[0036] 若精确度阈值Pthre不被满足，则将维度k+1，然后返回步骤3。
[0037] 若运算时间上限Tthre不被满足，即卷积神经网络分类器的运算时间T>Tthre，则需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余。
[0038] 若运算时间上限Tthre不被满足，则将维度k-1，然后返回步骤3。
[0039] 若精确度阈值Pthre与运算时间上限Tthre两个要求均不满足，需要对卷积神经网络分类器进行重设计，并且返回步骤5。
[0040] 其中，所述重设计包括但不限于：增加或删减卷积层的层数、增加或删减特定卷积层对应的卷积核的通道数、增加或减少特定卷积层对应的卷积核的维度、以及增加或减少最后的全连接层的层数或者维度。
[0041] 本发明相对于现有技术具有以下有益的技术效果：
[0042] 本发明采集5ms时间窗内的直流侧、交流侧的电气信息以及控制系统的触发脉冲信息作为连锁故障判别的初始特征，先基于原始仿真数据训练一个自动编码器(Autoencoder)，取其编码器(Encoder)部分作为卷积神经网络分类器的共享层输入，再进行卷积神经网络的分类任务训练，从而减少特征维度，以减少神经网络训练过程的计算量、提高卷积神经网络分类任务的正确率。
[0043] 本发明提出的方法能够基于第一次换相失败之后的5ms时间窗的信息快速预测严重连续换相失败事故的发生，克服了较高纬度的特征向量带来的训练困难的问题，同时加速了工程现场应用下的计算速度，具有广泛的工程应用前景。
附图说明
[0044] 图1为本发明基于自编码器网络的连续换相失败预警方法流程图；
[0045] 图2为所使用的自编码器网络示意图。
具体实施方式
[0046] 下面结合说明书附图以及实施例对本发明的技术方案做进一步详细介绍。
[0047] 如附图1所示为本发明提出的一种LCC-HVDC连续换相失败故障预警网络训练方法，现结合附图详介绍如下，所述基于自编码器网络的连续换相失败预警方法包括以下步骤：步骤1：利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真，获取TB级别的运行数据，数据应涵盖该交直流混联网络的所有可能运行方式，为了保证连续换相失败预警的可靠性，原始数据包含的故障数据以及非故障数据的数据规模应该保证相等。
[0048] 步骤2：于原始数据中获取每个故障场景之下的5ms时间窗的数据作为原始特征向量，数据加窗的具体方法为：对所有的原始数据标定第一次换相失败的发生时刻，并从先前的测量数据记录中，读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制系统的触发脉冲信息，并且继续对特征变量进行维持1/8个工频周波的测量录波，以得到为时5ms时间窗内整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i作为初始特征向量。
[0049] 步骤3：选择隐空间的维度k作为数据压缩的维度，以最小信号重构误差作为目标函数，以Adam梯度下降法训练自编码器Autoencoder。
[0050] Autoencoder的具体结构如附图2所示，其主要包括解码器(Decoder)和编码器(Encoder)组成，解码器接收原始数据x作为输入，输出的是维度为k的降维数据，编码器接受解码器的输出作为输入，输出维度与原始数据维度相同的重构数据
[0051] 其中，重构误差定义如下：
[0052]
[0053] 其中，x为原始数据窗，为经过自编码器网络降维并重构的数据窗， 为原始数据窗与经过自编码器网络降维并重构的数据窗之间的重构误差函数，φ(·)对应Encoder网络的映射函数，ψ(·)对应Decoder网络的映射函数。
[0054] 步骤4：对Autoencoder训练完成之后，舍弃其解码器网络，利用编码器网络对原始特征向量进行隐空间编码，以得到降维至[5,50]的交流电流电压与直流电流电压的通用特征(generalfeatures)，以两个换相周期之内是否发生连续换相失败作为样本标记(label)，重构特征向量，并且分割新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest。其中，Xlatent,train为训练集数据对应的重构特征向量，Ytrain是训练集数据的标记，Xlatent,test是测试集数据对应的重构特征向量，Ytest是测试集数据的标记。
[0055] 步骤5：使用新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest训练一个结构简单的二分类卷积神经网络，其中，该神经网络对应的目标函数是交叉熵，训练方法为Adam梯度下降法；
[0056]
[0057] 其中，X为特征向量构成的训练集或测试集，Y为特征向量构成的训练集或测试集对应的标记集；x为训练集或测试集中的特征向量，y为训练集或测试集中的特征向量对应的标记；I(·)为指示器函数，其接受一个条件表达式作为变量，表达式为真时返回1，否则返回0。
[0058] 步骤6：最后验证所训连锁故障预警器的性能，判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求；为了满足选择性与可靠性的要求，Pthre阈值设置为99％；为了满足快速性的要求Tthre一般设置为直流系统的一个换相周期，即20ms。
[0059] 若两个要求不能同时满足，问题大概率出现在分类网络的设计上，需要对二分类网络进行重设计，并且返回步骤5；若两阈值只满足一个，则可以通过增减隐空间的降维维度k予以解决，具体地，若精确度阈值Pthre不被满足，则表明原始特征向量重构过程中存在关键信息损失，需要增加自编码器网络的隐空间的维度k以增加特征的关键信息，但同时为避免维度增减剧烈而导致的网络表示能力的剧变，每次修改维度的步长只能为1，故维度定值修改为k+1；若运算时间上限Tthre不被满足，则表明原始数据特征向量重构过程中存在信息冗余，需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余，相同地，为避免维度增减剧烈而导致的网络表示能力的剧变，每次修改维度的步长只能为1，修改自编码器网络的隐空间的维度k定值为k-1以后，返回步骤3。若两个要求同时满足，则完成训练。
