CN110232409A - 一种配网跳闸故障类型自动识别方法 - Google Patents

Abstract

一种配网跳闸故障类型自动识别方法，构造适用于识别配网跳闸故障类型的DNN模型，将数据处理后的历史故障数据输入DNN模型，进行模型训练，将数据处理后的新的故障数据输入训练好的DNN模型，进行配网跳闸故障类型识别。本发明可有效挖掘故障数据中蕴含的特征，完成配网跳闸故障类型的自动、快速、准确识别，不仅可以提升识别准确度和效率，同时可以在一定程度上节省人力、物力，缩短故障识别时间。

Description

一种配网跳闸故障类型自动识别方法

技术领域

本发明涉及电力系统及其自动化领域，尤其涉及一种配网跳闸故障类型自动识别方法。

背景技术

随着电网规模的快速扩大，电网结构日趋复杂，设备数量日益增加，配网跳闸故障情况逐渐暴露。同时由于天气原因，如台风、雷暴等极端气象条件造成的配网跳闸故障也不可避免。因此，在面临大量的跳闸故障信息时，能够有效地进行故障类型自动识别，对配电网的安全稳定运行至关重要。

当前配网故障统计系统的运行方式一般为，通过接入供电公司的SCADA系统、调度D5000系统和公司PMS2.0配抢系统，以配网三遥为基础，辅以专业人员的判断，进行故障确认，主要确认信息包括故障断路器类型(线路/主变/母线)及故障情况(直接跳闸/重合成功/重合失败/非故障跳闸)。配网故障统计需要处理的数据量较大，每年的故障信息可达到数万条，这也导致对配网故障情况进行逐一判定需投入较多的人力，而且大量数据处理的准确度无法保障。在此背景下，采用辅助算法进行配网故障分析是实现提高故障识别准确率，减少人力投入的重要手段。

对于大量配网故障数据的处理分析，通常可采用人工智能方法，例如使用人工神经网络、专家系统或者概率模型等。人工神经网络因其结构较简单、学习能力强、泛化能力好的特点，具备一定的优势，但仍然存在特征提取能力不足，训练困难等问题，导致配网故障识别的准确度不高。专家系统则可以根据知识库内容进行数据归类，准确度有所提升，但存在知识库信息量大，建立难度大，需要对知识库进行反复更新，无法进行实时配网故障分析等问题。对于概率模型来说，其与人工神经网路一样，均需要进行模型搭建与训练，且所需的数据量更大，训练难度更高，同时计算结果为概率值，无法对配网故障类型进行精准分类。

发明内容

本发明提供一种配网跳闸故障类型自动识别方法，可有效挖掘故障数据中蕴含的特征，完成配网跳闸故障类型的自动、快速、准确识别，不仅可以提升识别准确度和效率，同时可以在一定程度上节省人力、物力，缩短故障识别时间。

为了达到上述目的，本发明提供一种配网跳闸故障类型自动识别方法，包含以下步骤：

构造适用于识别配网跳闸故障类型的DNN模型；

将数据处理后的历史故障数据输入DNN模型，进行模型训练；

将数据处理后的新的故障数据输入训练好的DNN模型，进行配网跳闸故障类型识别。

所述的DNN模型包含输入层、多个隐含层以及输出层，层与层之间以全连接的方式连接在一起。

所述的DNN模型中，隐含层为5层，每层隐含层都包含108个神经元。

所述的DNN模型中，层与层之间的数据传递公式为：

a^l＝s(W^la^l-1+b^l)；

式中，a^l代表第l层神经元的输出，l＝1,2,…n，输入x则表示为a⁰，W^l为连接第l-1层和第l层神经元的权值矩阵，b^l为第l层神经元的偏置项；

深度神经网络最终的输出：

式中，函数s(x)为激活函数，在隐含层中，选用LReLU作为激活函数，其表达式为：

s(x)＝max(0.01x,x)

