CN110161370A - 一种基于深度学习的电网故障检测方法 - Google Patents

Abstract

一种基于深度学习的电网故障检测方法，该方法步骤如下：（一）、将公共点电压信号进行多分辨率经验模态分解；（二）、利用步骤（一）的分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层相空间矩阵的奇异值，根据各层奇异值提取各层相空间奇异谱熵；将多层奇异谱熵组合后构成多分辨率奇异谱熵的深度神经网络参数特征向量；（三）、将步骤（二）中的特征向量直接代入深度神经网络模型进行电网故障检测。通过本方法提取的特征向量对同类信号和同种样本具有稳定性，对区分故障和扰动状态，降低扰动状态时的误判，避免光伏系统误动作起到了很好的作用。

Description

一种基于深度学习的电网故障检测方法

技术领域

本发明涉及一种计及经验模态分解的深度学习电网故障模型的构建及检测方法，尤其是涉及一种基于多分辨率奇异谱熵和深度学习的电网故障检测方法。

背景技术

在含有大量分布式电源的电网中，由于线路故障等其他原因造成的故障情况将对电网安全运行产生巨大危害。随着分布式电源渗透率持续上升，故障检测面临前所未有的挑战：可再生电源给电网运行带来了不可忽视的不确定性与噪声，加剧了扰动的强度，而这些扰动如若被错误识别为故障情况，分布式电源将被强制切除运行，带来巨大的危害。因而，具有高识别精度的电网异常状态检测方法对含高渗透率分布式电源的电网的安全至关重要。

分布式发电系统故障检测方法通常可以分为远程法以及本地法。两种方法中前者的远程通信设备成本较高，且可靠性较低，一般不常用。故障检测常采用本地检测法，又可以被分为主动法与被动法。主动法的特点包括无须添加任何外部设备以及故障检测成功率高。原理是通过对系统注入一定的扰动信号来检测系统输出电压等状态量是否超过设定阈值，从而判断故障，缺陷是扰动大小将影响系统的故障检测准确度和系统的电能质量。被动法简单易行，但当负载和光伏等分布式电源的有功功率、无功功率接近或者匹配时，也即源荷匹配设定下系统的参数变化通常仍然处于正常阈值范围内，变化较小从而存在检测盲区。

因此，研究者们致力突破的难点主要是成本低、对电网影响小且无检测盲区的故障检测方法。主动检测方面，通过向参考电流注入低频扰动，在电网故障时检测公共点频率变化的速度来判定故障，虽能保证并网电能质量，但影响了逆变器的有功功率输出值。也有学者提出了一种带负载阻抗角反馈的主动频移故障检测技术，能够有效消除检测盲区。被动检测方面，近年来基于决策树等机器学习算法的智能故障检测方法逐步受到重视，具备一定的在线分析能力，为相关方法的研究提供了启示，但目前已有方法检测精度仍有提升空间。

发明内容

发明目的：

本方法提供一种基于多分辨率奇异谱熵与深度学习的电网故障模型的构建及检测方法，其目的是解决以往方法所存在的精度低的问题。本方法计及高阶统计量挖掘电压信号高阶特征，引入经验模态分解进行多尺度化提取故障与扰动的关键特征，实现对故障与扰动的准确检测。本方法采集公共点电压信号进行基于多尺度高阶奇异谱熵分析的特征提取，能够有效抑制噪声的干扰，且重构参数具有较强的鲁棒性。在特征提取的基础上，提出基于深度学习的电网异常状态检测方法，结果表明本方法能够显著提升故障的检测精度。

技术方案：

一种基于深度学习的电网故障检测方法，其特征在于：该方法步骤如下：

(一)、将公共点电压信号进行多分辨率经验模态分解；

(二)、利用步骤(一)的分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层相空间矩阵的奇异值，根据各层奇异值提取各层相空间奇异谱熵；将多层奇异谱熵组合后构成多分辨率奇异谱熵的深度神经网络参数特征向量；

