[发明专利]一种配电网高阻接地故障人工智能识别方法

权利要求书

1.一种配电网高阻接地故障人工智能识别方法，其特征在于，包括如下步骤：

步骤S1、采集各馈线首段高阻接地故障、正常工况零序电流信号，将采集的原始信号划分为待增强训练集与测试集；

步骤S2、对步骤S1获取的训练集与测试集分别进行间隔采样，获得待增强训练集与未增强测试集；

步骤S3、搭建生成对抗网络GAN模型；

步骤S4、使用步骤S2获取的待增强训练集与随机噪声向量训练生成对抗网络GAN模型，经过循环对抗训练后生成器与判别器达到二者的纳什均衡点，训练完成，保存模型参数；

步骤S5、利用步骤S4获取的训练完成的生成对抗网络GAN模型定向生成高阻接地故障样本，生成样本数据分布与真实样本一致；将所述高阻接地故障样本加入待增强训练集，解决数据集的样本类别不平衡问题，获得增强训练集；

步骤S6、搭建深度卷积神经网络CNN故障识别模型；

步骤S7、利用步骤S5获取的增强训练集训练深度卷积神经网络CNN故障识别模型，训练完成后使用未增强测试集进行测试，测试结果表明未知标签样本属于高阻接地故障样本或非故障样本。

2.根据权利要求1所述的一种配电网高阻接地故障人工智能识别方法，其特征在于，生成对抗网络GAN模型由一个生成器G网络和一个判别器D网络组成，其训练损失函数如下式所示：

式中，E[·]表示期望运算；D(～)代表判别器对输入数据来源的判断输出分数；max表示当输入为真实样本时，最大化判别器输出分数D(x)，当输入为伪样本G(z)时，最小化判别器输出分数D(G(z))，即最大化1-D(G(z))；min表示生成器在迭代训练中不断提高生成样本的质量，企图欺骗判别器使其误以为是真实样本，获得判别器的高分输出D(G(z))，即最小化1-D(G(z))。

3.根据权利要求1所述的一种配电网高阻接地故障人工智能识别方法，其特征在于，生成对抗网络GAN模型采用循环对抗训练方式，具体实现如下：

3.1、初始化生成器G和判别器D网络参数，设置包括学习率、迭代次数、批训练样本数量的超参数；

3.2、固定生成器G网络参数，使用同等数量的待增强训练样本和生成器生成样本训练判别器D网络多次；参数的训练采用随机梯度下降法，优化的参数包括判别器D神经网络线性层的权重ω和偏置b；

3.3、固定判别器D网络参数，噪声数据输入训练生成器G网络进行少次训练；参数的训练采用随机梯度下降法，优化的参数包括生成器G神经网络线性层的权重ω和偏置b；

3.4、重复3.2和3.3训练步骤，直至达到最大迭代次数；判别器和生成器通过循环对抗训练提升各自的判别能力和生成能力，最终达到二者的纳什均衡状态，训练结束，保存生成器和判别器网络参数。