阅读说明：本技术 基于cnn的自监督电压暂降源辨识方法 (CNN-based self-supervision voltage sag source identification method ) 是由 郑建勇 李丹奇 梅飞 沙浩源 李陶然 于 2019-09-16 设计创作，主要内容包括：本发明公开了一种基于CNN的自监督电压暂降源辨识方法,包括如下步骤：采集电压暂降数据,对所述电压暂降数据进行预处理；在自动编码器的基础上构建卷积编码器与卷积解码器,以建立CNN自监督模型,使所述CNN自监督模型采用卷积层与池化层提取特征,采用BP分类网络进行分类；将预处理后的电压暂降数据划分为训练集和测试集,将训练集批量输入所述CNN自监督模型,以训练所述CNN自监督模型的特征提取能力与分类能力；将所述测试集输入训练后的CNN自监督模型,以对所述测试集进行电压暂降源辨识。采用本方法能够准确辨识电压暂降源。(The invention discloses a CNN-based self-supervision voltage sag source identification method, which comprises the following steps: collecting voltage sag data, and preprocessing the voltage sag data; constructing a convolutional encoder and a convolutional decoder on the basis of an automatic encoder to establish a CNN (convolutional neural network) self-supervision model, so that the CNN self-supervision model adopts convolutional layers and pooling layers to extract features and adopts a BP (back propagation) classification network for classification; dividing the preprocessed voltage sag data into a training set and a test set, inputting the training set into the CNN self-monitoring model in batches to train the feature extraction capability and classification capability of the CNN self-monitoring model; and inputting the test set into a trained CNN (CNN self-supervision) model so as to identify a voltage sag source of the test set. By adopting the method, the voltage sag source can be accurately identified.)

基于CNN的自监督电压暂降源辨识方法

技术领域

本发明涉及电能质量扰动源识别领域，尤其涉及一种基于CNN的自监督电压暂降源辨识方法。

背景技术

随着工业装备、建筑电气自动化及智能化水平越来越高，电压暂降问题对于工商业大用户的生产经营影响也越来越显著，特别是半导体制造、精密仪器加工、汽车制造等大量应用电力电子设备的工业，对电压暂降十分敏感，当电压有效值低于90％持续时间达到1～2周波以上时就会跳闸停运。电压暂降是一种常见的电能质量问题，电动机启动、变压器投切、短路故障等都会引起电压暂降现象，因电压暂降干扰而导致的生产中断和延缓呈明显的上升趋势，由此带来的直接及间接经济损失日趋严重，这对供电质量提出了更高要求。不同暂降源引起的电压波形特征是不同的，准确识别暂降源能有针对性地对当地的电压暂降情况进行分析、补偿和抑制，同时可作为电力供应部门和用户之间协调纠纷的依据，是治理电压暂降问题中必不可少的步骤。

电压暂降源辨识方法作为目前的研究热点，吸引了众多国内外学者参与相关研究。目前电压暂降源识别方法主要包括信息采集、特征提取、样本训练和分类辨识这几个主要步骤，主要针对电压暂降的波形特征展开研究，通过提取合理特征量，对大量样本进行训练进行电压暂降源识别，并获得众多成果。算法基本思想为利用双小波变换、Prony法、S变换等方法将暂降时域特性转变为频域特性，依据人为设定特征项进行特征量提取，再采用神经网络、支持向量机算法等分类模型进行暂降源识别。现有的一些电压暂降源识别方法目前存在的问题有：人工设定特征需建立在对待提取数据有一定理解的基础上，先依靠专家经验选择希望提取的目标特征，再使用各种手段对暂降特征进行针对性的提取，而实际工程中存在大量未知干扰，按照一成不变的专家经验进行特征提取辨识正确率造成影响，可见传统方案的电压暂降源辨识方案存在准确率低的问题。

发明内容

针对以上问题，本发明提出一种基于CNN的自监督电压暂降源辨识方法。

为实现本发明的目的，提供一种基于CNN的自监督电压暂降源辨识方法，包括如下步骤：

S10，采集电压暂降数据，对所述电压暂降数据进行预处理；所述电压暂降数据包括短路故障数据、变压器投切数据及电动机启动引起的电机运行数据；

S20，在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使所述CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类；

