本發明涉及深度學習，提出一種基于自監督表征學習的電力系統故障波形識別方法。

背景技術：

1、輸配電網承擔著用戶的供電任務,對供電可靠性的影響巨大，如果發生故障，會對生產生活造成嚴重影響。因此，當輸配電網發生故障時，準確快速地進行故障定位顯得至關重要。目前，電力系統故障波形識別以機器學習的方法為主，深度學習的相關研究較少。

2、文獻《基于時頻分析與深度學習的交流輸電線路雷擊波形識別研究》中提出了一種基于時頻分析算法與深度學習的結合的識別方案。本方案選擇了短時傅里葉變換，小波變換，以及hilbert-huang變換3種時頻分析算法在matlab軟件上對雷擊仿真波形進行時頻分析，得到對應的時頻譜數據集。選擇了resnet18和lstm兩類深度學習網絡進行分類實驗，以3類時頻譜數據集作為模型的輸入，從雷擊波形的實際工程特點出發改進了損失函數，從而對模型進行優化。最終以損失函數的下降程度與驗證數據集的正確率為準則，分析比較不同時頻算法與深度學習網絡結合的實驗結果，最后提出小波變換與resnet18網絡兩者結合作為雷擊波形識別的主要模型，并將改模型應用于故障波形的識別。

3、上述方案有如下優點：

4、1、分別引入了短時傅里葉變換，小波變換以及hilbert-huang變換對仿真的對雷擊波形數據進行時頻分析，得到不同類型的包含各類特征的時頻數據集。與傳統的傅里葉變換相比，在分析非平穩突變信號的局限性較小。

5、2、提出了時頻分析算法與resnet模型結合的方法，并應用于雷擊波形識別，有著良好的識別精度。

6、但是，該方案也存在一些缺點和不足：

7、1、該方案的研究是建立在仿真的基礎上，仿真的波形沒有復雜的環境干擾，來源比較干凈，與真實的雷擊波形有一定的不同，因此該方案在實際場景應用下的性能仍然有待考察。

8、2、該方案采用了監督學習的訓練方式，訓練樣本集必須由帶標簽的樣本組成，在實際應用中，為所有樣本數據加上標簽的過程可能需要耗費大量時間與精力。

技術實現思路

1、本發明的目的是針對現有技術中的不足，提供一種基于自監督表征學習的電力系統故障波形識別方法。

2、其技術方案如下：

3、一種基于自監督表征學習的電力系統故障波形識別方法，包括數據采樣，還包括如下步驟：

4、s1、基于采樣數據，構造正負關系對數據集和內部時間關系數據集；

5、s2、基于正負關系對以及內部時間序列的關系對網絡進行自監督訓練；

6、s3、利用少量帶標簽的數據訓練識別網絡，將所述識別網絡與步驟s2訓練好的網絡相結合，實現對數據的分類。

7、進一步的，所述網絡包括特征提取網絡、樣本間關系推理網絡以及內部時間關系推理網絡。

8、進一步的，所述步驟s3是將特征提取網絡與識別網絡結合。

9、進一步的，所述正負樣本對數據集由正關系對和負關系對組成，正關系對是從相同擴充集采樣的兩段時間序列，負關系對是從不同擴充集采樣的兩段時間序列，它們之間的關系作為標簽，正關系為1，負關系為0。

10、進一步的，所述內部時間關系數據集由不同的時間序列組成，時間關系是根據它們的時間距離分配的，在訓練任務中，規定了短期、中期和長期三種時間關系，分別對應不同的關系標簽。

11、進一步的，所述特征提取網絡為卷積神經網絡；所述樣本間關系推理網絡以及內部時間關系推理網絡為全連接神經網絡。

12、進一步的，還包括如下時間關系采樣算法：

13、s11、數據采集：采集歷史數據，設tn為一個長度為t的時間序列，pn,u和pn,v分別是采樣自tn的兩段長度為l的時間序列，c為時間關系類別的數量；

14、s12、定義標簽集合：其中是pn,u和pn,v時間關系的標簽；

15、s13、定義時間距離du,v和距離閾值d：du,v＝|u-v|，其中u和v分別是pn,u和pn,v的起始點數；

16、s14、計算標簽：若

17、若

18、……………

19、若

20、否則

21、執行完以上步驟，就完成了對標簽的計算。

22、進一步的，還包括如下自監督訓練算法：

23、s21、構造卷積神經網絡，作為特征提取網絡fθ，兩個全連接神經網絡，分別作為樣本間關系推理網絡γμ和內部時間關系推理網絡γφ；

24、s22、對于tm和tn，通過對幅值和時域進行變換，分別生成兩組增強集a(tm)和a（tn），從兩個增強集中進行采樣，分別構造出正關系對和負關系對

25、s23、以正負關系對數據集為輸入，利用網絡fθ進行特征提取：

26、

27、

28、

29、s24、以提取后的特征作為輸入，利用樣本間關系推理網絡γμ進行關系推理：

30、

31、

32、二元交叉熵損失linter定義如下：

33、

34、其中表示正關系，表示負關系。

35、s25、按照時間關系采樣算法構造時間片段關系對（pn,u，pn,v）

36、s26、以內部時間關系數據集為輸入，利用網絡fθ進行特征提取：

37、zn,u＝fθ（pn,u）

38、zn,v＝fθ(pn,v)

