CN112101077A - 一种配电网故障类型的识别方法 - Google Patents

Abstract

本发明公开了一种配电网故障类型识别方法，所述方法包括：构建故障波形生成器模型和故障波形识别器模型用于为分类器训练提供故障波形‑故障类型数据组；构建辅助分类器模型，该辅助分类器模型用于识别输入的故障波形的时序为顺时序或逆时序；构建故障分类器模型，且该故障分类器模型与辅助分类器模型中的部分结构保持一致；利用实际故障波形‑故障类型数据组或由故障波形生成器生成的人工故障波形‑故障类型数据组，对故障分类器模型进行训练，从而获得故障分类器。

Description

一种配电网故障类型的识别方法

技术领域

本发明涉及电力技术领域，尤其涉及一种配电网故障类型的识别方法。

背景技术

配电网是电力***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发现处理，其中对馈线异常工况的识别是智能配电网的重要功能。

随着配电网线路监测***的出现，配电网实际运行中的电流电压数据被采集，并开始运用传统的提取特征方法结合一些机器学习方法对工况进行分类。如CN103136587A中公开了一种传统小波包提取仿真数据特征与支持向量机结合的配电网工况分类方法。CN103245881A中公开了一种基于潮流分布特征的配电网故障分析方法及装置。CN107340456A中公开了一种基于多特征分析的配电网工况智能识别方法。但上述方法中采用人工提取录波特征时，在提取过程中会造成关键数据信息的丢失，导致录波分类不准确。并且提取特征与录波分类被分成了不能同步修正的两个过程，这种非端对端的训练方式限制了识别正确率上限。

如CN10810732A中，申请人在先提出的端对端的工况类型识别方法中不再采用人工对波形进行特征提取，然后使用提取的特征来识别工况的方案。而是对波形本身简单预处理后直接建模识别，机器学习模型自身带有特征提取和工况分类的功能，此种端对端训练模型的方法能进一步提升识别正确率。这种方法使用深度神经网络以实现直接将波形本身作为模型输入。然而深度神经网络的训练依赖于大量的原始暂态录波波形-故障类型数据组作为原始训练数据。而实际情况中，配电网中发生的故障类型的确认大部分情况下是需要人工现场处理时才能够得到的。这就导致大量的暂态录波波形是没有相对应匹配的故障类型的，这样的数据是无法用于神经网络模型训练的，从而导致深度神经网络模型的训练数据不足，训练效果不佳。由此可见本领域中需要一种能够基于大量无对应匹配的故障类型的暂态录波波形对深度神经网络模型进行训练，并利用得到故障分类器对暂态录波数据进行精准故障类型识别的方法。

发明内容

本发明所要解决的技术问题之一在原始暂态录波波形-故障类型数据组不足时，训练得到用于识别配电网故障类型的故障分类器。

基于上述本发明所要解决的的技术问题，本发明提供一种配电网故障类型识别方法，所述方法包括：

构建故障波形生成器模型和故障波形识别器模型，所述故障波形生成器模型用于根据输入的故障类型生成对应的人工故障波形，所述故障波形识别器模型用于根据输入的故障波形识别该故障波形是实际故障波形或人工故障波形；

利用实际故障波形-故障类型数据组对故障波形生成器模型和故障波形识别器模型进行训练以得到故障波形生成器和故障波形识别器；

构建辅助分类器模型，该辅助分类器模型用于识别输入的故障波形的时序为顺时序或逆时序；并利用实际故障波形对辅助分类器模型进行训练以得到辅助分类器；

构建故障分类器模型，该故障分类器模型用于根据故障波形的输入识别该故障波形所对应的故障类型，且该故障分类器模型与辅助分类器模型中的部分结构保持一致；

利用实际故障波形-故障类型数据组和由故障波形生成器生成的人工故障波形-故障类型数据组对故障分类器模型进行训练，从而获得故障分类器；

将实际发生的故障录波波形输入故障分类器以识别出实际发生的故障类型。

在一个实施例中，所述实际故障波形-故障类型数据组中的实际故障波形既包括原始故障录波波形，也包括原始故障录波波形经过数据增强处理的强化数据波形，所述增强处理是指对故障波形中的三相电流在矩阵中随机变换位置或对故障波形施加高斯噪声。