S30，将预处理后的电压暂降数据划分为训练集和测试集，将训练集批量输入所述CNN自监督模型，以训练所述CNN自监督模型的特征提取能力与分类能力；

S40，将所述测试集输入训练后的CNN自监督模型，以对所述测试集进行电压暂降源辨识。

在其中一个实施例中，所述采集电压暂降数据，对所述电压暂降数据进行预处理包括：

获取所述电动机启动引起的电机运行数据、所述变压器投切数据和所述短路故障数据；所述短路故障数据包括三相短路数据、单相接地数据和两相相间短路数据；

获取所述电机运行数据、所述变压器投切数据和所述短路故障数据分别对应的暂降波形数据；

将所述暂降波形数据进行滤波处理，采用小波变换提取滤波处理后的暂降波形数据的电压暂降凹陷域，将所述电压暂降凹陷域的三相电压的每一相作为一行，将每个样本的规范为一个3×3s的二维矩阵，对所得到的二维矩阵进行标准化处理，使二维矩阵中每个元素的值均在区间[0,1]中，将每行数据重复3次，得到9×3s的样本矩阵；s表示所述电压暂降数据所包括的数据类型。

作为一个实施例，所述单相接地数据包括A相接地数据、B相接地数据、和C相接地数据；所述两相相间短路数据包括AB相间短路数据、BC相间短路数据、和CA相间短路数据。

作为一个实施例，所述在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使所述CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类包括：

确定所述CNN自监督模型中每个环节的数据维度，建立总体框架；

基于CNN与自动编码器基础结构，建立卷积编码器，构造卷积层，使卷积层的卷积层对输入样本进行卷积运算提取特征，采用激活函数输出特征映射，使构造的池化层采用平均池化算子对特征映射进行缩放，得到最终特征；

建立BP神经网络作为分类器；所述分类器的分类过程包括信号的前向传播和误差的反向传播；

采用梯度下降算法，以网络的实际输出值和期望输出值的误差均方差为最小为目标函数；

构造卷积解码器。

在其中一个实施例中，所述将预处理后的电压暂降数据划分为训练集和测试集，将训练集批量输入所述CNN自监督模型，以训练所述CNN自监督模型的特征提取能力与分类能力包括：

将所有样本矩阵划分为训练集和测试集，将训练集批量输入所述CNN自监督模型；

在所述卷积层将训练集与卷积层的卷积核经过卷积运算，由激活函数激活后得到特征映射，将特征映射经过池化层压缩尺寸并补偿偏移中心，得到最终特征；

采用CNN自监督模型的卷积解码器依据所述最终特征进行样本重构，得到第一重构样本；

利用第一重构样本与训练集的误差，在迭代过程中不断更新卷积编码器中的卷积核和卷积解码器中的各权重；

将最后一次迭代过程中的池化层提取出的特征经BP网络分类后得到每个样本各自对应的权重标签；

将权重标签与信息库中的各暂降标准波形运算得到第二重构样本，利用第二重构样本与训练集的误差，在迭代过程中反向调整BP网络中各单位间的权重，完成对所述CNN自监督模型的训练。

作为一个实施例，所述将所述测试集输入训练后的CNN自监督模型，以对所述测试集进行电压暂降源辨识包括：

将测试集输入CNN自监督模型，利用训练好的模型对测试集进行特征提取与电压暂降源辨识，并验证电压暂降源辨识的准确率

上述基于CNN的自监督电压暂降源辨识方法，通过采集电压暂降数据，对电压暂降数据进行预处理，在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类，这样将训练集批量输入所述CNN自监督模型，便可以训练所述CNN自监督模型的特征提取能力与分类能力；将测试集输入训练后的CNN自监督模型，便可以对测试集进行电压暂降源辨识，能够准确辨识电压暂降源，且整个训练过程无需事先输入大量训练集与正确标签，解决了传统方法中在监测到未知暂降波形时无法正确辨识的问题，为网络学习、辨识的同时进行提供先决条件。