(三)、将步骤(二)中的特征向量直接代入深度神经网络模型进行电网故障检测。

(三)步骤中的深度神经网络模型构建方法如下：

第一步，采用与所述(一)—(二)步骤相同的方式得深度神经网络参数特征向量；

第二步，对提取出的特征向量进行分析训练，训练完毕得到用于电网故障检测的深度神经网络模型。

(一)步骤中：将公共点电压信号进行多分辨率经验模态分解步骤如下：

(1.1)录入公共点电压信号f(k)(k＝1,2,…,N)，N为采样点数；其中公共点电压信号包含，在检测时输入的是检测样本的公共点电压信号，在深度神经网络模型构建时，录入的是原始的训练样本公共点电压信号；

(1.2)对待分析公共点电压信号f(k)(k＝1,2,…,N)，N为采样点数，用经验模态分解进行处理，分解出第1个固有模态函数的候选分量h₁；

(1.3)判断(1.2)步骤中的第1个固有模态函数的候选分量h₁是否满足固有模态函数条件，若满足固有模态函数条件，则h₁被判定为f(k)的第1个固有模态函数分量，若不满足，则将h₁作为待处理信号重新计算，持续分解固有模态函数完毕。

(二)步骤具体方式如下：

(2.1)对每层的重构信号进行n维的相空间重构，重构相空间矩阵为A；

(2.2)对每层相空间矩阵A进行奇异谱分解，得到对应层重构相空间矩阵A的奇异值，基于信息熵理论，根据相空间矩阵A的奇异值计算各层信号的奇异谱熵H_j。

(2.3)将各层奇异谱熵值H_j组合，得到多分辨率奇异谱熵的深度神经网络参数特征向量T，作为故障检测的特征向量。

第二步具体方式如下：

(3.1)构建基于实际异常状态检测问题的深度神经网络框架，采用栈式自编码器对深度神经网络参数进行逐层预训练，获取初始化参数；

(3.2)使用最速梯度下降法对栈式自编码器对(3.1)步骤中获取的初始化参数进行有监督的微调训练，微调整个深度神经网络的初始化参数，得到参数的最优解，并经由Softmax分类器完成深度神经网络模型训练。

所述步骤(1.1)中原始电压信号具体选取方式为：利用光伏并网仿真系统，选取公共电压节点的电压信号作为输入信号，记为f(k)，选取四种样本电压信号，包括故障状态下的电压暂升信号、故障状态下的电压暂降信号、扰动状态下的电压暂升信号和扰动状态下的电压暂降信号。

步骤(1.2)中1个固有模态函数的候选分量具体方式为：

f(k)的第一个固有模态函数候选h₁由式(1)确定：

h₁＝f(k)-m₁ (1)；

式中：m₁表示f(k)的上、下包络线均值。

步骤(1.3)中

固有模态函数判定规则如下：

(1.3.1)信号的整个波形中极值点的个数与过零点的个数必须相等或最多相差不超过1个；

(1.3.2)任意时刻由局部极值点组成的包络线相对于时间轴局部对称；

步骤(1.3)中：若h₁被判定为固有模态函数分量，则将d₁记作第一个固有模态函数，分离d₁，得到剩余量信号r₁：

r₁＝f(k)-d₁ (2)；

步骤(1.3)中判定结果若不是，则对分量进行如下重新计算：

将h₁替代原公式中的f(k)作为待处理信号，重新计算，再次判定是否为固有模态函数。

步骤(1.3)中，若满足固有模态函数条件则h₁被判定为f(k)的第1个固有模态函数分量，并继续分解其余固有模态函数，继续分解其余固有模态函数的规则如下：

将r₁视为原始数据，重复步骤(1.1)-(1.3)直至最后的第n组余量r_n不满足固有模态函数成立条件，获得固有模态函数分量组：

r_n＝r_n-1-d_n (3)

得到：

完成各个固有模态函数分量的分解，式中d_i表示第i组固有模态函数。

步骤(2.1)中相空间重构的规则如下：

假设要重构1个n维相空间记第j层固有模态函数分量为D_j，记样本数据总元素数为N，对每层固有模态函数分量进行n维相空间重构，将D_j中的d_j(1),d_j(2),…,d_j(n)作为n维相空间第1个矢量，然后右移1步，将d_j(2),d_j(3),…,d_j(n+1)作为第2个矢量，如此构造出一个(N-n+1)×n维的矩阵A：