在一个实施例中，故障波形生成器模型与故障波形识别器模型进行对抗训练，故障波形识别器模型使用adam优化器 ，通过最小化故障波形识别器模型的损失函数均值来优化参数，而故障波形生成器模型通过最大化故障波形识别器模型的损失函数均值来优化参数，故障波形生成器模型与故障波形识别器模型的对抗训练实施预定轮次后再将故障波形生成器生成的人工故障波形-故障类型数据组用于对故障分类器模型进行训练。

在一个实施例中，备份当前得到的故障分类器，并继续利用实际故障波形-故障类型数据组和由故障波形生成器生成的人工故障波形-故障类型数据组继续对故障分类器模型进行训练，当训练的验证结果是正确率提高时，则以本次训练得到故障分类器替代备份的故障分类器。如验证结果为正确率下降时，则放弃本次训练得到的故障分类器。

在一个实施例中，如验证结果为正确率下降时，备份当前故障波形生成器及故障波形识别器，并利用实际故障波形-故障类型数据组和由故障波形生成器生成的人工故障波形-故障类型数据组对故障波形生成器模型及故障波形识别器模型再次进行训练。

在一个实施例中，故障波形生成器模型设置成包括全连接层区域和去卷积层区域，所述全连接层区域包括两层全连接层，在每一层中均引入高斯噪声，所述去卷积层区域包括若干去卷积块，去卷积块的数量由训练获得。

在一个实施例中，故障波形识别器模型包括卷积层区域和全连接层区域，在卷积层区域包括卷积层和平均池化层，在全连接层区域包括两层全连接层，并在浅层位置的全连接层引入故障类型标签。

在一个实施例中，所述辅助分类器模型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、卷积块和平均池化层。

在一个实施例中，所述故障分类器模型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、卷积块和平均池化层；且故障分类器模型中的卷积块中的一部分与辅助分类器中的卷积块具有相同结构。

人工数据增强>

由于在现有技术中，故障类型的确定一般都是由人工现场处理故障时才能够得到确认，因此能够具有相对应故障类型的原始故障录波波形的数量是有限的，这样数量的原始故障录波波形-故障类型数据组的数量是不足够于各种分类模型进行训练的，因此本发明中提出了对原始故障录波波形-故障类型数据组进行数据强化处理，从而生成强化数据波形-故障类型数据组，所述数据强化处理包括对故障波形中的三相电流在矩阵中随机变换位置或对故障波形施加高斯噪声。由于上述数据处理过程并没对原始波形做出本质性的变换，也没有造成原始故障录波波形中体现故障类型信息的内容的变化或缺失。所述原始故障录波波形-故障类型数据组与强化数据波形-故障类型数据组都作为实际故障波形-故障类型数据组使用。

故障分类器>

如图1所述为本发明的故障分类器模型的框架结构示意图，该故障分类器模型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，当全部超参数训练完成时则生成本发明所述的故障分类器。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softmax输出层，最后输出工况类型。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训练得到的优化超参数，而第二全连接层的神经元个数设置与工况类型个数相同。

如图2a至2b所示的是本发明卷积块具体结构示意图，其中图2a中所示为两层卷积结构，由两层卷积层叠加构成。图2b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2c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训练得到。

辅助分类器>

本发明中使用辅助分类器模型的目的在于帮助故障分类器模型进行训练，因此本发明中的辅助分类器模型在浅层结构上使用了与故障分类器模型相同的卷积结构。如图3所示为本发明中所使用的辅助分类器模型的结构示意图，该辅助分类器模型适用于对原始暂态录波波形的顺时序和逆时序进行判断，辅助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。其中，卷积层区域中的输入卷积层及部分卷积块的超参数设置成与故障分类器模型中的输入卷积层及部分卷积块的超参数相同，从而使得辅助分类器模型与故障分类器模型在浅层结构上一致。由于辅助分类器模型输入的是原始暂态录波波形，而该波形的顺时序和逆时序信息是波形所自带的，因此所有的暂态录波波形数据均可作为训练辅助分类器的训练数据。当辅助分类器模型进过训练生成辅助分类器后，该辅助分类器的相应的浅层结构中输入卷积层及部分卷积块的超参数可直接使用到故障分类器模型中的浅层结构中。

