[发明专利]一种样本不均衡下的单向接地故障馈线识别方法

权利要求书

1.一种样本不均衡下的单相接地故障馈线识别方法，其特征在于，具体包括如下步骤：

S1、现场单相接地故障案例筛选，采集出现故障的主站各馈线首段首半波零序电流信号，将故障信息缺失、噪声分量过高的零序电流数据挑选出来，构建原始数据库；

S2、将时序信号进行图像化，将原始数据库中的时序信号变换为时频谱灰度图，构建待增强样本训练集；

S3、构建基于条件式生成对抗网络CGAN模型；所述条件式生成对抗网络CGAN模型由生成器模型和判别器模型组成；

S4、将经过步骤S2获取的待增强样本训练集输入CGAN模型进行模型训练，通过生成器与判别器的循环博弈训练，获得训练好的CGAN模型，保存模型；将标签与噪声拼接后，输入上述训练好的CGAN模型中得到的生成样本；

S5、利用步骤S4保存的CGAN模型对步骤S1构建单相接地故障的原始数据库增强，平衡故障馈线与非故障馈线之间的数量差异，提高训练集样本数量；

S6、将进行增强后的原始数据库中的数据集作为数据驱动模型的训练集，然后使用未经过数据增强的测试集进行分类，得到的分类结果能够表明波形数据属于故障馈线或属于健全馈线。

2.根据权利要求1所述的一种样本不均衡下的单相接地故障馈线识别方法，其特征在于：所述步骤S1中各馈线首段首半波零序电流信号为包含100个采样点的一维时序信号，首段首半波零序电流信号采样频率为10kHz，采样时间为0.1s。

3.根据权利要求1所述的一种样本不均衡下的单相接地故障馈线识别方法，其特征在于：所述步骤S2中时序信号图像化具体为将原始的一维时序信号通过连续小波变换获得二维时频谱灰度图；所述时频谱灰度图的特征维度为64×64。

4.根据权利要求1所述的一种样本不均衡下的单相接地故障馈线识别方法，其特征在于：所述步骤S3中条件式生成对抗网络CGAN模型是在原始生成对抗网络GAN的基础上，通过在生成器与判别器的构建过程引入样本的类别标签作为附加信息条件，以指导样本的生成过程。

5.根据权利要求4所述的一种样本不均衡下的单相接地故障馈线识别方法，其特征在于：所述生成器网络包含1层全连接层、4层反卷积层和4层批归一化层，隐含层使用Relu激活函数，输出层使用tanh激活函数；判别器网络包含5层卷积层、5层批归一化层和1层全连接层，激活函数为LeakyRelu和Sigmoid激活函数。

6.根据权利要求1所述的一种样本不均衡下的单相接地故障馈线识别方法，其特征在于：所述步骤S4中待增强样本训练集输入CGAN模型进行模型训练以及生成样本的具体步骤包括：

A1、初始化生成器和判别器网络参数；

A2、固定生成器网络，使用同等数量的待增强样本训练集和生成器生成样本对判别器进行100轮预训练，提升判别器甄别能力；

A3、循环训练生成器与判别器，直至生成器与判别器训练达到二者的纳什均衡点，生成时频谱样本分布与真实样本分布一致，训练完毕，保存模型参数；

A4、对波形样本的所属状态类别进行One-Hot编码，每个标签信息特征维度为2，维度为100的随机高斯噪声与标签信息进行拼接后输入上述已训练好的模型，再经过生成器网络映射成为指定类型生成样本。

7.根据权利要求6所述的一种样本不均衡下的单相接地故障馈线识别方法，其特征在于：所述生成器和判别器采用随机梯度下降法来进行模型的优化，优化的参数包括生成器和判别器神经网络线性层的权重ω和偏置b。

8.根据权利要求7所述的一种样本不均衡下的单相接地故障馈线识别方法，其特征在于：所述步骤A1初始化生成器和判别器的网络参数时，学习率设置为0.0002，迭代次数为4000，采用小批量训练方式，批迭代样本数量设置为128，优化算法选用Adam算法。