[发明专利]一种基于深度自编码器的变电站接地网故障诊断方法

权利要求书

1.一种基于深度自编码器的变电站接地网络故障诊断方法，其特征在于：包括：采用一个高频激励源依次对变电站接地网进行信号输入；在高频激励源的输入下，采集可及节点中的输出数据；将可及节点中的输出数据送入深度自编码器进行训练，当深度自编码器收敛时，深度自编码器中间故障特征提取层的输出变量便为提取的故障特征值，以此可以实现接地网故障的诊断。

2.如权利要求1所述的一种基于深度自编码器的变电站接地网络故障诊断方法，其特征在于，使用一个高频激励源对变电站接地网依次进行激励，再采集可及节点的固定个数的输出数据，例如：采用20kHZ的电压源对变电站的接地网进行激励，再采集可及节点的输出信号，选择输出信号的前600个数据作为输出数据，记为x₀。

3.如权利要求1所述的一种基于深度自编码器的变电站接地网络故障诊断方法，其特征在于，对每一对可及节点的总输出信号，采用深度自编码器进行特征提取，深度自编码器一共9层，其中前4层称为编码器部分，其结构与神经网络相同，分别包含600、500、400、300个神经元，后4层称为解码器部分，与编码器结构对称，分别包含300、400、500、600个神经元。

4.中间第5层为输出层，维度根据接地网的节点数来确定，中间第六层为包含2个神经元的故障特征提取层，该层的输出信号便为提取的变电站接地网的故障特征，例如，某变电站的接地网节点数为10，那么中间第5层输出层的维度即为10，故障特征提取层的维度为2，深度自编码器采用逐层训练方法，训练步骤为：某变电站可及节点的输出数据为x₀，先训练编码器部分，具体步骤为：

①用反向传播算法训练一个三层的子编码器，记为f₁，f₁的三层分别包含600、500、600个神经元，f₁的输入信号和标签信号都为x₀，输出信号记为f₁(x₀)，损失函数记为L₁，且为：L₁= x₀- f₁(x₀)，当使用反向传播算法使得子编码器f₁的损失函数L₁收敛后，固定已经训练好的子编码器f₁的第一层600个神经元的参数和第二层神经元的500个神经元的参数；

②用反向传播算法训练一个三层的子编码器，记为f₂，f₂的三层分别包含500、400、500个神经元，特别注意的是f₂第一层的500个神经元的参数是固定的，为步骤j中子编码器f₁中的已训练好并固定的第二层参数，输入信号和标签信号都为x₀，输出信号为子编码器f₂的输出信号，记为f₂(x₀)，损失函数记为L₂，为：L₂= x₀- f₂(x₀)，当使用反向传播算法使得子编码器f₂的损失函数L₂收敛后，固定已经训练好的子编码器f₂的第一层500个神经元的参数和第二层神经元的400个神经元的参数；

③用反向传播算法训练一个三层的子编码器，记为f₃，子编玛器的三层分别包含400、300、400个神经元，特别注意的是f₃第一层的400个神经元的参数是固定的，为步骤k中子编码器f₂的已训练好的并固定的第二层参数，f₃的输入信号和标签信号都为x₀，输出信号记为f₃(x₀)，则损失函数记为L₃，为：L₃= x₀- f₃(x₀)，当使用反向传播算法使得子编码器f₃的损失函数L₃收敛后，固定好已经训练好的子编码器f₃的第一层500个神经元的参数和第二层神经元的400个神经元的参数；

④用反向传播算法训练一个三层的子编码器，记为f₄，子编玛器的三层分别包含300、300、300个神经元，特别注意的是f₄第一层的300个神经元的参数是固定的，为步骤l中子编码器f₃的已训练好的并固定的第二层参数，f₄的输入信号和标签信号都为x₀，输出信号记为f₄(x₀)，损失函数记为L₄，且为：L₄= x₀- f₄(x₀)，当使用反向传播算法使得子编码器f₄的损失函数L₄收敛后，固定好已经训练好的子编码器f₄的第一层300个神经元的参数和第二层神经元的300个神经元的参数；

⑤上述4步骤完成后，将f_1、f_2、f_3、f₄的第一层重新组合成一个新的编码器f₅；

⑥将f₅的最后一层再叠加一个包含10个神经元的输出层，组成一个新的神经网络f₆，再使用反向传播算法训练输出层的10个神经元的参数，输入信号和标签信号都为x₀，输出信号为f₆的输出信号，记为f₆(x₀)，损失函数记为L₆，为：L₆= x₀- f₆(x₀)，当使用反向传播算法使得子编码器f₆的损失函数L₆收敛后，固定输出层的10个神经元的参数，此时，最后一层接一个包含2个神经元的故障特征提取层，将整体网络使用反向传播进行训练，对参数进行微调；同理按上述方法训练解码器，当编码器和解编码器都收敛后，中间故障特征提取层的输出变为变电站接地网的故障特征，便可以通过提取的故障特征进行变电站接地网的故障诊断。