储，形成数据集，如图3所示。
[0050]
在机器学习领域中，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。其中，最典型的就是数据的归一化处理。
[0051]
对数据进行归一化，由于输入参数的种类不相同，数值差异较大，应对这类问题的主要解决策略为将输入参数数据进行归一化处理，最常采用对数据进行归一化方法是min-max标准化，也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0,1]之间，如下式所示：
[0052][0053]
其中，为标准化后的第i个数据，xi为第i个数据，x
max
为第i个数据所在列特征数据的最大值，x
min
为第i个数据所在列特征数据的最小值。
[0054]
步骤二：构建一维卷积神经网络；cnn通过层级结构，可以自动提取输入数据之间的特征关系，利用特征映射和逐层传递最终得到目标分类识别的结果。cnn根据处理数据的维度不同，分为一维cnn、二维cnn和三维cnn。一维cnn常用于处理序列类数据，适用于输入样本是一维的情况，多用于分类识别。二维cnn常用于处理平面图像类数据的分类识别，三维cnn常用于处理视频类和医学图像的分类识别。当目标信息在数据片段中的位置不具有高度相关性，且目标信息较短时，一维cnn非常有效，可以避免类似图像或视频数据的转换处理，同时也能够减少在这个过程中会损失的部分特征信息，因此本发明设计了用于故障录波分类识别的一维cnn模型。
[0055]
卷积层是卷积神经网络最为核心的操作之一，与传统的全连接网络相比，卷积层采用的是一种非全连接式的权值共享的计算方式。当输入数据进入卷积层之后，卷积层中的多个卷积核自左向右、自上而下地在输入矩阵上移动，每移动一个步长，卷积核都与被其覆盖的小矩阵进行卷积计算，对于每组输入，每个卷积核的权值均保持不变，并且权值的数量远远小于输入数据数量，这种权值共享、局部连接的方式大大减少神经网络中的参数，降
低计算复杂度，适合处理大数据量的数据。
[0056]
在此，假设卷积层的输入为x∈ra×b，a代表样本个数，b代表数据维度，卷积层的输出计算公式如下所示：
[0057][0058]
其中，代表第l层中的第j个特征图的输出，代表第l-1层中的第j个特征图的输出，代表第l层中第j个特征图的第i'个卷积核，*表示卷积操作，f(
·
)表示激活函数，表示偏置。图4展示了一维卷积运算的操作过程。
[0059]
本发明构建的一维卷积神经网络一维cnn共12层、包含输入层、4个卷积层和池化层组，2个全连接层和输出层，网络结构图如图5所示。其网络结构具体为输入层-卷积层i-池化层i-卷积层ii-池化层ii-卷积层iii-池化层iii-卷积层iv-池化层iv-全连接层i-全连接层ii-输出层。
[0060]
输入层输入的数据为处理过的波形数据。卷积层通过卷积核的滑动提取出录波数据的局部特征，为了提高模型的非线性表达能力，在设计的网络结构中，将对卷积层输出的局部特征通过激活函数进行处理。同时利用池化层对通过激活函数处理后的特征进行降维。该网络结构共有4组上述卷积层、激活函数处理和池化层的步骤，最后一组将学习到的所有特征汇聚到全连接层，本算法中故障录波数据集中的目标类别为两类(尖波、周期半波)，将通过softmax分类判决函数处理得到每类目标的分类概率向量，其中概率向量最大的类别即作为最终输出的类别结果。
[0061]
softmax分类判决函数的原理为：对于输入数据{(x1,y1),(x2,y2),
…
,(xm,ym)}有k个类别，yz∈{1,2,
…
,k}，softmax分类判决函数用于估算输入数据归属于每一类的概率：
[0062][0063]
其中，h
θ
(xz)表示输入数据xz的分类结果，θ1,θ2,...,θk∈θ是模型的参数，softmax分类判决函数将输入数据xz归属于类别j'的概率为：
[0064][0065]
softmax中使用了指数，这样可以让大的值更大，让小的更小，增加了区分对比度，学习效率更高。并且softmax是连续可导的，消除了拐点，这个特性在机器学习的梯度下降法等地方非常必要。
[0066]
本发明中的一维卷积神经网络的各层结构如表2所示。
[0067]
表2网络结构表
[0068][0069][0070]
(1)输入数据：一个周波2秒，一个采集间隔0.25秒，相当于一个周波对应80个采集数据，采样点共1120个点。数据经过预处理后，每条iz波形数据中包含有1120个数据点，在神经网络中，数据平展成长度为1120的向量后传入神经网络中，网络的第一层为1120*11的形状。
[0071]
(2)第一个1d cnn层：第一层定义了卷积核大小为10的滤波器，为了学习到更多的数据特征，定义了100个滤波器，进行多维提取，能在网络的第一层中训练得到100个不同的特性。第一个神经网络层的输出是一个71*100的矩阵。输出矩阵的每一列都包含一个滤波器的权值。在定义内核大小并考虑输入矩阵长度的情况下，每个过滤器将包含71个权重值。
[0072]
(3)第二个1d cnn层：第一个cnn的输出结果将被输入到第二个cnn层中。在这个网络层上再次定义100个不同的滤波器进行训练。按照与第一层相同的逻辑，输出矩阵的大小为62*100。