故障波形生成器>

本发明中的故障波形生成器模型通过输入故障类型能够输出该故障类型所对应的故障波形，如图4所示为本发明中的故障波形生成器模型的结构示意图，该故障波形生成器模型包括全连接层区域和去卷积层区域，所述全连接层区域包括两层全连接层，并在每一层中均引入高斯噪声，所述去卷积层区域包括若干去卷积块，去卷积块的具体数量通过训练获得。

故障波形识别器>

本发明中的故障波形识别器模型用于鉴别所输入的故障波形-故障类型数据组是实际故障波形-故障类型数据组，还是人工故障波形-故障类型数据组。当输入为实际故障波形-故障类型数据组时，故障波形识别器输出为真，当输入为人工故障波形-故障类型数据组时，故障波形识别器输出为假。如图5所示为本发明中故障波形识别器的结构示意图，该故障波形识别器包括卷积层区域和全连接层区域，在卷积层区域包括卷积块，在全连接层区域包括两层全连接层，并在浅层位置的全连接层引入故障类型标签。

故障波形识别器的作用在于为故障波形生成器提供对抗训练，即故障波形生成器与故障波形识别器共同训练，故障波形识别器模型使用adam优化器 ，通过最小化故障波形识别器模型的损失函数均值来优化参数，而故障波形生成器通过最大化故障波形识别器模型的损失函数均值来优化参数。即随着故障波形识别器模型的训练，其能够更为准确的分别实际故障波形与人工故障波形，而随着故障波形生成器模型的训练，能够生成更为接近实际故障波形的人工故障波形。

故障分类器模型与辅助分类器模型的训练>

图6中所示为本发明的故障分类器模型与辅助分类器模型训练流程图，该训练的目的在于，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分类器中所需的全部参数，并形成最优超参数组合的模型。该训练过程如下：

a.将分类器模型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所得到的分类器。

故障波形生成器模型与故障波形识别器模型的对抗训练实施预定轮次后再将故障波形生成器生成的人工故障波形-故障类型数据组用于对故障分类器模型进行训练。

故障波形生成器及故障波形识别器模型的训练>

图7中所示为本发明的故障波形生成器模型及故障波形识别器模型训练流程图，该训练的目的在于，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故障波形生成器模型和故障波形识别器模型中所需的全部参数，并获得模型的最优参数组合，从而生成故障波形生成器和故障波形识别器。该训练过程如下：

a.将故障波形生成器模型和故障波形识别器模型结构输入超参数随机生成器；

b.生成故障波形生成器和故障波形识别器模型池；

c.训练数据集对故障波形生成器和故障波形识别器模型进行优化，故障波形识别器模型使用adam优化器 ，通过最小化故障波形识别器模型的损失函数均值来优化参数，而故障波形生成器通过最大化故障波形识别器模型的损失函数均值来优化参数。

故障波形识别器模型的损失函数的损失函数为：

其中

中

的为实际故障波形-故障类型数据组，

中的

为人工故障波形-故障类型数据组。

d.利用测试数据组模型池中优化过的故障波形生成器和故障波形识别器模型进行测试，获得故障波形生成器和故障波形识别器。

每次训练得到的故障分类器均进行备份，并继续利用实际故障波形-故障类型数据组和由故障波形生成器生成的人工故障波形-故障类型数据组继续对故障分类器模型进行训练，当训练结果为损失函数值收敛时，则以本次训练得到故障分类器替代备份的故障分类器。如结果为损失函数值不收敛时，则放弃本次训练得到的故障分类器。

本发明的发明点在于如下几个方面：

1.本发明提出了使用故障波形生成器和故障波形识别器来生成更多可以供故障分类器训练的故障波形-故障类型数据组，从而弥补了现实情况中实际故障波形-故障类型数据组不足的缺陷。

