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

技术特征：
1.一种基于卷积神经网的配网录波文件波形识别方法，其特征在于，其步骤如下：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；步骤二：构建一维卷积神经网络；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；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。2.根据权利要求1所述的基于卷积神经网的配网录波文件波形识别方法，其特征在于，所述对故障录波波形文件进行预处理的方法为：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；对得到的波形数据进行标准化处理：其中，为标准化后的第i个数据，x
i
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。3.根据权利要求1所述的基于卷积神经网的配网录波文件波形识别方法，其特征在于，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。4.根据权利要求3所述的基于卷积神经网的配网录波文件波形识别方法，其特征在于，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：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。5.根据权利要求3所述的基于卷积神经网的配网录波文件波形识别方法，其特征在于，所述输出层为softmax分类判决函数；softmax分类判决函数的原理为：对于输入数据{(x1,y1),(x2,y2),
…
,(x
m
,y
m
)}有k个类别，y
z
∈{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：其中，h
θ
(x
z
)表示输入数据x
z
的分类结果，θ1,θ2,...,θ
k
∈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：6.根据权利要求1或4所述的基于卷积神经网的配网录波文件波形识别方法，其特征在于，所述一维卷积神经网络的训练方法为：s3.1、初始化一维卷积神经网络的权重参数；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；s3.3、计算预测结果与实际分类结果之间的误差；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。

技术总结
本发明公开了一种基于卷积神经网的配网录波文件波形识别方法，用以解决无法从海量配网录波文件中精确识别出故障类波形的技术问题；其步骤为：首先，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；其次，构建一维卷积神经网络；然后，对训练集中的录波故障波形进行分类标注后输入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；最后，将待检测的录波波形输入卷积神经网络模型中，输出录波的分类结果。本发明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。评价与定位。评价与定位。


技术研发人员：林恺丰 范晓东 李佶 杨昶宇 林振 王培波 朱泽厅 卢鸣凯 吴昊 郑庆 姚越 赵康同 周舒婷 胡李栋 金超 沈然 吴慧
受保护的技术使用者：国网浙江省电力有限公司金华供电公司
技术研发日：2021.10.14
技术公布日：2022/1/14