附图说明

图1是一个实施例的基于CNN的自监督电压暂降源辨识方法流程图；

图2是另一个实施例的基于CNN的自监督电压暂降源辨识方法流程图；

图3是一个实施例的各暂降类型的典型波形图；

图4是一个实施例的电压暂降类别灰度图；

图5是一个实施例的自动编码器模型原理图；

图6是一个实施例的自监督CNN模型结构框架；

图7是一个实施例的卷积核灰度化示意图；

图8是一个实施例的B相接地引起的电压暂降样本示意图；

图9是一个实施例的特征映射示意图

图10是一个实施例的平均池化后的最终特征示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

参考图1所示，图1为一个实施例的基于CNN的自监督电压暂降源辨识方法流程图，包括如下步骤：

S10，采集电压暂降数据，对所述电压暂降数据进行预处理；所述电压暂降数据包括短路故障数据、变压器投切数据及电动机启动引起的电机运行数据。

电压暂降数据包括由各种短路故障、变压器投切及电动机启动引起的电压暂降数据。电压暂降数据的预处理过程可以包括：将电压暂降数据对应的暂降波形进行滤波、消噪并提取凹陷域，以统一时间序列长度，进行标准化计算，实现电压暂降数据的预处理。

S20，在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使所述CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类。

上述步骤通过在自动编码器的基础上构建卷积编码器与卷积解码器建立CNN自监督模型，所建立的CNN自监督模型可以采用卷积层与池化层提取特征，采用BP分类网络进行分类。CNN自监督模型还可以通过重构样本与输入样本(如输入的训练集)的误差修正权值。

S30，将预处理后的电压暂降数据划分为训练集和测试集，将训练集批量输入所述CNN自监督模型，以训练所述CNN自监督模型的特征提取能力与分类能力。

上述步骤可以实现CNN自监督模型的训练，使训练后的CNN自监督模型可以直接用于电压暂降源辨识。

S40，将所述测试集输入训练后的CNN自监督模型，以对所述测试集进行电压暂降源辨识。

上述步骤可以快速准确的对测试集进行电压暂降源辨识，还可以验证辨识准确率，以进一步验证和优化CNN自监督模型。

上述基于CNN的自监督电压暂降源辨识方法，通过采集电压暂降数据，对电压暂降数据进行预处理，在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类，这样将训练集批量输入所述CNN自监督模型，便可以训练所述CNN自监督模型的特征提取能力与分类能力；将测试集输入训练后的CNN自监督模型，便可以对测试集进行电压暂降源辨识，能够准确辨识电压暂降源，且整个训练过程无需事先输入大量训练集与正确标签，解决了传统方法中在监测到未知暂降波形时无法正确辨识的问题，为网络学习、辨识的同时进行提供先决条件。

在一个具体示例中，上述基于CNN的自监督电压暂降源辨识方法流程图还可以参考图2所示，包括：

步骤一，数据预处理：采集了由各种短路故障、变压器投切及电动机启动引起的电压暂降数据。将待匹配暂降波形进行滤波、消噪并提取凹陷域，统一时间序列长度，进行标准化计算。

步骤二，建立CNN自监督模型：在自动编码器的基础上构建卷积编码器与卷积解码器，采用卷积层与池化层提取特征，采用BP分类网络进行分类。相应模型通过重构样本与输入样本的误差修正权值。

步骤三，训练CNN自监督模型：将所有暂降数据划分为训练集和测试集，将训练集数据批量输入模型，训练CNN的特征提取能力与分类能力。

步骤四，暂降源类型识别：将测试集数据输入CNN自监督模型，利用训练好的模型对测试集数据进行特征提取与电压暂降源辨识。

在一个实施例中，上述采集电压暂降数据，对所述电压暂降数据进行预处理包括：

获取所述电动机启动引起的电机运行数据、所述变压器投切数据和所述短路故障数据；所述短路故障数据包括三相短路数据、单相接地数据和两相相间短路数据；

获取所述电机运行数据、所述变压器投切数据和所述短路故障数据分别对应的暂降波形数据；

将所述暂降波形数据进行滤波处理，采用小波变换提取滤波处理后的暂降波形数据的电压暂降凹陷域，将所述电压暂降凹陷域的三相电压的每一相作为一行，将每个样本的规范为一个3×3s的二维矩阵，对所得到的二维矩阵进行标准化处理，使二维矩阵中每个元素的值均在区间[0,1]中，将每行数据重复3次，得到9×3s的样本矩阵；s表示所述电压暂降数据所包括的数据类型，s的取值可以为9。