39、s27、以提取后的特征作為輸入，利用內部時間關系推理網絡γφ進行關系推理：

40、

41、交叉熵損失lintra定義如下：

42、

43、進一步的，所述自監督訓練算法還包括：

44、s28、訓練損失定義如下：

45、l＝linter+lintra

46、以減小損失函數l為目標，不斷更新fθ、γμ、γφ的參數，直至訓練結束。

47、進一步的，所述步驟s3具體包括：

48、s31、當自監督訓練完成后，舍去關系推理網絡γμ和γφ，僅保留特征提取網絡fθ；

49、s32、構建一個全連接神經網絡γ作為數據識別網絡，以少量帶標簽樣本對識別網絡進行訓練，訓練完成后，特征提取網絡fθ結合識別網絡γ實現對電力數據的分類。

50、本發明的有益效果是：

51、本發明在訓練時采用了自監督的學習方式，可以學習到更多電力系統故障數據的底層特征，且訓練時采用了真實數據而非理論仿真數據，因此該方案會有更好的識別精度；除此之外，自監督學習帶來的無需對故障數據進行大量標記的便利，也是本發明所提出方案的巨大優勢所在。

技術特征：

1.一種基于自監督表征學習的電力系統故障波形識別方法，包括數據采樣，其特征在于，還包括如下步驟：

2.根據權利要求1所述的一種基于自監督表征學習的電力系統故障波形識別方法，其特征在于，所述網絡包括特征提取網絡、樣本間關系推理網絡以及內部時間關系推理網絡。

3.根據權利要求2所述的一種基于自監督表征學習的電力系統故障波形識別方法，其特征在于，所述步驟s3是將特征提取網絡與識別網絡結合。

4.根據權利要求3所述的一種基于自監督表征學習的電力系統故障波形識別方法，其特征在于，所述正負樣本對數據集由正關系對和負關系對組成，正關系對是從相同擴充集采樣的兩段時間序列，負關系對是從不同擴充集采樣的兩段時間序列，它們之間的關系作為標簽，正關系為1，負關系為0。

5.根據權利要求3所述的一種基于自監督表征學習的電力系統故障波形識別方法，其特征在于，所述內部時間關系數據集由不同的時間序列組成，時間關系是根據它們的時間距離分配的，在訓練任務中，規定了短期、中期和長期三種時間關系，分別對應不同的關系標簽。

6.根據權利要求4或5所述的一種基于自監督表征學習的電力系統故障波形識別方法，其特征在于，所述特征提取網絡為卷積神經網絡；所述樣本間關系推理網絡以及內部時間關系推理網絡為全連接神經網絡。

7.根據權利要求6所述的一種基于自監督表征學習的電力系統故障波形識別方法，其特征在于，還包括如下時間關系采樣算法：

8.根據權利要求7所述的一種基于自監督表征學習的電力系統故障波形識別方法，其特征在于，還包括如下自監督訓練算法：

9.根據權利要求8所述的一種基于自監督表征學習的電力系統故障波形識別方法，其特征在于，所述自監督訓練算法還包括：

10.根據權利要求9所述的一種基于自監督表征學習的電力系統故障波形識別方法，其特征在于，所述步驟s3具體包括：

技術總結
本發明涉及深度學習技術領域，提出一種基于自監督表征學習的電力系統故障波形識別方法；包括：S1基于采樣數據，構造正負關系對數據集和內部時間關系數據集；S2基于正負關系對以及內部時間序列的關系對網絡進行自監督訓練；S3利用少量帶標簽的數據訓練識別網絡，將所述識別網絡與步驟S2訓練好的網絡相結合，實現對數據的分類；本發明在訓練時采用了自監督的學習方式，可以學習到更多電力系統故障數據的底層特征，且訓練時采用了真實數據而非理論仿真數據，因此該方案會有更好的識別精度；除此之外，自監督學習帶來的無需對故障數據進行大量標記的便利，也是本發明所提出方案的巨大優勢所在。

技術研發人員：劉玉林,荊峰,王炳國,張利,聶萬慶,高景棟,劉慶寶,張元勝,孫立想,管斌
受保護的技術使用者：中國石油化工集團有限公司
技術研發日：
技術公布日：2025/4/28