其中：d_j(1),d_j(2),…,d_j(n)表示第j组固有模态函数中第n个分量；

步骤(2.2)中奇异值分解方法如下：

对矩阵A_(N-n+1)×n进行奇异值分解，得到A＝U_(N-n+1)×lΛ_l×lV^T _n×l，其中其中U为矩阵A的特征向量组成的矩阵，V＝U^-1，Λ_l×l是一个对角阵，每个对角线上的非零对角元素λ_ii(i＝1,2,…,l)，l＝min((N-n+1),n)为j层A的奇异值；

步骤(2.2)中奇异谱熵计算方法：

式中：p_ij为一不确定的概率分布；H_j为j层分布所具有的信息熵；

步骤(2.3)中特征向量的表示形式和意义如下：

T＝[H₁ H₂ H₃ … H_j] (8)；

式中，H₁,H₂,H₃,…,H_j对应的各分层频率由高到低。

步骤(3.1)中采用栈式自编码网络进行逐层预训练的过程如下：

记自动编码器中输入单元和隐藏单元的数量为N_I和N_H，是从M个对象获取的一组训练样本，自动编码器能够通过一个线性映射和一个非线性激活函数f将输入层元素x_i映射到一个隐含层表征输出表示如下：

y_i＝f(W₁x_i+b₁) (9)

式中：和分别为编码权重矩阵与偏移向量；自编码神经网络，在预训练得到初始参数过程中，使用了反向传播算法，并令目标值等于输入值，即隐含层的表征输出y_i被映射到向量 表示输入层重构后的向量，通过下式所示线性映射对输入向量x_i进行重构；

式中：和分别为编码权重矩阵和偏移向量；

使x_i与之间的重构误差最小化；记重构误差为表达式为：

进一步引入Kullback-Liebler散度表征第j层隐含层的平均活跃度ρ与目标平均活跃度之间的差异；Kullback-Liebler散度表征的是两个分别以ρ和为均值的伯努利随机变量之间分布差异的相对熵，记为具体表达式如下：

至此，得到求解初始参数的损失函数：

式中：γ为控制稀疏性惩罚因子的权重；

步骤(3.2)由Softmax分类器完成深度神经网络模型训练具体过程为：

使用最速梯度下降法对栈式自编码器进行有监督的微调训练结束后，进一步引入Softmax回归进行测试样本的分类；训练集包括{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，其中假设函数如下：

式中：θ为使损失函数最小的网络参数；

对于给定的输入样本，使用假设函数计算每类的概率值p(y＝j|x)；针对故障与扰动的二分类问题，假设函数形式如下：

式(13)所示假设函数的输出值为样本所属类别的概率，用于判定样本所属类别。

一种基于深度学习的电网故障检测系统，该系统包括电网故障检测模块包括模态分解模块、特征向量构成模块和代入检测模块；模态分解模块与特征向量构成模块数据连接，特征向量构成模块与代入检测模块数据连接；

模态分解模块将公共点电压信号进行多分辨率经验模态分解，特征向量构成模块将模态分解模块分解后的信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层相空间矩阵的奇异值，根据各层奇异值提取各层相空间奇异谱熵；将多层奇异谱熵组合后构成多分辨率奇异谱熵的深度神经网络参数特征向量，并将该数据传递至代入检测模块，代入检测模块将特征向量构成模块中得出的特征向量直接代入深度神经网络模型进行电网故障检测。

优点及效果：

与现有技术相比，本发明具有如下优点：

现有的故障检测方法中，通过小波变换后的阈值分析对电力信号的本质挖掘不够深入，无法区别出电网扰动等情况；使用小波分析信号能够分析不同频段的信号特征，快速得到判别结果，但是这种分析方法在分析中易受噪声干扰。使用这些方法进行分析，在对故障状态的判别中易出现大量的误判情况。本方法将多分辨率分析和多分辨率奇异谱熵融合，经验模态分解将信号按不同分辨率进行频域分层分解，信息熵对信息按频域分层后得到的特性量化，得到最为简洁清晰的信息性质描述。这种方法即能更好的挖掘信号的本质特征，直观反应出故障信号与电网扰动信号的不同性质，同时也避免小波系数的影响，减少噪声干扰，提高了特征提取的速度和精度。此外，通过本方法提取的特征向量对同类信号和同种样本具有稳定性，对区分故障和扰动状态，降低扰动状态时的误判，避免光伏系统误动作起到了很好的作用。