作为一个实施例，上述单相接地数据包括A相接地数据、B相接地数据、和C相接地数据；所述两相相间短路数据包括AB相间短路数据、BC相间短路数据、和CA相间短路数据。

本实施例可以获得电动机启动、变压器投切以及短路故障过程中中单相接地、两相短路、三相短路等不同类型的短路故障引起的电压暂降时域监测信号，以得到电压暂降数据。按照不同暂降源，上述电压暂降数据可以划分为：电动机启动数据、变压器投切数据、三相短路数据、单相接地数据(包含A相接地、B相接地、C相接地)、两相相间短路数据(包含AB相间短路、BC相间短路、CA相间短路)共计9种类型。

进一步地，在获得相应暂降波形数据之后，可以将所得暂降波形数据进行滤波、消噪，利用小波变换提取电压暂降凹陷域，再将三相电压的每一相作为一行，将每个样本的规范为一个3×27的二维矩阵，并进行标准化，使每个元素的值均在[0,1]中，将每行数据重复3次，得到9×27的样本矩阵，以实现电压暂降数据的预处理。上述样本矩阵便为电压暂降数据在预处理之后的结果。

在一个示例中，9种类型的电压暂降数据可以分别记为S1、S2、S3、S4、S5、S6、S7、S8、S9，各类型电压暂降数据对应的典型波形可以参考图3所示。将所得暂降波形数据进行滤波、消噪，利用小波变换提取电压暂降凹陷域。把三相电压的每一相作为一行，将每个样本的规范为一个3×27的二维矩阵，且每个元素均在[0,1]中。将每行数据重复3次，得到9×27的样本矩阵。上述获得9×27的样本矩阵的目的是使卷积核与输入的样本(如训练集或者测试集)进行更多次的卷积运算，充分提取样本的特征。

进一步地，可将相应样本进行灰度化以便观察，图4为灰度化后的典型电压暂降类型。

作为一个实施例，上述在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使所述CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类包括：

确定所述CNN自监督模型中每个环节的数据维度，建立总体框架；

基于CNN与自动编码器基础结构，建立卷积编码器，构造卷积层，使卷积层的卷积层对输入样本进行卷积运算提取特征，采用激活函数输出特征映射，使构造的池化层采用平均池化算子对特征映射进行缩放，得到最终特征；

建立BP神经网络作为分类器；所述分类器的分类过程包括信号的前向传播和误差的反向传播；

采用梯度下降算法，以网络的实际输出值和期望输出值的误差均方差为最小为目标函数；

构造卷积解码器。

本实施例可以根据实际需求(如样本尺寸、卷积核结构、所选择的池化算法、分类网络结构、类别总数、实际应用算例的效果等)确定CNN自监督模型中每个环节的数据维度，以建立CNN自监督模型的总体框架。CNN自监督模型的卷积解码器可以利用对特征映射进行缩放得到的最终特征进行样本重构，得到相应的重构样本，再利用重构样本与原始样本(如输入的训练集)之间的误差指导卷积编码器中的卷积核与卷积解码器的权值修正过程。

在一个示例中，上述卷积核是一个二维矩阵，在训练过程中随着迭代次数不断更新，此过程可类比普通神经网络的权值更新过程。若已知输入样本大小和卷积核大小，特征大小可由式(1)表示。

其中，S^i×j代表输入样本是大小为i×j的矩阵，K^n×n代表卷积核大小为n×n，特征大小为h表示卷积核在样本上的滑动步长。若假定滑动步长始终为1，卷积运算过程可用式(2)表示：

其中，S为输入样本；K^n×n为卷积核；；F(n,m)为特征映射的第n行第m列的元素值。

本示例采用sigmod函数作为CNN的激活函数，函数表达式如式(3)所示。

构造池化层，采用平均池化算子对特征映射进行缩放。均值池化则输出感知域内元素的平均值其公式化表述为式(4)：

其中，a(u,v)表示池化层输入矩阵(这里的输入矩阵表示特征映射经过激活函数激活后的结果)中的第u行第v列数值；p(i,j)表示池化层输出矩阵中的第i行第j列数值；w表示参与池化区域的边界值。

