CN108107324A - 一种基于深度卷积神经网络的配电网故障定位方法 - Google Patents

Abstract

本发明公开了一种基于深度卷积神经网络的配电网故障定位方法，所述配电网故障定位方法包括：对各配电网监测终端的录波数据根据广域对时技术截取出波形的公共时间区段，并对所截取的公共时间区段波形进行预处理得到有效区域数据；随后对有效区域数据进行拼接处理。构建包含卷积层区域和全连接区域的深度卷积神经网络框架，所述卷积层区域包含卷积块。利用故障定位分类数据集对深度卷积神经网络模型进行超参数机器训练以获得最优深度卷积神经网络故障定位器模型。将各配电网监测终端的拼接后的有效区域数据输入最优深度卷积神经网络故障定位器模型以获得各配电网监测终端相对于故障点的相对位置。

Description

一种基于深度卷积神经网络的配电网故障定位方法

技术领域

本发明涉及电力技术领域，尤其涉及一种基于深度卷积神经网络的配电网故障定位方法。

背景技术

配电网是电力系统中的重要组成部分，随着智能电网的快速发展，分布式电源的大量的不确定接入，使得配电网故障信息越发复杂，故障的准确快速分析变得越发困难。为保障配电网高度智能化运行，需要对馈线运行数据进行实时监控、异常情况及时预警及故障快速定位及处理。因此配电网络通常会加装线路故障指示器和馈线终端等装置，利用这些装置对配电网运行情况进行录波。目前现有技术中，针对故障定位的方法方一般均需要人工提取录波特征，再利用特征进行接地故障的识别及定位。如CN103728532中公开了利用配电自动化馈线终端采集零序电压3U0和零序电流3I0，对3U0和3I0进行一系列处理并提取特征，然后利用人工经验设定的故障判定规则结合多个配电自动化馈线终端来定位故障区段。CN104101812公开了一种小电流接地配电网的故障检测定位方法与系统，系统主站从配电网络多个点的录波中提取零序电压和零序电流的暂态信号，计算作为特征值和各个位置波形的相似性，根据单点特征值及相关性特征值判断故障疑似区域。由此可见现有技术的各种故障定位方法仍然是将波形特征提取与故障定位判断分为两个步骤，即配电网中的终端设备获取的配电网拓扑中的多位置原始波形，需先采取人工提取特征，再用特征进行故障定位，这种故障定位判断过程没有形成直接反馈的非端对端方案，因此故障定位识别的准确率无法持续提高。另一方面，现有技术中将故障工况细分为短路、接地、小电阻接地等故障类型，而后再对每一故障类型进行单独的故障定位判断，从而造成了功能冗余，没有利用到不同故障类型之间的共性辅助提高故障定位判定的准确性。

发明内容

本发明所要解决的技术问题之一是利用深度卷积神经网络实现配电网故障定位判定端对端输出，即原始录波数据经简单处理，直接输入深度卷积神经网络得到故障定位信息。

另一方面，本发明在训练深度卷积网络模型时，使用的训练数据集覆盖所有故障类型，因此实现了利用单一模型完成全部故障类型的故障定位，更易于提取监测点与故障点之间的相对位置关系共性。

为了解决上述技术问题，本发明提供了一种基于深度卷积神经网络的配电网故障定位方法，所述配电网故障定位方法包括：

对各配电网监测终端的录波数据根据广域对时技术截取出波形的公共时间区段，并对所截取的波形进行预处理得到有效区域数据；随后对有效区域数据进行拼接处理。

构建包含卷积层区域和全连接区域的深度卷积神经网络框架，所述卷积层区域包含卷积块；

使用超参数生成器生成多个深度卷积神经网络模型，利用故障定位分类数据集对所述多个深度卷积神经网络模型进行超参数机器训练以获得最优深度卷积神经网络故障定位器模型；

将各配电网监测终端的拼接后的有效区域数据输入最优深度卷积神经网络故障定位器模型以获得各配电网监测终端相对于故障点的相对位置。

在一个实施例中，所述波形预处理包括使用二次差分法、滑动窗口傅里叶变换法或小波变换法对波形进行处理。

在一个实施例中，所述卷积块的结构可以为双层卷积层叠加结构，或者为多通道的且每一通道由双层卷积层叠加的结构构成，或者为多通道的且每一通道包含1至3层卷积层的结构构成。

