技术摘要：
本发明涉及一种基于DCNN的电力系统暂态信号分析方法，包括以下步骤：步骤一：采集一维电能信号；步骤二：将一维电能信号进行二维图像化处理；步骤三：构建DCNN模型；步骤四：基于二维图像训练DCNN模型；步骤五：基于经训练的DCNN模型进行电力系统暂态信号分析。本发明  全部
背景技术：
随着当今社会科技的飞速发展，社会对电力能源的需求快速提升。特别是基于微 电子的精密IT设备的出现，对电能质量也提出了更严格的标准和要求。按照传统习惯，电能 质量通常可以分成稳态和暂态两部分。稳态电能质量包括电压的波动和简谐波等信号；暂 态电能质量主要指短时电压变化和一些暂态现象，主要包括短时谐波、电压暂升、电压暂 降、电压中断、暂态震荡等。信号仿真波形如图四。与稳态电能质量相比，暂态电能质量虽然 持续时间短、影响范围小，但对电能质量的影响非常大。因此，研究电力系统暂态信号分析 方法是迫切的。 目前，对于电力系统暂态信号的分析主要包括特征提取、类别划分两部分。且信号 分析之前需要进行复杂的预处理，如降噪滤波等。数据的预处理需要耗费大量时间，且预处 理结果直接影响后期信号分析的结果。因此，避免前期对信号的复杂预处理、实现原始信号 的直接输入是电力系统暂态信号分析发展的必然趋势。 DCNN(Deep  Convolutional  Neural  Networks：深度卷积神经网络)，是一类包含 卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。DCNN拥有多个隐 藏层，使得其具有更强的表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。 在处理多维输入向量的图像时，DCNN可以直接输入原始信号进行分类识别，避免传统方法 特征提取与数据分类处理过程的复杂性，显著降低计算量。目前，DCNN已经广泛应用与人脸 识别、车牌识别等等领域。 例如，中国专利文献CN106874940A公开了一种建立识别车辆信息的模型的方法及 装置，所述建立识别车辆信息的模型的方法包括：获取车辆信息图像和所述车辆信息图像 对应的车辆信息；根据所述车辆信息图像，得到所述车辆信息图像的灰度特征图、1bp特征 图、梯度幅值特征图和梯度方向特征图；将所述车辆信息图像的灰度特征图、1bp特征图、梯 度幅值特征图和梯度方向特征图和所述车辆信息图像对应的车辆信息作为训练数据，对神 经网络模型进行训练，直至所述神经网络模型对所述车辆信息图像信息识别的准确度大于 预设阈值，解决了现有汽车采用语音通讯方式获取信息，使得信息在传输过程中容错性差， 信息存储量低且抗干扰性差，降低了汽车驾驶过程中信息获取的准确性的问题。 中国专利文献CN108573225A公开了一种局部放电信号模式识别方法及系统，其主 要技术特点是：获取局部放电信号的大数据样本；构建深度卷积神经网络模型；基于局部放 电信号的大数据样本训练深度卷积神经网络模型；基于经训练的所述深度卷积神经网络模 型确定待识别的局部放电信号的模式。本发明设计合理，克服了现有技术在变电站现场GIS 的局部放电检测中的不足，能够对变电站现场GIS数量庞大、来源复杂的局部放电进行模式 识别，且可以获得更高的模式识别正确率，具有更好的识别性能，更适用于大数据平台下的 4 CN 111597925 A 说　明　书 2/7 页 工程应用。 经检索，未发现有利用DCNN技术对电力系统暂态信号分析的技术公开。因此，研究 将DCNN应用于电力系统暂态信号的分析，可以避免复杂的数据预处理，对于提高电力系统 暂态信号的识别速度和准确率，具有重要意义。
技术实现要素：
针对现有技术的不足，本发明提供一种基于DCNN的电力系统暂态信号分析方法。 本发明的技术方案如下： 一种基于DCNN的电力系统暂态信号分析方法，包括以下步骤： 步骤一：采集一维电能信号； 步骤二：将一维电能信号进行二维图像化处理； 步骤三：构建DCNN模型； 步骤四：基于二维图像训练DCNN模型； 步骤五：基于经训练的DCNN模型进行电力系统暂态信号分析。 优选的，步骤一中，电能信号包括连续时间电压信号或连续时间电流信号。 优选的，步骤二中，二维图像化处理的过程包括两个步骤： (1)将采集到的电能信号的幅值，按照以标准正弦电能信号的幅值最大值为1的基 准进行归一化处理； (2)将一维电能质量信号进行分段截取构成二维图像矩阵： XN×N＝[X T1,X2,X3,ΛXN] 其中：向量Xi，i＝1,2，……，N为各段电能质量信号数据行向量；XN×N为由这些行向 量组成的二维矩阵，则电能质量信号数据的总长度为N2个，由此实现一维电能信号到二维 图像的变换。 