[0073]
(4)最大值池化层：为了减少输出的复杂度和防止数据的过拟合，在cnn层之后使用池化层。
[0074]
(5)第三和第四个1d cnn层：为了学习更高层次的特征，这里又使用了另外两个1d cnn层。这两层之后的输出矩阵是一个2*160的矩阵。
[0075]
(6)平均值池化层：多添加一个池化层，以进一步避免过拟合的发生。这次的池化不是取最大值，而是取神经网络中两个权重的平均值。输出矩阵的大小为1*160。每个特征检测器在神经网络的这一层中只剩下一个权重。
[0076]
(7)dropout层：dropout层会随机地为网络中的神经元赋值零权重。选择0.5的比率，则50％的神经元将会是零权重的，这可以大大降低网络对数据的微小变化的敏感度，能进一步提高对不可见数据处理的准确性。这个层的输出仍然是一个1*160的矩阵。
[0077]
(8)使用softmax激活的全连接层：最后一层将会把长度为160的向量降为长度为2的向量，因为有2个类别要进行预测(即“尖波”、“周期半波”)。softmax被用作激活函数。它
强制神经网络的2个输出值的加和为一，输出值将表示这2个类别中的每个类别出现的概率，概率大的则是预测的分类结果。
[0078]
步骤三：对训练集中的录波故障波形进行分类标注后输入步骤二中的一维卷积神经网络中进行训练，得到训练好的卷积神经网络模型；所述一维卷积神经网络的训练方法为：
[0079]
s3.1、初始化一维卷积神经网络的权重参数；
[0080]
s3.2、将分类标注后的训练集输入一维卷积神经网络，求得各层的输出值以及预测结果；
[0081]
s3.3、计算预测结果与实际分类结果之间的误差；
[0082]
s3.4、判断误差是否在允许范围内，若是，结束训练并固定权重参数，得到卷积神经网络模型；否则，利用误差损失函数求得误差损失梯度，并更新权重参数，返回步骤s3.2。本实施例最终计算出的四个卷积层的权重w分别为0.548、0.225、0.186、0.041。
[0083]
本实施例采用l1损失函数进行误差的计算：
[0084][0085]
其中，l为误差值，n为数据集中样本的个数，x(p)为第p个数据的输出值，y(p)为第p个数据的目标值，p为数据集。
[0086]
影响cnn识别性能的因素有很多种，包括激活函数、各项参数和网络的层级结构等。通过对数据集的详细分析以及经由训练不断调整cnn的各项参数进行多次试探和验证，才能得到用于目标分类识别性能最优的网络结构及其工作参数。基于上述原因，本发明设计的一维cnn模型使用实测数据，通过选取不同激活函数、不同优化器算法、不同网络层数和不同卷积核大小这四个方面进行了大量的仿真工作，对比分析和验证，来研究其对一维cnn分类识别性能的影响。为能够提取到边缘特征，卷积层采用填充方式，并确定了网络基础参数的相关配置如下：
[0087]
一维cnn中四个卷积层的卷积核大小均为3*1，步长为1，卷积层的特征图个数依次为4、16、64和128；池化层的大小为2*1，步长为2，采用最大池化方法；两个全连接层神经元个数分别为240和60；学习率初始值设为0.001，采用softmax分类判决函数，损失函数采用交叉熵损失函数，dropout保留概率p为0.5，最大迭代次数为50。
[0088]
softmax分类函数可对有限项离散概率分布的梯度对数进行归一化，其原理是将判定为某类的特征向量相加，然后将这些特征转换为判定是这一类别的概率。经过softmax分类函数处理可以得到输出目标的类别概率向量，cnn中大多也使用softmax分类函数。
[0089]
cnn的结构及参数需要根据输入数据的特点和网络训练的结果进行反复调整，最终使网络处于最佳的分类识别状态。
[0090]
步骤四：将待检测的录波波形输入步骤三中的卷积神经网络模型中，输出录波的分类结果。
[0091]
具体实例
[0092]
本发明基于tensorflow 1.14.0版本，使用框架为keras，模型为序贯模型sequential，对一维cnn进行搭建、训练与验证，硬件上使用intel core i7 cpu/gpu，内存16gb，数据集按照8：2的比例随机划分为训练集和测试集。
[0093]
训练参数设置：训练batch_size设为10，初始学习率(lnitial learning rate)设为0.001，权重衰减系数(weight decay)取0.00004，迭代次数epochs取200。训练结果如图6所示。
[0094]
由图6可以看出，随着迭代次数增加，网络模型的损失误差在刚开始时下降很快，后面趋于平缓，在大约epoch达到25以后，loss值趋于收敛。从损失曲线图来看，该模型的训练过程符合预期要求。从准确率变化曲线来看，模型很快准确率就达到较高水平，符合要求。
[0095]
使用测试集test_set对训练好的该模型进行测试，并输出故障录波分类结果。测试结果如图7所示，在20组测试集数据上进行测试，其准确率为100％，全部预测正确，证明了本发明方法的可行性与准确率。
[0096]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。