附图说明

图1是本发明方法流程图；

图2是光伏并网仿真系统示意图；

图3是四种情景下的PCC点原始电压信号示意图，其中图3(a)为扰动电压暂降图，图3(b)为扰动电压暂升图，图3(c)为故障电压暂降图，图3(d)为故障电压暂升图；

图4是四种情景分解后波形图，其中图4(a)为扰动电压暂降图，图4(b)为扰动电压暂升图，图4(c)为故障电压暂降图，图4(d)为故障电压暂升图；

表3是所提方法检测结果。

具体实施方式

下面结合附图对本发明做进一步的说明：

本发明涉及一种基于多分辨率奇异谱熵与深度学习的电网故障检测方法。根据故障与干扰情况下信号特征不易发掘的特点，进行信号的深度特征分析。将公共点电压信号进行多分辨率经验模态分解。利用分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层奇异值，根据各层奇异值提取各层相空间奇异谱熵。多层奇异谱熵组合后构成该信号下的多分辨率奇异谱熵的特征向量，并结合深度学习理论，对提取出的特征向量进行分析训练，进而利用训练完毕的深度神经网络进行电网故障状态的检测。

所述基于多分辨率奇异谱熵和深度学习的电网异常状态检测方法的步骤如下：

(一)录入公共点电压信号f(k)(k＝1,2,…,N)，N为采样点数；

(二)对待分析离散信号f(k)(k＝1,2,…,N)，N为采样点数，用经验模态分解进行处理，分解出第1个固有模态函数(IMF)的候选分量h₁；

(三)判断h₁是否为一个IMF函数，若满足IMF条件，则h₁被判定为f(k)的第1个IMF分量，若不是，则将h₁作为待处理信号重新计算，进而持续分解完毕；

(四)对每层的重构信号进行n维的相空间重构，重构矩阵为A；

(五)对每层矩阵A进行奇异值分解，得到对应层重构矩阵A的奇异值，基于信息熵理论，计算各层信号的奇异谱熵H_j；

(六)将各层熵值H_j组合，得到的特征向量T，作为异常状态检测的特征向量。

(七)构建基于实际异常状态检测问题的深度神经网络框架，采用栈式自编码器对深度神经网络参数进行逐层训练，获取初始化参数。

(八)使用最速梯度下降法对栈式自编码器进行有监督的微调训练，微调整个网络的参数，得到参数的最优解，并经由Softmax分类器完成模型训练。

注：微调训练是相对预训练而言的步骤说法预训练是通过对每层网络逐一训练求解。也即使得公式(12)中的损失函数最小的网络参数作为初始参数；整个网络的参数则是在对每层完成预训练的基础上，对全局进行整体优化求解，得到全局层面使得损失函数最小的网络最优参数；最优解则是在对每层完成预训练的基础上，对全局进行整体优化求解，得到全局层面使得公式(12)中损失函数最小的网络最优参数。

(九)使用训练完毕的模型对测试样本进行检测。

本发明方法的具体实施流程图如图1所示：

所述步骤(一)具体为：利用图2中的光伏并网仿真系统，选取公共电压节点(PCC)的电压信号作为输入信号，记为f(k)，选取四种样本，包括故障状态下的电压暂升和暂降、扰动状态下的暂升和暂降状态(如图3所示)。

所述步骤(二)具体为：根据图1中经验模态分解步骤，原始信号的第一个固有模态函数(IMF)候选h₁可由式(1)确定：

h₁＝f(k)-m₁ (1)