在一个实施例中，所述卷积层区域中的卷积块之间设置有残量连接，所述残量连接是指将一个卷积块的输入和输出取和，并将取和结果作为输入传递至下一卷积块。

在一个实施例中，所述故障定位分类数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集、验证数据集和测试数据集中均包含故障点前波形数据和故障点后波形数据两类。

根据本发明的另一方面，还提供了一种用于对深度卷积神经网络故障定位器框架进行超参数机器训练的方法，所述方法包括：

a.将深度卷积神经网络分类器结构输入超参数随机生成器；

b.由超参数随机生成器形成超参数组合模型池；

c.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过。

d.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。

在一个实施例中，所述故障定位分类数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集、验证数据集和测试数据集中均包含故障点前波形数据和故障点后波形数据两类。

在一个实施例中，所述最优超参数组合模型至少包括构成最优深度神经网络工况分类器模型的卷积块个数、每个卷积块内部的通道数、卷积核的长宽及数量、全连接层神经元数量。

在一个实施例中，对超参数组合模型进优化时采用的优化方法为批量Adam后向传输法。

本发明的另一个方面，还在于提供了一种用于深度卷积神经网络故障定位的原始数据处理方法，所述数据处理方法包括：

根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共时间区段，对所有公共时间区段的波形进行去工频处理后进行绝对值叠加。

对混合叠加数据提取有效区域，提取方法包括但不限于二次差分法、滑动窗口傅里叶变换法和小波变换法。

依据各监测点之间的网络拓扑以及各监测点波形的异常程度，对各监测点的有效区域数据进行拼接。

以下对本发明的波形预处理及波形拼接、深度卷积神经网络分类器框架及超参数的机器训练做出进一步的详细说明。

<波形预处理及波形拼接>

图1为本发明的基于深度卷积神经网络的配电网故障定位方法流程示意图，本发明的波形预处理过程为：

首先，根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共时间区段，对所有公共时间区段的波形进行去工频处理后进行绝对值叠加。

随后，对混合叠加数据提取有效区域，提取方法包括但不限于二次差分法、滑动窗口傅里叶变换法和小波变换法。

所述的二次差分法是指令N(t)＝{n₁，n₂，…，n_k}为原始波形时序信号，提取波形的一次差分为N′(t)＝{n₂-n₁，n₃-n₂，…，n_k-n_k-1}，提取波形的二次差分则为，N″(t)＝{n₃-2n₂+n₁，n₄-2n₃+n₂，…，n_k-2n_k-1+n_K-2}。

所述的滑动窗口傅里叶变换，是对整个波形以一个窗口的长度滑动，每次对窗口内的数据进行离散傅里叶变换，傅里叶变换定义为其中x(i)为各频率点的系数。使用傅里叶能量熵，能够检测波形窗口中各时段内能量在不同频段分布的混乱程度。定义窗口内不同频率的能量E_i＝|x(i)|²，E＝∑E_i为窗口内信号的能量和。则窗口傅里叶能量熵FEE可以定义为，其中p_i＝E_i/E。

所述的小波变换是指，令其中D_i(k)为信号经J阶小波分解重构得到的i阶频率分量系数。使用小波能量熵检测波形中各时段内信号能量在不同频段分布的混乱程度，达到提取异常区段的目的。定义在不同尺度i时间k上的信号能谱E_i(k)＝|D_i(k)|²，E_i＝∑E_i(k)为尺度i上所有时刻的能量和。则小波能量熵WEE可以定义为，其中p_i＝E_i/E，近似为信号的总能量

在上述三种不同的波形提取方法中，使用波形的二次差分绝对值能够很好的识别出波形的突变点，该方法的计算量小，能够节约计算资源，因此可以在计算资源有限制时使用，但该方法不能计算出波形包含不同频率信息的丰富程度。使用窗口傅里叶能量熵能够很好的排除工频分量，得到其它不同频段能量的混乱程度，但窗口大小需固定，不能灵活得到每个时间的混乱信息，同时其快速算法计算量比较小，因此可以再在精度与计算量需要平衡的情况下使用。小波能量熵在检测所需区段上精度比窗口傅里叶能量熵高，但计算量也要大，可以在精度需求高的情况下使用。