优选的，步骤三中，DCNN模型包括1个输入层、第一卷积层及对应的第一池化层、第 二卷积层及对应的第二池化层、第三卷积层、1个全连接层及1个输出层。 优选的，输入层接受尺寸大小为64×64的灰度图，输入层共有4096个神经元。 优选的，第一卷积层使用6个大小为5×5的卷积核对输入的图像进行卷积操作，设 定步长为1，得到6个大小为(64-5 1)×(64-5 1)＝60×60的feature  maps； 当设置大小ω×ω的滤波装置，即卷积核，步长设置成k个像素点，对图像nR×nC进 行卷积操作时，可以得到大小为 的特征图形；其中，选择激活函数为 ReLu，Relu函数的数学表达式如下： 设定偏置b，对图形x，通过大小为ω×ω的卷积核展开卷积操作，输出值y＝ReLu (ωx b)； 其中，第一卷积层需要训练的参数数目：6×(5×5 1)＝156个，而输入层和第一卷 5 CN 111597925 A 说　明　书 3/7 页 积层的连接数：156×(60×60)＝561600条。 优选的，第一池化层将第一卷积层中每个2×2的子块x求和，再乘以一个可训练权 重ω，加上可训练偏置项b，得到12个30×30的feature  maps；每一个2×2的子块求和，乘以 权重参数ω，加上偏置b，共计2×6＝12个参数；第一池化层中的每个像素都与第一卷积层 中的2×2个像素和1个偏置相连接，共有6×5×30×30＝27000个连接。 优选的，第二卷积层使用2个大小为5×5的卷积核对输入的图像进行卷积操作，设 定步长为1，得到12个大小为(30-5 1)×(30-5 1)＝26×26的feature  maps；其中，选择激 活函数为ReLu。 优选的，第二池化层将第二卷积层中每个2×2的子块x求和，再乘以一个可训练权 重ω，加上可训练偏置项b，得到12个13×13的feature  maps；每一个2×2的子块求和，乘以 权重参数ω，加上偏置b，共计2×12＝24个参数。 优选的，第三卷积层使用2个大小为5×5的卷积核对输入的图像进行卷积操作，设 定步长为1，得到24个大小为(13-5 1)×(13-5 1)＝7×7的feature  maps；其中，选择激活 函数为ReLu。 优选的，全连接层的神经元数目为1024，共有1024×(24 1)＝25600个参数，使用 ReLu激活函数。 优选的，输出层含有6个神经元，对应六种信号分类，即正常的电能质量信号和五 种暂态质量信号；全连接层与输出层总共的连接数量是1024×6＝6144；把全连接层视为维 度为1024的线性向量，从全连接层到输出层的映射相当于对这个线性向量开展类别划分， 整个类别划分总共包含6144个参数； 其中，输出层使用softmax分类器进行结果预测，输出结果y可以有k个分类结果， 对于给定的输入x，用假设函数估计出每一个类别j出现的概率：p(y＝j|x)； 对于训练集合{(x(1) ,y(1)) ,Λ(x(m) ,y(m))}，输出结果可以得到y(i)∈{1,2,Λ,k}， 假设函数 其中，θ1、θ2、 是网络参数，所使用的的代价函数为 可以得到，样本x(i)属于分类j的概率为： 6 CN 111597925 A 说　明　书 4/7 页 本发明的有益效果在于： 1 .相比传统暂态信号分析方法，本发明电力系统暂态信号分析方法，可省略降噪 等预处理、特征提取等步骤，直接将一维电能信号转换为二维图像，采用DCNN技术，获取暂 态信号的分析结果，分析过程更高效，分析步骤更简洁。 2.本发明电力系统暂态信号分析方法，实现了原始信号直接作为输入信号进行分 类识别的目的，而且具备对电能质量扰动数据进行分类识别的功能，提高了电力系统暂态 信号的识别速度和准确率。 附图说明 图1为传统方法处理电能暂态信号的流程图； 图2为本发明基于DCNN的电能暂态信号分析方法流程图； 图3为本发明中构建的DCNN模型图； 图4为本发明中ReLu函数图像； 图5为正常电压信号的仿真波形图； 图6为短时谐波信号的仿真波形图； 图7为电压暂升信号的仿真波形图； 图8为电压暂降信号的仿真波形图； 图9为电压中断信号的仿真波形图； 图10为暂态振荡信号的仿真波形图；