(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111658893.5 (22)申请日 2021.12.31 (71)申请人 国网江苏省电力有限公司宿迁供电 分公司 地址 223800 江苏省 宿迁市宿城区发展大 道2481号 (72)发明人 王秀茹　韩少华　毛王清　王晗雯　 葛萱　 (74)专利代理 机构 南京品智知识产权代理事务 所(普通合伙) 32310 代理人 杨陈庆 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种暂态衰减特征重构的故障波形反演方 法 (57)摘要 本发明公开了一种暂态衰减特征重构的故 障波形反演方法， 提取现场实测故障信号选定时 间窗内的故障特征并随机分为训练样本和测试 样本， 用训练样本提取的故障特征构造多维度故 障特征矩阵， 经卷积神经网络训练得到故障波形 反演模型， 然后通过故障特征集参数自适应调整 得到新的故障波形， 再利用测试样 本测试新产生 波形的准确性， 从而便捷全面地对一二次融合智 能开关开展故障处理的功能测试， 本发明实施成 本低， 可得到单相接地故障场景下更多更丰富的 高精度故障波形。 权利要求书3页 说明书5页 附图1页 CN 114169378 A 2022.03.11 CN 114169378 A 1.一种暂态衰减特征重构的故障波形反演方法， 其特征在于， 包括依次执行的步骤 （1） 至 （5） ： （1） 提取现场实测故障信号选 定时间窗内的故障特 征； （2） 构造多维度故障特 征矩阵并与待录入信号对比分析； （3） 经卷积神经网络训练得到故障波形反演模型； （4） 通过故障特 征集参数自适应调整得到新的故障波形； （5） 利用测试样本测试训练效果。 2.根据权利要求1所述的一种暂态衰减特征重构的故障波形反演方法， 其特征在于， 在 所述步骤 （1） 中， 从波形奇异点开始， 每次间隔相同距离 s0进行窗口的选取， 直至选定窗口 中无故障高频信号为止， 判定此时窗口起始处为故障暂态信号结束点， 即故障暂态信号为 从奇异点 开始， 至结束点 为止的这段波形。 3.根据权利要求1或2所述的一种暂态衰减特征重构的故障波形反演方法， 其特征在 于， 在所述步骤 （1） 中， 在选定的时间窗内提取故障暂态信号的瞬升时间、 降落时间、 波 形宽 度及幅值大小的故障时域特 征信息； 故障时域特 征信息的相关定义如下： 瞬升时间， 是指故障信号瞬时值最初到达规定下限和规定上限的两瞬时之间的间隔； 其中， 下限和上限分别定为故障信号峰值幅度的15%和95%； 降落时间， 是指故障信号瞬时值第二次到达规定上限和规定下限的两瞬时之间的间 隔； 波形宽度， 是指故障信号峰值幅度的15%之间的间隔； 幅值大小即为故障信号峰值大小。 4.根据权利要求1所述的一种暂态衰减特征重构的故障波形反演方法， 其特征在于， 在 所述步骤 （1） 中， 采用VMD算法将故 障信号分解为4个模态分量， 提取4个模态分量各自对应 的能量特征Qi以及中心频率 θi； 计算4个模态分量的能量 特征Qi平均值VQ和渐差σQ， 以及中心 频率θi的平均值 Vθ和渐差σθ； 其中， 能量特征 Qi是指模态分量曲线与两坐标轴所围面积； 中心频率 θi是指采样频率与 迭代次数的乘积； 变量 i表示故障信号分解的第 i个模态分量； 渐差σ 计算公式如下： 其中， Xn表示第n个特征值； Xn+1表示第n+1个特征值；n表示特征值数量。 5.根据权利要求1所述的一种暂态衰减特征重构的故障波形反演方法， 其特征在于， 在 所述步骤 （2） 中， 假设待录入信号特征集为 DM =[D1D2 … DS]， 其中，D1表示瞬升时间； D2表示 降落时间； D3表示波形宽度； D4表示故障暂态信号时域幅值大小； D5到D8表示4个模态分量的 能量特征； D9到D12表示4个模态分量的中心频率； DS =[d1d2 … dk]， 其中，S为待录入信号总 故障特征采集数量， k为单一故障特征采样点数量； TbS=[T1T2 … Tk] 为已有故障特征集单 一故障特 征， 则总故障特 征集表示 为：权　利　要　求　书 1/3 页 2 CN 114169378 A 2其中，TbS表示第b个故障波形的第 S个故障特 征值； 相似性差值矩阵表示 为： 其中，HbS表示第b个故障波形的第 S个故障特 征的相似差值； 若相似系数 pb满足下列条件： 则认为故 障特征集中已存在相同故 障波形； 若不满足， 则判断  ||TbS‑ DM || > a0是否 成立； 若成立， 则将新的故障特征信号存入 故障特征集， 以此类推； 其中， p0表示标准相似系 数，a0表示故障相似系数。 6.根据权利要求1所述的一种暂态衰减特征重构的故障波形反演方法， 其特征在于， 在 所述步骤 （3） 中， 通过卷积神经网络的训练得到故障波 形反演模型； 设置层数为7层， 分别为 输入层、 卷积层I、 下采样层I、 卷积层II、 下采样层II、 全连接层及输出层； 其中， 卷积层I的 卷积核为8核， 尺寸为 ， 步长为1， 采用Swish激活函数； 下采样层I选择池化方式为Max   pooling， 步长为2； 卷积层II的卷积核为16核， 尺寸为 ， 步长为1， 采用Swish激活函数； 下采样层I I选择池化方式为Max  pooling， 步长为2； 全连接层选择Dropout正则化方法； 在七层卷积神经网络模型搭建完成之后， 将故障特征集输入卷积神经网络， 对训练样 本独热编码， 设定正则 化方法Dropout=0.4， 计算交叉熵损失函数值， 利用Adam算法反向传 播更新参数， 实现最小化目标函数， 最终得到训练完成的故障波形反演模型。 7.根据权利要求1所述的一种暂态衰减特征重构的故障波形反演方法， 其特征在于， 在 所述步骤 （4） 中， 求解故障特征矩阵 T中第u列故障的标准差 τu， 选取故障特征矩阵 T中第v 行， 令Tvu‑τu， 使得 [Tv1Tv2Tv3…Tvu‑τu…TvS]构成新的故障特征序列， 输入 到经卷积神经网络 训练后的故障波形反演模型， 输出得到新的故 障波形； 继续令 Tvu‑ 2τu， 又得到新的故 障特 征序列与故障波 形， 直至Tvu± 5τu， 由此形成了所有 单一故障特征变化下的新的故障波形； 然后变换故障特 征， 重复上述 步骤， 从而构造所有可能的故障波形。 8.根据权利要求1所述的一种暂态衰减特征重构的故障波形反演方法， 其特征在于， 在 所述步骤 （5） 中， 随机选取测试样本中的故障特征序列， 将其输入到经卷积神经网络训练后权　利　要　求　书 2/3 页 3 CN 114169378 A 3