[发明专利]一种基于迁移学习的过电压智能识别方法

说明书

本发明提供一种基于迁移学习的过电压智能识别方法，包括下列步骤：S1、采集过电压波形数据，形成过电压波形图数据库；S2、构建过电压特征提取基础模型，基于ImageNet训练数据库，实现所述过电压特征提取基础模型的学习训练；S3、保存训练好的所述过电压特征提取基础模型中的配制参数，在所述过电压特征提取基础模型的基础上建立过电压迁移学习模型；S4、基于所述过电压波形图数据库，实现所述过电压迁移学习模型的学习训练；S5、通过训练后的过电压迁移学习模型实现过电压波形图的分类识别。

技术领域

本发明涉及电网过电压智能识别技术领域，尤其涉及一种基于迁移学习的过电压智能识别方法。

背景技术

传统的过电压分类模型往往是基于仿真数据库建立，对各类仿真波形的特征提取与分类识别效果上佳，而对采集于变电站中的实测过电压数据(非标准且受到各种干扰影响)的关键特征提取能力与分类准确率则会大幅降低，然而利用实测过电压数据训练具有相对较高适应能力的过电压特征提取与分类模型却存在以下两大难题：1、由于过电压数据量不足，导致模型结构简单，所提取的特征肤浅片面，容易以偏概全，模型应用价值降低；2、如果强制复杂化模型结构以提取深度特征，由于现阶段采集获得的过电压数据库数据不足，难以满足网络参数训练要求，产生过拟合，模型训练失去意义。

发明内容

本发明的目的在于提供一种基于迁移学习的过电压智能识别方法，能够满足变电站实测过电压的时域波形识别要求，以解决上述背景技术中提出的问题。

本发明是通过以下技术方案实现的：一种基于迁移学习的过电压智能识别方法，包括下列步骤：

S1、采集过电压波形数据，形成过电压波形图数据库；

S2、构建过电压特征提取基础模型，基于ImageNet训练数据库，实现所述过电压特征提取基础模型的学习训练；

S3、保存训练好的所述过电压特征提取基础模型中的配制参数，在所述过电压特征提取基础模型的基础上建立过电压迁移学习模型；

S4、基于所述过电压波形图数据库，实现所述过电压迁移学习模型的学习训练；

S5、通过训练后的过电压迁移学习模型实现过电压波形图的分类识别。

优选的，所述过电压特征提取基础模型包括卷积特征提取网络、逻辑修正网络、分类识别网络。

优选的，所述卷积特征提取网络包括全卷积层、深度卷积提取层、逐点卷积提取层，所述全卷积层的输出接入所述深度卷积提取层的输入，所述深度卷积提取层的输出接入所述逐点卷积提取层的输入，且所述深度卷积提取层、逐点卷积提取层之间交错搭建；

所述全卷积层用于实现图像特征信息的完全扫描；

所述深度卷积提取层用于图像特征信息的滤波；

所述逐点卷积提取层用于实现图像特征信息的组合。

优选的，所述逻辑修正网络包括平均池化层以及卷积修正层，所述逐点卷积提取层的输出接入所述平均池化层的输入，所述平均池化层的输出接入所述卷积修正层的输入，所述平均池化层以及卷积修正层用于实现图像特征信息的降维。

优选的，所述分类识别网络包括第一softmax分类器，所述卷积修正层的输出接入所述第一softmax分类器的输入，所述第一softmax分类器用于实现所述ImageNet训练数据库的分类识别。

优选的，建立过电压迁移学习模型的过程包括：

保留所述卷积特征提取网络、所述逻辑修正网络，将所述分类识别网络修改为带有全连接层以及第二softmax分类器的浅层神经网络，所述逻辑修正网络的输出接入所述全连接层的输入，所述全连接层的输出接入所述第二softmax分类器的输入，所述第二softmax分类器用于实现所述过电压波形图数据库的分类识别。