在输出层中，选用softmax函数作为激活函数，其定义式如下：

式中，k表示x的第k维。

所述的模型训练方法包含：通过不断地调整自身的权重参数W和偏置参数b来使得深度神经网络的输出值与样本的标签一致

使用损失函数L衡量深度神经网络的输出值和样本实际标签的差异：

式中，m为样本数，j表示第j个样本，k表示某一样本输出的第k维，y表示样本的实际标签，表示深度神经网络的预测输出；

学习算法采用均方根传播和学习率衰减的混合算法，学习算法中参数的更新公式如下：

r^(k)＝ρr^(k-1)+(1-ρ)dθ^(k)⊙dθ^(k)

θ^(k)＝θ^(k-1)-Δθ^(k)

其中，dθ^(k)是第k次更新时θ的梯度；θ^(k-1)是在第k次更新之前的系数；是在第k次更新时θ对于损失函数的偏导；r^(k)是在第k次更新时参数的平方梯度的移动平均数；ρ是衰减率；⊙代表Hadamard乘积；Δθ^(k)是在第k次更新时参数的变化量；α^(k)是在第k次更新时的学习率；δ是为了防止出现而设置的常数；θ^(k)是在第k次更新后的参数；α₀代表初始学习率；ε表示学习率的衰减率。

所述的历史故障数据的数据处理方法包含以下步骤：

构造输入向量，将故障数据转换成适合DNN模型的数据维度的数据；

根据历史故障数据的特征进行判定得到相应的配网跳闸故障类型，对配网跳闸故障类型进行编码后，将其作为训练样本的输出向量；

对所构造的输入向量故障数据进行归一化处理。

所述的新的故障数据的数据处理方法包含以下步骤：

构造输入向量，将故障数据转换成适合DNN模型的数据维度的数据；

对所构造的输入向量故障数据进行归一化处理。

所述的构造输入向量的方法包含：将输入的故障数据中的遥控信号、配网跳闸动作信号和电流信号堆叠在一起，形成输入向量。

所述的输出向量代表的配网故障跳闸类型包含：直接跳闸、重合成功、重合失败、非故障跳闸、异常数据。

采用z-score归一化方法对故障数据进行归一化处理，公式如下：

式中，x^*为归一化后的故障数据值，x为待归一化的故障数据值，μ为故障数据均值，σ为故障数据标准差。

本发明可有效挖掘故障数据中蕴含的特征，完成配网跳闸故障类型的自动、快速、准确识别，不仅可以节省大量人力、物力，同时可有效缩短故障识别时间，提升识别效率。

附图说明

图1是本发明提供的配网跳闸故障类型自动识别方法的流程图。

图2是DNN模型的示意图。

图3是对遥控信号的处理示意图。

图4是对配网跳闸动作信号的处理示意图。

图5是对电流信号的处理示意图。

图6是对电流信号缺失部分进行填充的示意图。

图7是本发明实施例中配网跳闸故障类型识别方法的流程图。

图8是实施例中配网故障信息系统的示意图。

图9是实施例中遥信变位告警信号的示意图。

图10是实施例中遥测采样数据的示意图。

图11是实施例中遥控操作记录的示意图。

具体实施方式

以下根据图1～图11，具体说明本发明的较佳实施例。

近年来兴起的深度学习技术，相比于传统人工神经网络，采用了更深的网络结构，更优的激活函数，更优的学习算法。深度神经网络(Deep Neural Networks，DNN)有着更强的特征提取能力，更能挖掘蕴含在故障数据中的特征，在图像处理、语音识别等多个领域都表现出了比浅层神经网络更优的性能。为此，本发明利用深度学习技术来识别配网跳闸故障类型，可有效提高识别的精度和速度。

如图1所示，本发明提供一种配网跳闸故障类型自动识别方法，包含以下步骤：

步骤S1、构造适用于识别配网跳闸故障类型的DNN模型；

步骤S2、对历史故障数据进行数据处理；

步骤S3、将数据处理后的历史故障数据输入DNN模型，进行模型训练；

步骤S4、对新的故障数据进行数据处理；

步骤S5、将数据处理后的新的故障数据输入训练好的DNN模型，进行配网跳闸故障类型识别。

如图2所示，步骤S1中，所述的DNN模型包含输入层、多个隐含层以及输出层，层与层之间以全连接的方式连接在一起。

层与层之间的数据传递公式如式(1)所示：

a^l＝s(W^la^l-1+b^l) (1)