2.本发明提出了使用用于判断实际故障波形顺时序或逆时序的辅助分类器来提高故障分类器的训练效率。通过将辅助分类器和故障分类器的浅层设置成相同结构并共享参数从而降低故障分类器模型的训练强度。

3.本发明中利用数据增强手段对有限的原始故障波形-故障类型数据组进行变换，从而得到更多的实际故障波形-故障类型数据组。

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是本发明的故障分类器模型的框架结构示意图；

图2a-2c是本发明的卷积块具体结构示意图；

图3是本发明的辅助分类器模型的结构示意图；

图4是本发明的故障波形生成器模型的结构示意图；

图5是本发明的故障波形识别器模型的结构示意图；

图6中所示为本发明的故障分类器模型与辅助分类器模型训练流程图；

图7中所示为本发明的故障波形生成器模型及故障波形识别器模型训练流程图；

图8所示为本发明一实施例的故障波形生成器结构示意图；

图9所示为本发明一实施例的故障波形识别器结构示意图；

图10所示为本发明一实施例的的辅助分类器结构示意图；

图11为故障类型为避雷器击穿的实际的故障波形示例；

图12为故障类型为避雷器击穿的实际的故障波形的顺时序波形及逆时序波形；

图13所示为本发明一实施例的故障分类器结构示意图；

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。

本实施例中使用原始故障录波波形-故障类型数据组502组，其中包括八类故障类型，无对应故障类型的原始故障录波波形为12011条。经过数据增强后得到的实际故障波形-故障类型数据组为4518条，无对应故障类型的实际故障波形为108099条

首先，利用训练数据集、验证数据集和测试数据集根据本发明的模型训练方法对故障波形生成器模型和故障波形识别器模型进行训练以获得故障波形生成器和故障波形识别器，所述训练数据集包括全部108099个实际故障波形以及3150组实际故障波形-故障类型数据组，测试数据集与验证数据集各包括684组实际故障波形-故障类型数据组。根据上述训练数据集和测试数据集对故障波形生成器模型和故障波形识别器模型经过30轮训练后得到故障波形生成器和故障波形识别器。在训练故障波形识别器模型时，所使用的的训练数据集、测试数据集和验证数据集中实际故障波形-故障类型数据组与人工故障波形-故障类型数据组的数量相同，且实际故障波形-故障类型数据组在多轮次训练中是可以重复使用的，但人工故障波形-故障类型数据组只使用一次。

如图8所示为本实施例的故障波形生成器，该故障波形生成器中故障类型输入第一全连接层，该第一全连接层神经元个数为32，经过第一全连接层的输出结果引入高斯噪声后输入第二全连接层，第二全连接层神经元个数为64个，经过第二全连接层的输出结果引入高斯噪声后输入去卷积块Ⅰ。所述去卷积块Ⅰ的第一层为去卷积层，该去卷积层的去卷积核长度为5，去卷积核个数为64，第二层为卷积层，该卷积层的卷积核长度为3，卷积核个数为64。去卷积块Ⅰ输出结果输入去卷积块Ⅱ，所述去卷积块Ⅱ的第一层为去卷积层，该去卷积层的去卷积核长度为5，去卷积核个数为64，第二层为卷积层，该卷积层的卷积核长度为3，卷积核个数为32。去卷积块Ⅱ输出结果输入去卷积块Ⅲ，所述去卷积块Ⅲ的第一层为去卷积层，该去卷积层的去卷积核长度为5，去卷积核个数为32，第二层为卷积层，该卷积层的卷积核长度为3，卷积核个数为16。去卷积块Ⅲ输出结果输入去卷积块Ⅳ，所述去卷积块Ⅳ的第一层为去卷积层，该去卷积层的去卷积核长度为5，去卷积核个数为16，第二层为卷积层，该卷积层的卷积核长度为3，卷积核个数为1。