式中：m₁表示f(k)的上、下包络线均值。

步骤(三)具体过程为：

判断h₁是否为一个IMF函数，若满足IMF条件，则h₁就是原始信号的第1个IMF分量；

IMF判定规则如下：

(A)信号的整个波形中极值点的个数与过零点的个数必须相等或最多相差不超过1个；

(B)任意时刻由局部极值点组成的包络线相对于时间轴局部对称。

对判定结果为是的分量进行如下处理：

若h₁被判定为IMF分量，则将d₁记作第一个IMF函数，分离d₁，得到剩余量信号r₁：

r₁＝f(k)-d₁

对判定结果为否的分量进行如下处理：

将h₁替代原公式中的作为待处理信号，重新计算，再次判定是否为IMF；

继续分解其余IMF，将r₁视为原始数据，重复步骤(一)-(三)直至最后的r_n不满足IMF函数成立条件，获得IMF分量组：

r_n＝r_n-1-d_n

从而得到：

完成各个IMF分量的分解，得到分解后波形如图4所示，从图中可看出，经过经验模态分解的初步处理，故障与扰动状态下的分解信号存在一定差异。

步骤(四)中的相空间重构方法如下：

假设要重构1个n维相空间，将D_j中的d_j(1),d_j(2),…,d_j(n)作为n维相空间第1个矢量，然后右移1步，将d_j(2),d_j(3),…,d_j(n+1)作为第2个矢量，如此可构造出一个(N-n+1)×n维的矩阵A：

步骤(五)中奇异值分解(SVD)方法如下：

对矩阵A_(N-n+1)×n进行奇异值分解，得到A＝U_(N-n+1)×lΛ_l×lV^T _n×l，其中Λ_l×l的非零对角元素λ_ij(i＝1,2,…,l)(l＝min((N-n+1),n))为j层A的奇异值。

步骤(五)中奇异谱熵计算方法：

式中：p_ij为一不确定的概率分布；H_j为j层分布所具有的信息熵，熵值见表1所示。在仿真过程中注入噪声分量后，本发明所提方法能够明显克服噪声干扰，所求的的熵值见表2，与表1对比可知，本方法具备一定的噪声干扰抵抗能力。

步骤(六)中特征向量的表示形式和意义如下：

T＝[H₁ H₂ H₃ … H_j] (6)

式中，H₁,H₂,H₃,…,H_j对应的各分层频率由高到低。

表1未注入噪声的四种情景PCC点多分辨率奇异谱熵值表

表2注入噪声后的四种情景多分辨率奇异谱熵值表

步骤(七)具体过程为：

记自动编码器中输入单元和隐藏单元的数量为N_I和N_H，是从M个对象获取的一组训练样本，自动编码器能够通过一个线性映射和一个非线性激活函数f将x_i映射到一个隐含层表征输出表示如下：

y_i＝f(W₁x_i+b₁) (7)

式中：和分别为编码权重矩阵与偏移向量。

自编码神经网络属于无监督学习算法范畴，在预训练得到初始参数过程中，它使用了反向传播算法，并令目标值等于输入值，即隐含层的表征输出y_i被映射到向量以近似地通过式(8)所示线性映射对输入向量x_i进行重构。

式中：和分别为编码权重矩阵和偏移向量。

出于对特征本质的学习目的，需要使x_i与之间的重构误差最小化以提高分类模型的泛化能力。记重构误差为表达式为：

此外，为了更好地实现隐含层参数的稀疏性，本申请进一步引入Kullback-Liebler散度表征第j层隐含层的平均活跃度ρ与目标平均活跃度之间的差异。Kullback-Liebler散度表征的是两个分别以ρ和为均值的伯努利随机变量之间分布差异的相对熵，具体表达式如下：

至此，得到求解初始参数的损失函数：

式中：γ为控制稀疏性惩罚因子的权重。

步骤(八)具体过程为：

网络参数训练结束后，进一步引入Softmax回归进行测试样本的分类。训练集包括{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，其中假设函数如下：

式中：θ为使损失函数最小的网络参数。

对于给定的输入样本，使用假设函数计算每类的概率值p(y＝j|x)。针对故障与扰动的二分类问题，假设函数形式如下：

式(13)所示假设函数的输出值为样本所属类别的概率，用于判定样本所属类别。

步骤(九)的具体目的为进行最终的检测环节，也可以测试所提方法检测准确性。

步骤(九)具体过程为：

采集样本数据后，经过步骤(1)-(6)，获得待测试样本数据的特征向量，特征向量送入前期已经利用训练样本数据集经由步骤(1)-(8)训练完毕的神经网络判定是否发生故障。