式中，a^l代表第l层神经元的输出，l＝1,2,…n，输入x则表示为a⁰，W^l为连接第l-1层和第l层神经元的权值矩阵，b^l为第l层神经元的偏置项。

由式(1)可推算到，深度神经网络最终的输出如式(2)所示：

函数s(x)为激活函数，在隐含层中，选用LReLU(Leaky Rectified Linear Unit)作为激活函数，其表达式如式(3)所示，LReLU激活函数是一个分段线性函数，当输入值x小于或等于零时，输出值等于0.01x；当输入值x大于零时，输出值等于输入值x。

s(x)＝max(0.01x,x) (3)

在输出层中，由于配网故障类型识别属于多分类问题，故选用softmax函数作为激活函数，其定义式如下：

式中，k表示x的第k维。

步骤S3中，所述的模型训练方法包含：

深度神经网络的训练是通过不断地调整自身的参数(即权重参数W和偏置参数b)来使得深度神经网络的输出值与样本的标签一致。使用损失函数L衡量深度神经网络的输出值和样本实际标签的差异。

针对本发明所涉及的多分类问题，选择了适用的对数似然函数作为损失函数L，如式(5)所示：

式中，m为样本数，j表示第j个样本，k表示某一样本输出的第k维，y表示样本的实际标签，表示深度神经网络的预测输出。

在本发明中，学习算法为结合均方根传播(RMSProp)和学习率衰减的混合算法。其中，RMSProp算法可以保持参数的平方梯度的移动平均数不变，使每个参数的步长自适应地更新，从而加快参数的收敛速度。学习率衰减策略随着训练的进行逐渐降低学习率，从而避免算法来回振荡。

在本发明的学习算法中，参数的更新公式如下：

r^(k)＝ρr^(k-1)+(1-ρ)dθ^(k)⊙dθ^(k) (7)

θ^(k)＝θ^(k-1)-Δθ^(k) (9)

其中，dθ^(k)是第k次更新时θ的梯度；θ^(k-1)是在第k次更新之前的系数；是在第k次更新时θ对于损失函数的偏导；r^(k)是在第k次更新时参数的平方梯度的移动平均数；ρ是衰减率，其值设为0.9；⊙代表Hadamard乘积；Δθ^(k)是在第k次更新时参数的变化量；α^(k)是在第k次更新时的学习率；δ是为了防止出现而设置的常数，其值设为10^-8；θ^(k)是在第k次更新后的参数；α₀代表初始学习率，其值设为0.001；ε表示学习率的衰减率，其值设为0.95。

步骤S2中，所述的对历史故障数据进行数据处理的方法包含以下步骤：

步骤1、构造输入向量，将故障数据转换成适合DNN模型的数据维度的数据；

步骤2、根据历史故障数据的特征进行判定得到相应的配网跳闸故障类型，对配网跳闸故障类型进行编码后，将其作为训练样本的输出向量；

步骤3、对所构造的输入向量故障数据进行归一化处理。

具体来说，所述的步骤1中，构造输入向量的方法包含：

输入的故障数据包含：遥控信号、配网跳闸动作信号和电流信号，将遥控信号、配网跳闸动作信号和电流信号堆叠在一起，便形成了共计24维的输入向量。

对于遥控信号，即表达此次开关是否为人为遥控操作。遥控信号由1位数来表示，如图3所示，其中，1表示开关动作是因人为遥控，0表示开关动作并非人为遥控。

对于配网跳闸动作信号，共设置了11位数来表示开关动作状态，如图4所示，其中每一位都用1来表示开关动作，0来表示开关不动作，由于存在开关多次动作的情况，故共用了11位来表示开关的动作情况。