进一步地，本示例还可以利用原始输入与重构输入的误差训练AE，在多次迭代中用式(5)表征的损失函数最小化准则调整神经元权值：

其中，X为输入信号(最终特征)；W为编码；U为解码权重；φ为非线性激活函数；J为神经元权重调整函数；R为正则化函数；λ为正则化项系数。

本示例可以根据误差大小和误差变化趋势，在每一次的迭代中，更新编码器中的卷积核、解码器中的权值，直到误差小于我设置的阈值时，说明达到优良解，此时的编码器和解码器是最优的，迭代结束。

具体地，上述自动编码器模型可以参考图5所示。

在一个实施例中，上述将预处理后的电压暂降数据划分为训练集和测试集，将训练集批量输入所述CNN自监督模型，以训练所述CNN自监督模型的特征提取能力与分类能力包括：

将所有样本矩阵划分为训练集和测试集，将训练集批量输入所述CNN自监督模型；

在所述卷积层将训练集与卷积层的卷积核经过卷积运算，由激活函数(如sigmod函数)激活后得到特征映射，将特征映射经过池化层压缩尺寸并补偿偏移中心，得到最终特征；

采用CNN自监督模型的卷积解码器依据所述最终特征进行样本重构，得到第一重构样本；

利用第一重构样本与训练集的误差，在迭代过程中不断更新卷积编码器中的卷积核和卷积解码器中的各权重；

将最后一次迭代过程中的池化层提取出的特征经BP网络分类后得到每个样本各自对应的权重标签；

将权重标签与信息库中的各暂降标准波形运算得到第二重构样本，利用第二重构样本与训练集的误差，在迭代过程中反向调整BP网络中各单位间的权重，完成对所述CNN自监督模型的训练。

在一个示例中，在训练CNN自监督模型的过程中，相应样本(如训练集)与卷积层的卷积核经过卷积运算、可由激活函数sigmod函数激活后得到特征映射；特征映射经过减小特征的尺寸，补偿电压暂降数据中偏离中心的凹陷区，得到相应的最终特征；卷积解码器依据最终特征进行样本重构，利用所得重构样本与原始输入(如训练集)的误差，在迭代过程中不断更新卷积编码器中的卷积核和卷积解码器中的各权重，最终得到可以准确反映电压暂降波形自身特征的良好特征；

进一步地，还可以将上述最终特征输入分类网络，可得到1×N的初始分类标签，其中N为BP神经网络输出层单元数；BP神经网络输出层单元数取决于分类期望结果的总类别数(该标签在未经监督迭代的情况下是无实际意义的)。

根据各类电压暂降实际波形拟合出各类暂降的标准样本波形S_n(即暂降标准波形，如可将某城市电压暂降实时监测数据中典型的暂降波形数据，将各类暂降分类后按类别进行正态拟合，将拟合所得波形作为每个电压暂降类别的标准样本波形)，将标签中的各个元素W_n看做每个标准样本波形S_n所对应的权重，构造重构样本方法即为将各个标准样本在相应权重下的进行累加，如式(6)所示：

其中。RS_n'为重构样本波形，W_n'为标签矩阵中的各个元素，S_n'为标准样本波形，s为电压暂降源类别总数，n'为当前暂降类别。

在得到相应重构样本之后，根据原始输入样本(如训练集)与相应重构样本(如第二重构样本)的重构误差，在反向传播过程中对分类网络进行训练，经过多次迭代后，使相应重构样本与原始样本之间误差均方差达到最小。这就把电压暂降源辨识问题转化为：用一组固定的标准波形表示待辨识波形的情况下，寻找最优权重的问题。以重构误差监督网络的反向传播训练过程，并在每一次的迭代中更新重构样本使其逐渐逼近原始输入样本。

作为一个实施例，上述将所述测试集输入训练后的CNN自监督模型，以对所述测试集进行电压暂降源辨识包括：

将测试集输入CNN自监督模型，利用训练好的模型对测试集进行特征提取与电压暂降源辨识，并验证电压暂降源辨识的准确率。

本实施例将测试集输入CNN自监督模型，利用训练完成后的CNN自监督模型对测试集进行特征提取与电压暂降源辨识。其中分类标签矩阵中的最大元素所对应的暂降类别即为分类网络判定结果，从而实现电压暂降源辨识，相应准确率的验证。