经过上述波形预处理过程，各监测点的录波数据已均被处理成有效区域数据，接下来需对有效区域数据进行拼接，本发明的数据拼接方法如下：

如图2所示，针对每个监测点的有效区域数据进行数据拼接，如监测点A的数据拼接即为：以监测点A有效区域数据作为中心，根据配电网拓扑结构，提取该监测点A输入方向最近监测点A^－和输出方向最近监测点A⁺，并将监测点A^－和监测点A⁺的有效区域数据按输入输出方向拼接在监测点A有效区域数据的两端。对于其他监测点的有效区域数据，在监测点侧A A^－的其他监测点，其有效区域数据按照波形异常程度依次靠近监测点A^－有效区域数据，波形异常程度越高，则越靠近监测点A^－有效区域数据。相同地，在监测点A⁺侧的其他监测点，其有效区域数据按照波形异常程度依次靠近监测点A⁺有效区域数据，波形异常程度越高，则越靠近测点A⁺有效区域数据。

<深度卷积神经网络分类器>

如图3所述为本发明的深度卷积神经网络分类器框架示意结构，该深度卷积神经网络分类器包括卷积层区域和全连接层区域，在卷积层区域包括输入卷积层、卷积块、平均池化层，本发明中的卷积层中所涉及的卷积运算采用现有技术中公知的卷积运算方法，但本发明中在卷积运算中所使用的卷积核及相关参数是通过本发明的超参数机器训练得到的优化超参数。时序波形时间间隔小的采样点相关性强，越大则越弱，适宜用卷积层提取特征。在卷积层区域中通过设置多层卷积层以实现对局部到全局的特征提取，以及抽象到具体的特征提取。卷积层区域后连接全连接区域，该全连接区域内部含两层全连接层及sigmoid输出层，最后输出该监测点相对于故障点的相对位置数据。所述全连接层区域中的第一全连接层的神经元个数同样是通过本发明的超参数机器训练得到的优化超参数，而第二全连接层的神经元个数为1个。

如图4a至4b所示的是本发明卷积块具体结构，其中图4a中所示为两层卷积结构，由两层卷积层叠加构成。图4b中所示为多通道结构，且每一通道均有两层卷积层叠加构成。图4c中所示为另一多通道结构，每一通道由1至3层卷积层构成。上述卷积块中的卷积核的相关参数以及通道数量，又或每一通道的卷积层数均可由超参数机器训练得到。

本发明中还可以在卷积块的输入与输出之间增加残量连接，即将每一个卷积块的输入与该卷积块的输出取和作为该卷积块的输出值，则有F(x)+x＝H(x)，其中F(.)为卷积块函数，H(.)为下个模块的输入，x为上个模块的输出。又F(x)＝H(x)-x，残量x的增加有利于F(.)参数的训练。

<超参数的机器训练>

图5中所示为本发明的超参数机器训练流程图，该超参数机器训练的目的在于，根据所提供训练数据集、验证数据集和测试数据集训练得到上述深度卷积神经网络分类器中所需的全部参数，并形成深度卷积神经网络分类器的最优超参数组合模型。该机器训练过程如下：

a.将深度卷积神经网络分类器结构输入超参数随机生成器；

b.由超参数随机生成器形成超参数组合模型池；

c.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过。

d.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。

在进行超参数机器训练流程时所使用的训练数据集、验证数据集和测试数据集训共使用2种类型数据，即故障点前波形数据和故障点后波形数据，每种类型数据选取不少于20000个数据，共不少于40000个数据。训练数据集每种类型数据使用不少于18000个，测试和验证数据集分别每种类型数据使用不少于1000个数据。训练流程中的优化方法为批量Adam后向传输，当测试数据集正确率大于99％或训练超过10000轮时，训练停止，否则继续优化，多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

1.利用深度卷积神经网络实现配电网故障定位判定端对端输出，即原始录波数据经简单处理，直接输入深度卷积神经网络得到故障定位信息。从而提高了故障定位判定的准确率。避免了由于人为指定特征，而造成的判定准确率上限。

2.本发明在训练深度卷积网络模型时，使用的训练数据集覆盖所有故障类型，因此实现了利用单一模型完成全部故障类型的故障定位，更易于提取监测点与故障点之间的相对位置关系共性。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的基于深度卷积神经网络的配电网故障定位方法流程示意图；

图2是本发明的配电网故障定位方法中波形拼接方法的示意图；

图3是根据本发明的深度卷积神经网络分类器框架的示意图；

图4a-4c是本发明的卷积块结构示意图；

图5是本发明的超参数机器训练流程图；

图6是本发明第一实施例的最优化深度卷积神经网络模型示意图；

图7是本发明第二实施例的最优化深度卷积神经网络模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明。

第一实施例

图6是根据本发明第一实施例的最优化深度神经网络模型示意图。下面结合图5对本方法进行说明。

本实施例中，首先，根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共时间区段，对所有公共时间区段的波形进行去工频处理后进行绝对值叠加。