对于电流信号，由于大部分数据都是12个时刻的电流值，故共有12位数用来表示电流值，如图5所示。深度神经网络只能输入固定维度的数据，本发明设置的电流数据维度为12维数据，但实际上一些电流数据可能不足12个时刻。对于这种情况，如图6所示，本发明采用如下处理方式来将电流数据填充为12维：用最后一个时刻的电流数据来填充缺失的部分。由于配网跳闸故障类型的识别依赖于电流的波动情况，而使用该方法填充的数据不存在电流的波动，因此，不会影响最终的分类判断。

所述的步骤2中，输出向量代表的配网故障跳闸类型包含：直接跳闸、重合成功、重合失败、非故障跳闸、异常数据。

如表1所示，输出向量共5维，分别用来表示5种类型。

表1故障类型表示方法

直接跳闸	1	0	0	0	0
						重合成功	0	1	0	0	0
重合失败	0	0	1	0	0
						非故障	0	0	0	1	0
异常数据	0	0	0	0	1

针对每一跳闸类型的配网故障，根据遥控信号、开关动作信号及电流信号，通过如下判别方式来为各样本打上标签：

1、直接跳闸判定；

遥控信号：非遥控操作；

开关动作信号：开关执行分闸操作；

电流信号：电流数值随即掉零(特指电流值小于5A)。

2、重合成功判定；

遥控信号：非遥控操作；

开关动作信号：开关先执行分闸操作，并于30s内执行合闸操作；

电流信号：电流数值随开关动作变化先下降、后上升。

3、重合失败判定；

遥控信号：非遥控操作；

开关动作信号：开关先执行分闸操作，并于30s内执行合闸操作，后于30s内执行分闸操作；

电流信号：电流数值随开关动作变化先下降、后上升，最后掉零。

4、非故障跳闸判定；

非故障跳闸主要包括以下几种情况：

遥控操作；

开关先后执行了分闸、合闸操作，但分闸前和分合闸后30min内的电流始终保持小于5A；

开关仅执行了分闸操作，但分闸前后30min内的电流始终保持小于5A；

在15min内，开关连续执行分闸、合闸操作大于或等于6次，且电流随开关动作同步发生波动型反复变化；

在15min内，开关连续执行分闸、合闸操作大于或等于6次，且电流始终保持小于5A；

5、异常数据判定；

异常数据主要包括以下几种情况：

非遥控操作；

开关执行分闸操作后，电流数据却并未掉零；

开关在断开情况下，先后执行了合闸、分闸操作，但开关经过合闸、分闸前后30min内，电流始终未掉零；

在15min内，开关连续执行分闸、合闸操作大于或等于6次，且电流始终未掉零；

电流值与跳闸动作信号时间不匹配，导致电流数据所覆盖的时刻并未包含故障发生时刻的情况。

所述的步骤3中，采用z-score归一化方法对故障数据进行归一化处理，公式如下：

式中，x^*为归一化后的故障数据值，x为待归一化的故障数据值，μ为故障数据均值，σ为故障数据标准差。

故障数据中的遥控信号、跳闸信号以及输出信号均为0或1，无需进行归一化处理，因此本发明只对电流数据进行了归一化处理。常规的z-score归一化方法通过计算每一维数据的均值和标准差来对每一维的数据进行处理，由于不同维度的数据具有不同的均值和标准差，这样的处理方式可能会改变每一个样本电流数据的波动情况，导致样本失真，影响配网跳闸故障类型的识别。因此，本发明通过计算所有电流数据的均值和标准差来对所有数据进行归一化处理，从而保证归一化前后电流数据的波动情况不变。

步骤S4中，所述的对新的故障数据进行数据处理的方法包含以下步骤：

步骤1、构造输入向量，将故障数据转换成适合DNN模型的数据维度的数据；构造输入向量的方法与历史故障数据相同；

步骤2、对所构造的输入向量故障数据进行归一化处理；归一化处理的方法与历史故障数据相同。

实施例

如图7所示，基于深度神经网络来识别上海电网的配网跳闸故障类型。

1、获取历史故障数据。

如图8所示为上海电网目前具备的配网故障信息系统，该系统通过专用数据接口抓取SCADA、D5000及PMS2.0等系统数据。抓取数据包括遥信变位告警信号(图9)、二次遥信告警、遥信SOE、遥测采样数据(图10)、遥控操作记录等数据(图11)等，原始故障数据。