上述基于CNN的自监督电压暂降源辨识方法，在卷积神经网络(ConvolutionalNeural Networks,CNN)与自动编码器的基础结构上构建了自监督CNN电压暂降源辨识模型，利用CNN中的卷积层与池化层进行电压暂降特征自提取，使用反映数据本身特点的特征取代人工特征。将三相不对称暂降源按照不同故障相划分为更详细的类别，不仅能够辨识电压暂降源，还能准确判断故障相。基于自动编码器原理实现网络训练过程自监督，整个训练过程无需事先输入大量训练集与正确标签，更适于实际工程。最后本文在算例中对模型最优参数进行选择，建立适用于电压暂降实测数据类型的自监督CNN模型，对实测暂降数据进行特征提取与暂降源辨识，通过对比验证了该方法在暂降源识别上的优越性。

在一个实施例中，对上述基于CNN的自监督电压暂降源辨识方法进行仿真分析。本实施例中的CNN自监督模型参数按照最佳参数仿真实验结果选取，具体参数如下：

本实施例在经典3层CNN模型结构基础上建立自监督CNN模型，因为输入是一个9×27的二维矩阵，因此输入层包含9×27个单元。特征提取CNN网络包含1个卷积层和1个池化层：卷积层由16个3×3节的卷积核组成，卷积层的输出通过sigmod函数激活后进入池化层；池化层采用1×5的子矩阵的平均池化，输出16个7×5的最终特征矩阵。将特征提取网络的输出转化为一个1×560的一维矩阵输入过渡层作为分类网络的输入层，过渡层不含有其他任何运算。该模型的分类网络包含一个隐含层和一个输出层。隐含层具有100个节点，采用sigmod激活函数；输出层单元个数即为电压暂降源类别个数，本文算例将电压暂降源按故障相别分为9类，因此输出层包含9个单元。本算例所建立的自监督CNN模型为6层模型，结构框架如图6所示，卷积特征提取网络与分类网络的动量参数均取1。本算例设定：最大迭代次数为75，CNN特征提取网络学习率与BP分类网络学习率。

将360个电压暂降实测波形样本(包含40个电动机启动电压暂降、40个变压器投切电压暂降、40个三相短路电压暂降、40个A相接地电压暂降、40个B相接地电压暂降、40个C相接地电压暂降、40个AB相短路电压暂降、40个BC相短路电压暂降、40个CA相短路电压暂降)经过预处理后输入CNN模型进行训练，如图6流程图所示。卷积核自监督训练完成后，即可提取能够反映样本波形本质的特征。在本实施例算例中以CNN特征提取网络的输出作为电压暂降源辨识的最终特征，将模型第2层，卷积层中的16个卷积核灰度化，如图7所示。

将360个电压暂降实测波形样本(包含40个电动机启动电压暂降、40个变压器投切电压暂降、40个三相短路电压暂降、40个A相接地电压暂降、40个B相接地电压暂降、40个C相接地电压暂降、40个AB相短路电压暂降、40个BC相短路电压暂降、40个CA相短路电压暂降)经过预处理后输入CNN模型进行训练。卷积核自监督训练完成后，即可提取能够反映样本波形本质的特征。在本文算例中以CNN特征提取网络的输出作为电压暂降源辨识的最终特征，将模型第2层，卷积层中的16个卷积核灰度化，如图7所示。以输入一个B相接地引起的电压暂降样本为例，如图8所示，可查看每一层的状态与输出情况。该样本与卷积层的卷积核经过卷积运算、由激活函数sigmod激活后得到特征映射，也即本文算例中自监督CNN模型对输入样本所提取的16个特征，如图9所示。特征映射经过池化层压缩尺寸并补偿偏移中心，本文模型采用平均池化，得到最终输出特征如图10所示。可以看出池化层将B相接地样本的特征由7×25压缩为7×5，特征中的关键信息部位由左方像中间移动。