其中步骤(1)中的公共点电压信号分为两种情况，在检测时输入的是检测样本的公共点电压信号，而在深度神经网络模型构建时，录入的是原始的训练样本公共点电压信号；

表3

本方法中，多分辨率经验模态分解实现了对信号频谱分层细致的解析，各层奇异谱熵对表征信号各层的唯一特征进行了统一的度量，组合后的特征向量定量描述了信号的本质特征，对同类信号和同种样本具有稳定性，适用于故障检测关键特征的提取。

一种基于深度学习的电网故障检测模型的构建系统，该系统包括模态分解模块、相空间奇异谱熵提取模块和训练及检测模块；

模态分解模块将公共点电压信号进行多分辨率经验模态分解，并将数据传输至相空间奇异谱熵提取模块，相空间奇异谱熵提取模块利用分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层奇异值，根据各层奇异值提取各层相空间奇异谱熵；奇异谱熵数据进入训练及检测模块，训练及检测模块将多层奇异谱熵组合后构成该信号下的多分辨率奇异谱熵的深度神经网络参数特征向量，对提取出的特征向量进行分析训练，进而得用于电网故障检测的深度神经网络模型。

本方法中样本数据来自通过PSCAD/EMTDC软件建立的光伏仿真模型，控制策略选取电网电压前馈补偿的电流跟踪控制方法。仿真环境设定包括：电网电压220V，系统频率f＝50Hz，负载为RLC并联方式，其中R＝8Ω，C＝995.22μF，L＝10.2mH，品质因数Qf＝2.5，模拟含6kW分布式光伏系统的配电网孤岛与扰动事件，用于产生训练和测试样本。选取公共点电压作为输入信号，采样频率30kHz，仿真时长0.2s。

本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于深度学习的电网故障检测方法，其特征在于：该方法步骤如下：

(一)、将公共点电压信号进行多分辨率经验模态分解；

(二)、利用步骤(一)的分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层相空间矩阵的奇异值，根据各层奇异值提取各层相空间奇异谱熵；将多层奇异谱熵组合后构成多分辨率奇异谱熵的深度神经网络参数特征向量；

(三)、将步骤(二)中的特征向量直接代入深度神经网络模型进行电网故障检测。

2.根据权利要求1所述的一种基于深度学习的电网故障检测方法，其特征在于：(三)步骤中的深度神经网络模型构建方法如下：

第一步，采用与所述(一)—(二)步骤相同的方式得深度神经网络参数特征向量；

第二步，对提取出的特征向量进行分析训练，训练完毕得到用于电网故障检测的深度神经网络模型。

3.根据权利要求2所述的一种基于深度学习的电网故障检测方法，其特征在于：(一)步骤中：将公共点电压信号进行多分辨率经验模态分解步骤如下：

(1.1)录入公共点电压信号f(k)(k＝1,2,…,N)，N为采样点数；其中公共点电压信号包含，在检测时输入的是检测样本的公共点电压信号，在深度神经网络模型构建时，录入的是原始的训练样本公共点电压信号；

(1.2)对待分析公共点电压信号f(k)(k＝1,2,…,N)，N为采样点数，用经验模态分解进行处理，分解出第1个固有模态函数的候选分量h₁；

(1.3)判断(1.2)步骤中的第1个固有模态函数的候选分量h₁是否满足固有模态函数条件，若满足固有模态函数条件，则h₁被判定为f(k)的第1个固有模态函数分量，若不满足，则将h₁作为待处理信号重新计算，持续分解固有模态函数完毕。