2、对历史故障数据进行数据处理。

采用本发明所提出的输入向量构造方法将历史故障数据转换成适用于DNN输入的形式，并人工为每个故障数据打上标签，形成输出向量。然后计算所有故障数据电流值的均值和标准差，采用z-score标准化方法对训练样本的电流数据进行归一化预处理。

3、训练DNN模型。

在进行数据处理后，便可对DNN模型进行训练。根据样本数据的维度和复杂程度，并通过大量对比实验，本实施例设定了训练过程涉及的超参数：DNN模型的层数为7层，每层神经元个数为24、108、108、108、108、108、5；批量大小与样本数相同，即将所有样本一起输入DNN中进行训练；学习率α最初为0.001，经指数衰减(α＝α₀×0.95^(k-1),k为迭代次数)到0.00001便不再衰减；RMSprop算法中，衰减率ρ设为0.9，常数δ设为10^-8。

4、配网跳闸故障类型识别。

对于新的故障数据，首先采用步骤2中的数据处理方法将故障数据转换为适用于DNN的输入形式，然后对其进行归一化预处理。然后将归一化后的数据以矩阵形式全部输入步骤3中训练好的DNN模型中，DNN模型可一次性映射出所有故障数据对应的故障类型。

具体仿真如下：经过收集、整理和打标签，本发明形成了共1209个样本数据，选择其中900个数据作为训练样本，剩余309个数据作为测试样本，从而完成了DNN模型的训练和测试。本发明采用准确率来衡量DNN模型训练效果的好坏。本发明使用软件Matlab R2018b完成了模型的搭建和训练。

DNN结构对效果的影响：DNN模型的结构对最终训练效果有着重要的影响。DNN的结构太简单，DNN将难以有效提取蕴含在故障数据中的特征，导致模型欠拟合，使得最终效果不理想。DNN模型结构过于复杂，导致DNN所需调整寻优的参数过度，给训练过程带来困难，同时容易导致模型过拟合，使得最终效果不理想。可见，适当的模型结构复杂度对DNN模型的效果至关重要。而目前对于DNN模型结构的设定尚未有成熟的理论支撑，仍需经过大量的实验来确定最终的模型结构。

由于DNN的输入层和输出层的维度由样本的输入和输出维度决定，故需要设定的模型结构参数为隐含层的层数以及每层的神经元数目。由于隐含层层数及每层神经元数目存在无数种搭配组合，因此不可能完全考虑到所有可能组合。因此，本发明首先固定隐含层层数为6层，然后调整每层神经元数目(每层神经元数目增加或减少10个)，实验结果如表2所示，训练的收敛判据为损失函数下降至0.1或迭代次数达到5万次。

表2隐含层层数相同情况下，每层神经元数对效果的影响。

隐含层层数	每层神经元数	准确率
			6	10	89.32％
6	20	90.29％
			6	30	91.59％
6	40	90.94％
			6	50	91.26％
6	60	89.00％
			6	70	90.94％
6	80	92.23％
			6	90	92.88％
6	100	91.26％
			6	110	91.59％
6	120	89.97％

由表2可见，当深度神经网络结构设为6层每层90个神经元时，模型的准确率最高，为92.88％。为了进一步寻找更优的结构，将隐含层神经元总数定为6×90＝540，然后调整隐含层层数，进行了模型结构的对比实验，实验结果如表3所示。

表3神经元总数相同情况下，隐含层层数对效果的影响。

表3中，当隐含层层数为7层和8层时，为使隐含层神经元总数为540，最后一个隐含层分别设为了78和71。由表3可见，当深度神经网络结构设为5层每层108个神经元时，模型的准确率最高，为93.53％。因此，本发明最终选择的模型结构为24-108-108-108-108-108-5，24和5分别为输入层和输出层的神经元数，由输入、输出样本的维度决定。

深度学习技术与传统人工神经网络的对比：为验证深度学习技术的有效性，本发明将基于深度学习的神经网络与传统的BP神经网络进行了效果对比，准确率的对比如表4所示，计算时间对比如表5所示。训练的收敛判据为损失函数下降至0.1或迭代次数达到5万次。