随后，使用二次差分法对混合叠加数据提取有效区域。

针对每个监测点的有效区域数据进行数据拼接，如监测点A的数据拼接即为：以监测点A有效区域数据作为中心，根据配电网拓扑结构，提取该监测点A的输入方向最近监测点A^－和输出方向最近监测点A⁺，并将监测点A^－和监测点A⁺的有效区域数据按输入输出方向拼接在监测点A有效区域数据的两端。对于其他监测点的有效区域数据，在监测点A^－侧的其他监测点，其有效区域数据按照波形异常程度依次靠近监测点A^－有效区域数据，波形异常程度越高，则越靠近监测点A^－有效区域数据。相同地，在监测点A⁺侧的其他监测点，其有效区域数据按照波形异常程度依次靠近监测点A⁺有效区域数据，波形异常程度越高，则越靠近测点A⁺有效区域数据。经过上述有效区域数据拼接，或针对每个监测点的拼接后的有效区域数据。

接下来，按照如图5所示的超参数机器训练流程获取最优超参数组合模型的参数，其中获得的最优参数包括卷积块数，还包括每一卷积块内部卷积层的卷积核的长度、宽度及个数数值，以及每一卷积块所包含的通道个数及每一通道上卷积层的层数，此外还包括全连接层中使用的神经元个数。上述参数在如下叙述中会进一步的阐述。

本实施例在进行超参数机器训练流程时所使用的训练数据集、验证数据集和测试数据集训共使用2种类型数据，即故障点前波形数据和故障点后波形数据，每种类型数据选取20000个数据，共40000个数据。训练数据集每种类型数据使用18000个，测试和验证数据集分别每种类型数据使用1000个数据。训练流程中的优化方法为批量Adam后向传输，当测试数据集正确率大于99％或训练超过10000轮时，训练停止，否则继续优化，多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。

经过上述超参数机器训练流程所获得的最优超参数组合模型即为如图6所示的深度神经网络分类器结构，在该深度神经网络分类器中输入卷积层中的卷积核的宽和长为6×5，个数为8。

卷积块Ⅰ为单通道的双层卷积层，其中第一卷积层的卷积核的宽和长为6×3，个数为8，第二卷积层的卷积核的宽和长为3×3，个数为16。

卷积块Ⅱ设置为具有三通道的卷积层，其通道a为双层卷积层，其中第一卷积层的卷积核的宽和长为1×5，个数为16，第二卷积层的卷积核的宽和长为1×5，个数为32。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为1×5，个数为16，第二卷积层的卷积核的宽和长为1×5，个数为32。通道c为三层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为16，第二卷积层的卷积核的宽和长为1×4，个数为16，第三卷积层的卷积核的宽和长为1×3，个数为32，将卷积块Ⅱ三个通道的结果取和输入卷积块Ⅲ。

卷积块Ⅲ设置为具有三通道的卷积层，其通道a为双层卷积层，其中第一卷积层的卷积核的宽和长为1×2，个数为32，第二卷积层的卷积核的宽和长为1×3，个数为64。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为32，第二卷积层的卷积核的宽和长为1×3，个数为64。通道c为三层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为32，第二卷积层的卷积核的宽和长为1×3，个数为32，第三卷积层的卷积核的宽和长为1×3，个数为64，将卷积块Ⅲ三个通道的结果取和输入卷积块Ⅳ。

卷积块Ⅳ设置为具有8个通道的卷积层，其每个通道均有双层卷积层构成，其中第一卷积层的卷积核的宽和长为1×3，个数为64，第二卷积层的卷积核的宽和长为1×3，个数为128。随后，将卷积块Ⅲ中8个通道的输出结果取和输入平均池化层。

将平均池化层的输出结果输入第一全连接层，所述第一全连接层的神经元个数为32，第一全连接层输出结果输入第二全连接层，第二全连接层的神经元个数设置为8个，第二全连接层输出结果输入第三全连接层，第三全连接层的神经元个数设置为1个。将第三全连接层的输出结果输入sigmoid输出层从而获得监测点A与故障点之间的相对位置关系。

根据本实施例可知，本发明没有采用人工对波形进行特征提取，而是直接对波形本身简单预处理后进行直接建模识别，深度神经网络分类器自身带有特征提取和工况分类的功能。另一方面，本实施例中，利用超参数机器训练，利用已知数据构成的训练集可以直接获得最优模型参数组合，相较于人工设定超参数，本实施获得参数组合更为准确。