如图9所示的故障波形识别器结构示意图，该故障波形识别器中，故障波形输入卷积层Ⅰ，所述卷积层Ⅰ的卷积核长度为7，卷积核个数为64。随后输入卷积层Ⅱ，所述卷积层Ⅱ的卷积核长度为7，卷积核个数为128。随后输入卷积层Ⅲ，所述卷积层Ⅲ的卷积核长度为3，卷积核个数为256。随后输入卷积层Ⅳ，所述卷积层Ⅳ的卷积核长度为3，卷积核个数为512。随后进入平均池化层。经过平均池化层后进入第一全连接层，该第一全连接层具有520个神经元，且同时向第一全连接层输入故障标签，经过第一全连接层后输出结果输入第二全连接层，该第二全连接层具有神经元个数为512个，随后进入第三全链接层，该第三全链接层神经元个数为1，最后输出故障波形是否为原始暂态录波波形。

如图10所示为本实施例通过训练得到的辅助分类器结构示意图，图11为一个实际的故障波形示例，该故障波形的故障类型为避雷器击穿。图12为该故障波形的顺时序波形及逆时序波形。顺时序及逆时序波形的生成过程包括对故障波形进行数据增强的过程，具体的作法是对故障波形中的三相电流在矩阵中随机变换位置或对故障波形施加高斯噪声。进行数据增强后的波形即为顺时序波形，对时序取逆则生成逆时序波形。

该辅助分类器中的卷积层区域中包括输入卷积层、卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅲ和平均池化层，全连接层区域中为两层全连接层。所述输入卷积层的卷积核长度为3，卷积核个数为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长为3，个数为8，第二卷积层的卷积核的长为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长为5，个数为16，第二卷积层的卷积核的长为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长为5，个数为32，第二卷积层的卷积核的长为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长为3，个数为16，第二卷积层的卷积核的长为4，个数为16，第三卷积层的卷积核的长为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设置为单通道的卷积层，其中第一卷积层的卷积核的长为3，个数为32，第二卷积层的卷积核的长为3，个数为64。随后，将卷积块Ⅲ的输出结果输入平均池化层。

本实施例中，在卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅲ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16，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。从而得到输入波形的顺逆时序判别结果。

图13所示为本实施例训练后得到的故障分类器，该故障分类器的训练，根据训练数据集、验证数据集和测试数据集进行训练，训练过程中前30轮仅采用实际故障波形-故障类型数据组进行训练，其中训练数据集包括3150组实际故障波形-故障类型数据组，测试数据集与验证数据集各包括684组实际故障波形-故障类型数据组。训练30轮次后引入人工故障波形-故障类型数据组，此后的训练过程中每个轮次所使用的训练数据集、测试数据集、验证数据集中均采用3/4的实际故障波形-故障类型数据组，1/4为人工故障波形-故障类型数据组。其中3/4的实际故障波形-故障类型数据组中的数据是重复选取4518条实际故障波形-故障类型数据组的，而1/4的人工故障波形-故障类型数据组每个轮次中均选用故障波形生成器生成的新的人工故障波形-故障类型数据组。在验证过程中设置通过验证集85%的数据组验证则该故障分类器通过验证。

该故障分类器中的卷积层区域中包括输入卷积层、卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅳ和平均池化层，全连接层区域中为两层全连接层。在该模型中，输入卷积层、卷积块Ⅰ和卷积块Ⅱ的结构及参数与辅助分类器中的是完全一致的，因此在训练过程中大大减少了需要进行训练的参数数量，降低了训练强度。

所述输入卷积层的卷积核长度为3，卷积核个数为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长为3，个数为8，第二卷积层的卷积核的长为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长为5，个数为16，第二卷积层的卷积核的长为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长为5，个数为32，第二卷积层的卷积核的长为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长为3，个数为16，第二卷积层的卷积核的长为4，个数为16，第三卷积层的卷积核的长为3，个数为32，将卷积块Ⅱ三个通道的结果取和输入卷积块Ⅳ。卷积块Ⅳ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长为2，个数为32，第二卷积层的卷积核的长为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长为3，个数为32，第二卷积层的卷积核的长为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长为3，个数为32，第二卷积层的卷积核的长为3，个数为32，第三卷积层的卷积核的长为3，个数为64，将卷积块Ⅳ三个通道的结果取和输入平均池化层。