表4深度学习技术与传统人工神经网络准确率对比。

表4中三种模型的隐含层神经元数目总和均为540。其中，模型1为传统的BP神经网络，只有一个隐含层，属于浅层神经网络。模型1的激活函数为传统的sigmoid函数，其表达式为采用的学习算法为传统的梯度下降算法。模型2也只有一个隐含层，也属于浅层神经网络，但模型2采用了深度学习技术，其激活函数为LReLU函数，学习算法为结合了RMSprop和学习率下降策略的混合算法。模型3共包含5个隐含层，属于深度神经网络，其激活函数和学习算法与模型2相同。

从表4可以看出，模型1迭代50000次后，损失函数仍不能降至0.1，而相同结构的模型2迭代6789次后，损失函数便降至0.1，其收敛速度较模型1而言大大提高。同时模型2的准确率较模型1而言，提升了3.68％。可见，相比较模型1而言，采用深度学习技术的模型2具有更快的收敛速度和更高的识别准确率，这验证了深度学习技术的有效性。对比模型2和模型3可发现，具有更深结构的模型3迭代1686次后，损失函数便降至0.1，其收敛速度较模型2而言有较大提高。同时模型3的准确率比模型2高出3.44％。可见，相比浅层结构，深层的结构具有更强的特征提取能力。

表5列出了三种模型对故障数据进行预测时所消耗的时间。

表5预测时间对比。

从模型1和模型2的预测时间对比可见，由于模型2采用的LReLU激活函数，相比模型1采用的sigmoid函数，不含除法、指数运算，因此模型2的预测速度较模型1提高了3.4倍。

而对比模型2和模型3可发现，由于模型3所包含的参数数目为50333(24×108+108×108+108×108+108×108+108×108+108×5+5×108+5＝50333)，而模型2所包含的参数数目为16205(24×540+540×5+540+5＝16205)，模型3的参数数目比模型2多，因此，其预测时间比模型2更长。

由表5可见，对于309个故障数据，本发明所选用的模型3仅需6.49毫秒便可实现故障类型的识别，可见，本发明所提出的方法可实现配网跳闸故障类型的快速、准确识别。

从实验结果可知：本发明所提出的基于深度神经网络的配网跳闸故障类型自动识别方法，通过特征向量的构造将原始故障数据转换为深度神经网络可识别的形式，然后对数据进行了归一化预处理，以利于深度神经网络的训练。完成训练的深度神经网络可自动识别出故障数据所对应的配网跳闸故障类型，识别准确率达到了93.53％。

本发明公开了一种基于深度神经网络的配网跳闸故障类型自动识别方法，针对现有识别方法仍需投入大量人力，效率低下的不足，提出了一种自动、快速、准确的识别方法。首先将原始故障数据转换成适用于输入深度神经网络的形式；然后考虑到需要根据电流波动情况来对故障进行识别的特点，采用改进的z-score归一化方法对样本数据进行了预处理，利用归一化后的样本训练深度神经网络；经过训练的深度神经网络可有效挖掘故障数据中蕴含的特征，从而完成配网跳闸故障类型的自动、快速、准确识别。最后，通过算例仿真分析了所提深度神经网络模型的识别准确率和识别速度，验证了所提方法的有效性。

本发明采用上述技术方案后，主要产生了以下有益效果：

本发明构造的输入向量以及使用的数据预处理方法能够有效地将历史故障数据所包含的信息转换成适用于深度神经网络的形式，使得深度神经网络能够有效地挖掘故障数据所蕴含的特征，为配网跳闸故障类型的自动识别提供了技术支撑。

本发明中经过训练的深度神经网络可有效地挖掘故障数据的特征，自动准确地完成配网跳闸故障类型的识别。用该方法替代传统的人工识别方法，不仅可以提升识别准确度和效率，同时可以在一定程度上节省人力、物力，缩短故障识别时间。

本发明可广泛应用于配电网的跳闸故障类型识别中。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种配网跳闸故障类型自动识别方法，其特征在于，包含以下步骤：