第二实施例

图7是根据本发明第二实施例的最优化深度神经网络模型示意图。下面结合图7对本方法进行说明。

与第一实施例相同的，首先，根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共时间区段，对所有公共时间区段的波形进行去工频处理后进行绝对值叠加。

随后，使用二次差分法对混合叠加数据提取有效区域。

针对每个监测点的有效区域数据进行数据拼接，如监测点A的数据拼接即为：以监测点A有效区域数据作为中心，根据配电网拓扑结构，提取该监测点A输入方向最近监测点A^－和输出方向最近监测点A⁺，并将监测点A^－和监测点A⁺的有效区域数据按输入输出方向拼接在监测点A有效区域数据的两端。对于其他监测点的有效区域数据，在监测点A^－侧的其他监测点，其有效区域数据按照波形异常程度依次靠近监测点A^－有效区域数据，波形异常程度越高，则越靠近监测点A^－有效区域数据。相同地，在监测点A⁺侧的其他监测点，其有效区域数据按照波形异常程度依次靠近监测点A⁺有效区域数据，波形异常程度越高，则越靠近测点A⁺有效区域数据。经过上述有效区域数据拼接，或针对每个监测点的拼接后的有效区域数据。

接下来，按照如图5所示的超参数机器训练流程获取最优超参数组合模型的参数，其中获得的最优参数包括卷积块数，还包括每一卷积块内部卷积层的卷积核的长度、宽度及个数数值，以及每一卷积块所包含的通道个数及每一通道上卷积层的层数，此外还包括全连接层中使用的神经元个数。上述参数在如下叙述中会进一步的阐述。

本实施例在进行超参数机器训练流程时所使用的训练数据集、验证数据集和测试数据集训共使用2种类型数据，即故障点前波形数据和故障点后波形数据，每种类型数据选取20000个数据，共40000个数据。训练数据集每种类型数据使用18000个，测试和验证数据集分别每种类型数据使用1000个数据。训练流程中的优化方法为批量Adam后向传输，当测试数据集正确率大于99％或训练超过10000轮时，训练停止，否则继续优化，多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。

经过上述超参数机器训练流程所获得的最优超参数组合模型即为如图7所示的深度神经网络分类器结构，在该深度神经网络分类器中输入卷积层中的卷积核的宽和长为6×5，个数为8。

卷积块Ⅰ为单通道的双层卷积层，其中第一卷积层的卷积核的宽和长为6×3，个数为8，第二卷积层的卷积核的宽和长为3×3，个数为16。

卷积块Ⅱ设置为具有三通道的卷积层，其通道a为双层卷积层，其中第一卷积层的卷积核的宽和长为1×5，个数为16，第二卷积层的卷积核的宽和长为1×5，个数为32。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为1×5，个数为16，第二卷积层的卷积核的宽和长为1×5，个数为32。通道c为三层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为16，第二卷积层的卷积核的宽和长为1×4，个数为16，第三卷积层的卷积核的宽和长为1×3，个数为32，将卷积块Ⅱ三个通道的结果取和输入卷积块Ⅲ。

卷积块Ⅲ设置为具有三通道的卷积层，其通道a为双层卷积层，其中第一卷积层的卷积核的宽和长为1×2，个数为32，第二卷积层的卷积核的宽和长为1×3，个数为64。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为32，第二卷积层的卷积核的宽和长为1×3，个数为64。通道c为三层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为32，第二卷积层的卷积核的宽和长为1×3，个数为32，第三卷积层的卷积核的宽和长为1×3，个数为64，将卷积块Ⅲ三个通道的结果取和输入卷积块Ⅳ。

卷积块Ⅳ设置为具有4个通道的卷积层，其每个通道均有双层卷积层构成，其中第一卷积层的卷积核的宽和长为1×3，个数为64，第二卷积层的卷积核的宽和长为1×3，个数为128。随后，将卷积块Ⅲ中8个通道的输出结果取和输入平均池化层。

将平均池化层的输出结果输入第一全连接层，所述第一全连接层的神经元个数为32，第一全连接层输出结果输入第二全连接层，第二全连接层的神经元个数设置为8个，第二全连接层输出结果输入第三全连接层，第三全连接层的神经元个数设置为1个。将第三全连接层的输出结果输入sigmoid输出层从而获得监测点A与故障点之间的相对位置关系。