360个电压暂降实测波形数据训练分类网络完毕后，得到360个各自对应的权重标签，各类暂降的平均权重标签如表1所示。

表1：各类型电压暂降源平均分类标签

由式(6)推导可知，分类标签矩阵中的最大元素所对应的暂降类别即为分类网络判定结果，如电动机启动电压暂降对应标准样本S1，因此其权重标签中W1为最大值，表1中的算例结果也可印证。以分类标签中的最大元素为依据判定最终辨识结果。

将测试集100个测试样本(包含15个电动机启动电压暂降、15个变压器投切电压暂降、10个三相短路电压暂降、10个A相接地电压暂降、10个B相接地电压暂降、10个C相接地电压暂降、10个AB相短路电压暂降、10个BC相短路电压暂降、10个CA相短路电压暂降)输入模型，基于自监督CNN模型的电压暂降源辨识方法正确率如表2所示。由实验结果可知，利用卷积层提取电压暂降波形特征并利用BP神经网络进行分类的暂降源辨识方法正确率为97％，其中三相短路故障、单相接地故障、两相短路故障的辨识准确率可达100％，在单相接地故障、两相短路故障的故障相别判断上可达到辨识正确率100％。

表2：基于CNN的自监督电压暂降源辨识方法正确率

为验证该方法在特征提取与分类上的优越性，本算例与基于S变换与支持向量机的传统方法进行对比。传统方法无法分辨故障相，因此该对比只涉及暂降类型辨识的正确率，结果如表3所示。文献[Support Vector Machine for Classification of VoltageDisturbances(Axelberg,P.G.V.；Gu,I.Y.；Bollen,M.H.J.)]中的方法使用人工提取特征，SVM分类的暂降源辨识方法正确率为83％，每个类别的使用本文提出的自监督CNN模型的分类正确率可达97％，不仅在准确率上远高于第一个方法，还可以准确辨别故障相别。SVM方法所占用时间最多的步骤是特征提取。依据专家经验，本文设定目标特征：矩形系数、三角形相似度、电压有效值、峭度、电压暂降最大幅值、波形总畸变率，再将提取到的特征输入SVM进行训练。比较两种方法，本文提出的方法不需要训练样本的标签，也不需要单独提取特征。提取特征与训练CNN同时进行，因此训练机器步骤的时间远大于训练SVM的时间。从结果来看，本实施例提出的方法准确率更高。

表3：不同电压暂降源辨识方法正确率

综上所述，通过对自监督CNN模型原理与实际算例结果的分析，可知基于CNN的自监督电压暂降源辨识方法的优越性主要体现在：

1)在基于卷积神经网络的结构上，利用卷积层的卷积运算与池化层的池化作用进行电压暂降特征自提取，将人工设定特征提取转变为自动生成特征提取，解决了人工提取特征过度依赖专家经验，受未知特征影响较大不具备一般性的问题。能够从大量数据中自动提取特征，降低了传统方法中由于特征提取不当所造成的辨识错误率。

2)把传统方法中的将三相波形样本转化为一维矩阵输入分类模型，改为之间输入二维矩阵，保留故障相别的信息，将暂降类型扩充至9类，实现三相不对称故障中的故障相辨识。

3)基于AE原理实现网络训练过程自监督，整个训练过程无需事先输入大量训练集与正确标签，解决了传统方法中在监测到未知暂降波形时无法正确辨识的问题，更适用于现代大数据背景下时效性、实用性、多样性、通用性的暂降源辨识需求。

4)通过与SVM方法与DBN方法的对比，验证了基于CNN的自监督电压暂降源辨识方法在对实测暂降数据的辨识中准确率高达97％，具有更高的正确率。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

可见，上述基于CNN的自监督电压暂降源辨识方法在CNN与自动编码器的基础结构上提出了一种新的电压暂降源辨识方法，利用CNN中的卷积层与池化层进行电压暂降特征自提取，使用反映数据本身特点的特征取代人工特征，解决了以往方法中过度依赖专家经验的问题。将三相不对称暂降源按照不同故障相划分为更详细的类别，保留输入样本中的故障相别的信息，不仅能够辨识电压暂降源，还能准确判断故障相。基于AE原理实现网络训练过程自监督，整个训练过程无需事先输入大量训练集与正确标签，解决了传统方法中在监测到未知暂降波形时无法正确辨识的问题，为网络学习、辨识的同时进行提供先决条件，更适于实际工程。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。