本实施例中，在卷积块Ⅰ、卷积块Ⅱ、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Ⅳ，卷积块Ⅱ输出结果与卷积块Ⅲ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16，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。从而得到输入波形的故障类型判别结果。

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 (9)

1.一种配电网故障类型识别方法，其特征在于，所述方法包括：

构建故障波形生成器模型和故障波形识别器模型，所述故障波形生成器模型用于根据输入的故障类型生成对应的人工故障波形，所述故障波形识别器模型用于根据输入的故障波形识别该故障波形是实际故障波形或人工故障波形；

利用实际故障波形-故障类型数据组对故障波形生成器模型和故障波形识别器模型进行训练以得到故障波形生成器和故障波形识别器；

构建辅助分类器模型，该辅助分类器模型用于识别输入的故障波形的时序为顺时序或逆时序；并利用实际故障波形对辅助分类器模型进行训练以得到辅助分类器；

构建故障分类器模型，该故障分类器模型用于根据故障波形的输入识别该故障波形所对应的故障类型，且该故障分类器模型与辅助分类器模型中的部分结构保持一致；

利用实际故障波形-故障类型数据组和由故障波形生成器生成的人工故障波形-故障类型数据组对故障分类器模型进行训练，从而获得故障分类器；

将实际发生的故障录波波形输入故障分类器以识别出实际发生的故障类型。

2.根据权利要求1所述的配电网故障类型识别方法，其特征在于，所述实际故障波形-故障类型数据组中的实际故障波形既包括原始故障录波波形，也包括原始故障录波波形经过数据增强处理的强化数据波形，所述增强处理是指对故障波形中的三相电流在矩阵中随机变换位置或对故障波形施加高斯噪声。

3.根据权利要求2所述的配电网故障类型识别方法，其特征在于，故障波形生成器模型与故障波形识别器模型进行对抗训练，故障波形识别器模型使用adam优化器，通过最小化故障波形识别器模型的损失函数均值来优化参数，而故障波形生成器模型通过最大化故障波形识别器模型的损失函数均值来优化参数，故障波形生成器模型与故障波形识别器模型的对抗训练实施预定轮次后再将故障波形生成器生成的人工故障波形-故障类型数据组用于对故障分类器模型进行训练。

4.根据权利要求3所述的配电网故障类型识别方法，其特征在于，备份当前得到的故障分类器，并继续利用实际故障波形-故障类型数据组和由故障波形生成器生成的人工故障波形-故障类型数据组继续对故障分类器模型进行训练，当训练的验证结果是正确率提高时，则以本次训练得到故障分类器替代备份的故障分类器。如验证结果为正确率下降时，则放弃本次训练得到的故障分类器。

5.根据权利要求4所述的配电网故障类型识别方法，其特征在于，如验证结果为正确率下降时，备份当前故障波形生成器及故障波形识别器，并利用实际故障波形-故障类型数据组和由故障波形生成器生成的人工故障波形-故障类型数据组对故障波形生成器模型及故障波形识别器模型再次进行训练。

6.根据权利要求5所述的配电网故障类型识别方法，其特征在于，故障波形生成器模型设置成包括全连接层区域和去卷积层区域，所述全连接层区域包括两层全连接层，在每一层中均引入高斯噪声，所述去卷积层区域包括若干去卷积块，去卷积块的数量由训练获得。

7.根据权利要求6所述的配电网故障类型识别方法，其特征在于，故障波形识别器模型包括卷积层区域和全连接层区域，在卷积层区域包括卷积层和平均池化层，在全连接层区域包括两层全连接层，并在浅层位置的全连接层引入故障类型标签。

8.根据权利要求7所述的配电网故障类型识别方法，其特征在于，所述辅助分类器模型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、卷积块和平均池化层。

9.根据权利要求8所述的配电网故障类型识别方法，其特征在于，所述故障分类器模型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、卷积块和平均池化层；且故障分类器模型中的卷积块中的一部分与辅助分类器中的卷积块具有相同结构。

Images