如图7所示，本实施例中，在卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅲ和卷积块Ⅳ之间设置了残量连接，即输入卷积层输出结果与卷积块Ⅰ输出结果取和输入卷积块Ⅱ，卷积块Ⅰ输出结果与卷积块Ⅱ输出结果取和输入卷积块Ⅲ，卷积块Ⅱ输出结果与卷积块Ⅲ输出结果取和输入卷积块Ⅳ，卷积块卷积块Ⅲ输出结果与卷积块Ⅳ输出结果取和输入平均池化层。通过设置残量连接可以加强卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅲ和卷积块Ⅳ的参数训练。

将平均池化层的输出结果输入第一全连接层，所述第一全连接层的神经元个数为24，第一全连接层输出结果输入第二全连接层，第二全连接层的神经元个数设置为1个。将第二全连接层的输出结果输入sigmoid输出层从而获得录波数据的工况类型分析结果。

将平均池化层的输出结果输入第一全连接层，所述第一全连接层的神经元个数为32，第一全连接层输出结果输入第二全连接层，第二全连接层的神经元个数设置为8个，第二全连接层输出结果输入第三全连接层，第三全连接层的神经元个数设置为1个。将第三全连接层的输出结果输入sigmoid输出层从而获得监测点A与故障点之间的相对位置关系。

以上所述，仅为本发明的具体实施案例，本发明的保护范围并不局限于此，任何熟悉本技术的技术人员在本发明所述的技术规范内，对本发明的修改或替换，都应在本发明的保护范围之内。

Claims (10)

1.一种基于深度卷积神经网络的配电网故障定位方法，其特征在于，所述配电网故障定位方法包括：

对各配电网监测终端的录波数据根据广域对时技术截取出波形的公共时间区段，并对所截取的公共时间区段波形进行预处理得到有效区域数据；随后对有效区域数据进行拼接处理。

构建包含卷积层区域和全连接区域的深度卷积神经网络框架，所述卷积层区域包含卷积块；

使用超参数生成器生成多个深度卷积神经网络模型，利用故障定位分类数据集对所述多个深度卷积神经网络模型进行超参数机器训练以获得最优深度卷积神经网络故障定位器模型；

将各配电网监测终端的拼接后的有效区域数据输入最优深度卷积神经网络故障定位器模型以获得各配电网监测终端相对于故障点的相对位置。

2.根据权利要求1所述的配电网故障定位方法，其特征在于，所述波形预处理包括使用二次差分法、滑动窗口傅里叶变换法或小波变换法对波形进行处理。

3.根据权利要求1所述的配电网故障定位方法，其特征在于，所述卷积块的结构可以为双层卷积层叠加结构，或者为多通道的且每一通道由双层卷积层叠加的结构构成，或者为多通道的且每一通道包含1至3层卷积层的结构构成。

4.根据权利要求3所述的配电网故障定位方法，其特征在于，所述卷积层区域中的卷积块之间设置有残量连接，所述残量连接是指将一个卷积块的输入和输出取和，并将取和结果作为输入传递至下一卷积块。

5.根据权利要求1所述的配电网故障定位方法，其特征在于，所述故障定位分类数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集、验证数据集和测试数据集中均包含故障点前波形数据和故障点后波形数据两类。

6.一种用于对深度神经网络故障定位器框架进行超参数机器训练方法，所述方法包括：

a.将深度卷积神经网络分类器结构输入超参数随机生成器；

b.由超参数随机生成器形成超参数组合模型池；

c.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过。

d.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。

7.根据权利要求6所述的超参数机器训练方法，其特征在于，所述故障定位分类数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集、验证数据集和测试数据集中均包含故障点前波形数据和故障点后波形数据两类。

8.根据权利要求7所述的超参数机器训练方法，其特征在于，所述最优超参数组合模型至少包括构成最优深度神经网络工况分类器模型的卷积块个数、每个卷积块内部的通道数、卷积核的长宽及数量、全连接层神经元数量。

9.根据权利要求6所述的超参数机器训练方法，其特征在于，对超参数组合模型进优化时采用的优化方法为批量Adam后向传输法。

10.一种用于深度卷积神经网络故障定位的原始数据处理方法，所述数据处理方法包括：

根据广域对时技术对各监测点数据的采集时间点对齐并截取出波形的公共时间区段，对所有公共时间区段的波形进行去工频处理后进行绝对值叠加。

对混合叠加数据提取有效区域，提取方法包括但不限于二次差分法、滑动窗口傅里叶变换法和小波变换法。

依据各监测点之间的网络拓扑以及各监测点波形的异常程度，对各监测点的有效区域数据进行拼接。