构造适用于识别配网跳闸故障类型的DNN模型；

将数据处理后的历史故障数据输入DNN模型，进行模型训练；

将数据处理后的新的故障数据输入训练好的DNN模型，进行配网跳闸故障类型识别。

2.如权利要求1所述的配网跳闸故障类型自动识别方法，其特征在于，所述的DNN模型包含输入层、多个隐含层以及输出层，层与层之间以全连接的方式连接在一起。

3.如权利要求2所述的配网跳闸故障类型自动识别方法，其特征在于，所述的DNN模型中，隐含层为5层，每层隐含层都包含108个神经元。

4.如权利要求3所述的配网跳闸故障类型自动识别方法，其特征在于，所述的DNN模型中，层与层之间的数据传递公式为：

a^l＝s(W^la^l-1+b^l)；

式中，a^l代表第l层神经元的输出，l＝1,2,…n，输入x则表示为a⁰，W^l为连接第l-1层和第l层神经元的权值矩阵，b^l为第l层神经元的偏置项；

深度神经网络最终的输出：

式中，函数s(x)为激活函数，在隐含层中，选用LReLU作为激活函数，其表达式为：

s(x)＝max(0.01x,x)

在输出层中，选用softmax函数作为激活函数，其定义式如下：

式中，k表示x的第k维。

5.如权利要求4所述的配网跳闸故障类型自动识别方法，其特征在于，所述的模型训练方法包含：通过不断地调整自身的权重参数W和偏置参数b来使得深度神经网络的输出值与样本的标签一致

使用损失函数L衡量深度神经网络的输出值和样本实际标签的差异：

式中，m为样本数，j表示第j个样本，k表示某一样本输出的第k维，y表示样本的实际标签，表示深度神经网络的预测输出；

学习算法采用均方根传播和学习率衰减的混合算法，学习算法中参数的更新公式如下：

r^(k)＝ρr^(k-1)+(1-ρ)dθ^(k)⊙dθ^(k)

θ^(k)＝θ^(k-1)-Δθ^(k)

其中，dθ^(k)是第k次更新时θ的梯度；θ^(k-1)是在第k次更新之前的系数；是在第k次更新时θ对于损失函数的偏导；r^(k)是在第k次更新时参数的平方梯度的移动平均数；ρ是衰减率；⊙代表Hadamard乘积；Δθ^(k)是在第k次更新时参数的变化量；α^(k)是在第k次更新时的学习率；δ是为了防止出现而设置的常数；θ^(k)是在第k次更新后的参数；α₀代表初始学习率；ε表示学习率的衰减率。

6.如权利要求5所述的配网跳闸故障类型自动识别方法，其特征在于，所述的历史故障数据的数据处理方法包含以下步骤：

构造输入向量，将故障数据转换成适合DNN模型的数据维度的数据；

根据历史故障数据的特征进行判定得到相应的配网跳闸故障类型，对配网跳闸故障类型进行编码后，将其作为训练样本的输出向量；

对所构造的输入向量故障数据进行归一化处理。

7.如权利要求6所述的配网跳闸故障类型自动识别方法，其特征在于，所述的新的故障数据的数据处理方法包含以下步骤：

构造输入向量，将故障数据转换成适合DNN模型的数据维度的数据；

对所构造的输入向量故障数据进行归一化处理。

8.如权利要求7所述的配网跳闸故障类型自动识别方法，其特征在于，所述的构造输入向量的方法包含：将输入的故障数据中的遥控信号、配网跳闸动作信号和电流信号堆叠在一起，形成输入向量。

9.如权利要求8所述的配网跳闸故障类型自动识别方法，其特征在于，所述的输出向量代表的配网故障跳闸类型包含：直接跳闸、重合成功、重合失败、非故障跳闸、异常数据。

10.如权利要求9所述的配网跳闸故障类型自动识别方法，其特征在于，采用z-score归一化方法对故障数据进行归一化处理，公式如下：

式中，x^*为归一化后的故障数据值，x为待归一化的故障数据值，μ为故障数据均值，σ为故障数据标准差。