4.根据权利要求2所述的一种基于深度学习的电网故障检测方法，其特征在于：(二)步骤具体方式如下：

(2.1)对每层的重构信号进行n维的相空间重构，重构相空间矩阵为A；

(2.2)对每层相空间矩阵A进行奇异谱分解，得到对应层重构相空间矩阵A的奇异值，基于信息熵理论，根据相空间矩阵A的奇异值计算各层信号的奇异谱熵H_j。

(2.3)将各层奇异谱熵值H_j组合，得到多分辨率奇异谱熵的深度神经网络参数特征向量T，作为故障检测的特征向量。

5.根据权利要求2所述的一种基于深度学习的电网故障检测方法，其特征在于：第二步具体方式如下：

(3.1)构建基于实际异常状态检测问题的深度神经网络框架，采用栈式自编码器对深度神经网络参数进行逐层预训练，获取初始化参数；

(3.2)使用最速梯度下降法对栈式自编码器对(3.1)步骤中获取的初始化参数进行有监督的微调训练，微调整个深度神经网络的初始化参数，得到参数的最优解，并经由Softmax分类器完成深度神经网络模型训练。

6.根据权利要求3所述的一种基于深度学习的电网故障检测方法，其特征在于：所述步骤(1.1)中原始电压信号具体选取方式为：利用光伏并网仿真系统，选取公共电压节点的电压信号作为输入信号，记为f(k)，选取四种样本电压信号，包括故障状态下的电压暂升信号、故障状态下的电压暂降信号、扰动状态下的电压暂升信号和扰动状态下的电压暂降信号。

7.根据权利要求3所述的一种基于深度学习的电网故障检测方法，其特征在于：步骤(1.2)中1个固有模态函数的候选分量具体方式为：

f(k)的第一个固有模态函数候选h₁由式(1)确定：

h₁＝f(k)-m₁(1)；

式中：m₁表示f(k)的上、下包络线均值。

8.根据权利要求3所述的一种基于深度学习的电网故障检测方法，其特征在于：步骤(1.3)中

固有模态函数判定规则如下：

(1.3.1)信号的整个波形中极值点的个数与过零点的个数必须相等或最多相差不超过1个；

(1.3.2)任意时刻由局部极值点组成的包络线相对于时间轴局部对称；

步骤(1.3)中：若h₁被判定为固有模态函数分量，则将d₁记作第一个固有模态函数，分离d₁，得到剩余量信号r₁：

r₁＝f(k)-d₁ (2)；

步骤(1.3)中判定结果若不是，则对分量进行如下重新计算：

将h₁替代原公式中的f(k)作为待处理信号，重新计算，再次判定是否为固有模态函数。

步骤(1.3)中，若满足固有模态函数条件则h₁被判定为f(k)的第1个固有模态函数分量，并继续分解其余固有模态函数，继续分解其余固有模态函数的规则如下：

将r₁视为原始数据，重复步骤(1.1)-(1.3)直至最后的第n组余量r_n不满足固有模态函数成立条件，获得固有模态函数分量组：

r_n＝r_n-1-d_n(3)

得到：

完成各个固有模态函数分量的分解，式中d_i表示第i组固有模态函数。

9.一种基于深度学习的电网故障检测系统，其特征在于：该系统包括电网故障检测模块包括模态分解模块、特征向量构成模块和代入检测模块；模态分解模块与特征向量构成模块数据连接，特征向量构成模块与代入检测模块数据连接；

模态分解模块将公共点电压信号进行多分辨率经验模态分解，特征向量构成模块将模态分解模块分解后的信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层相空间矩阵的奇异值，根据各层奇异值提取各层相空间奇异谱熵；将多层奇异谱熵组合后构成多分辨率奇异谱熵的深度神经网络参数特征向量，并将该数据传递至代入检测模块，代入检测模块将特征向量构成模块中得出的特征向量直接代入深度神经网络模型进行电网故障检测。

10.根据权利要求9所述的一种基于深度学习的电网故障检测系统，其特征在于：代入检测模块包括特征向量构建模块和模型训练模块；

特征向量构建模块将公共点电压信号进行多分辨率经验模态分解；利用分解信号进行相空间重构，对每层相空间矩阵进行奇异谱分解得到每层相空间矩阵的奇异值，根据各层奇异值提取各层相空间奇异谱熵；将多层奇异谱熵组合后构成多分辨率奇异谱熵的深度神经网络参数特征向量；

模型训练模块对特征向量构建模块得出的特征向量进行分析训练，训练完毕得到用于电网故障检测的深度神经网络模型。