[0060] 实施例1：
[0061] 基于自编码器网络的连续换相失败预警方法包括以下步骤：
[0062] 步骤1：利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真，获取TB级别的运行数据，此实例中，训练数据为1TB，数据应涵盖该交直流混联网络的所有可能运行方式，为了保证连续换相失败预警的可靠性，原始数据包含的故障数据以及非故障数据的数据规模应该保证相等。
[0063] 步骤2：于原始数据中获取每个故障场景之下的5ms时间窗的数据作为原始特征向量，数据加窗的具体方法为：对所有的原始数据标定第一次换相失败的发生时刻，并从先前的测量数据记录中，读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制系统的触发脉冲信息，并且继续对特征变量进行维持1/8个工频周波的测量录波，以得到为时5ms时间窗内整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i作为初始特征向量。
[0064] 步骤3：选择隐空间的维度k作为数据压缩的维度，以最小信号重构误差作为目标函数，以Adam梯度下降法训练自编码器Autoencoder。其中，重构误差定义如下：
[0065]
[0066] 其中，x为原始数据窗，为经过自编码器网络降维并重构的数据窗， 为原始数据窗与经过自编码器网络降维并重构的数据窗之间的重构误差函数，φ(·)对应Encoder网络的映射函数，ψ(·)对应Decoder网络的映射函数。
[0067] 隐空间的维度选取应与特征向量的特征量的个数保持相同的数量级，本实施例2中，特征向量有整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i，一共有12个特征量，其数量级为10，故隐空间的维度优选值为10。
[0068] 步骤4：利用自动编码器的Encoder网络进行隐空间编码，以得到较低维度的交流电流电压与直流电流电压的通用特征(generalfeatures)，以两个换相周期之内是否发生连续换相失败作为样本标记(label)，重构特征向量，并且分割新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest。其中，Xlatent,train为训练集数据对应的重构特征向量，Ytrain是训练集数据的标记，Xlatent,test是测试集数据对应的重构特征向量，Ytest是测试集数据的标记。
[0069] 步骤5：使用新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest训练一个结构简单的二分类卷积神经网络，其中，该神经网络对应的目标函数是交叉熵，训练方法为Adam梯度下降法；
[0070]
[0071] 其中，X为特征向量构成的训练集或测试集，Y为特征向量构成的训练集或测试集对应的标记集；x为训练集或测试集中的特征向量，y为训练集或测试集中的特征向量对应的标记；I(·)为指示器函数，其接受一个条件表达式作为变量，表达式为真时返回1，否则返回0。
[0072] 步骤6：最后验证所训连锁故障预警器的性能，判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求；
[0073] 在本申请的实施例1中，为了满足选择性与可靠性的要求，Pthre阈值设置为99％，Tthre设置为20ms。
[0074] 若两个要求不能同时满足，问题大概率出现在分类网络的设计上，需要对二分类网络进行重设计，并且返回步骤5；在本申请实施例1中，采用增加卷积层的层数、增加特定卷积层对应的卷积核的通道数额方式对二分类网络进行重设计。
[0075] 若两阈值只满足一个，则可以通过增减隐空间的降维维度k予以解决，具体地，[0076] 若精确度阈值Pthre不被满足，则表明原始特征向量重构过程中存在关键信息损失，需要增加自编码器网络的隐空间的维度k以增加特征的关键信息，但同时为避免维度增减剧烈而导致的网络表示能力的剧变，每次修改维度的步长只能为1，故维度定值修改为k+1；若运算时间上限Tthre不被满足，则表明原始数据特征向量重构过程中存在信息冗余，需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余，相同地，为避免维度增减剧烈而导致的网络表示能力的剧变，每次修改维度的步长只能为1，修改自编码器网络的隐空间的维度k定值为k-1以后，返回步骤3。若两个要求同时满足，则完成训练。
[0077] 实施例2：
[0078] 基于自编码器网络的连续换相失败预警方法包括以下步骤：
[0079] 步骤1：利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真，获取TB级别的运行数据，此实例中，训练数据为1TB，数据应涵盖该交直流混联网络的所有可能运行方式，为了保证连续换相失败预警的可靠性，原始数据包含的故障数据以及非故障数据的数据规模应该保证相等。
[0080] 步骤2：于原始数据中获取每个故障场景之下的5ms时间窗的数据作为原始特征向量，数据加窗的具体方法为：对所有的原始数据标定第一次换相失败的发生时刻，并从先前的测量数据记录中，读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制系统的触发脉冲信息，并且继续对特征变量进行维持1/8个工频周波的测量录波，以得到为时5ms时间窗内整流侧和逆变侧的直流电流Idr/i和直流电压vdr/i和交流侧电流Iacr/i交流电压Uacr/i及触发角αr/i和换相重叠角μr/i作为初始特征向量。
[0081] 此实例1中，数据的采样频率为10000Hz，每一特征量的数据点数为50个点，一共有12个特征量，故原始特征向量的维度为600×1。
[0082] 步骤3：选择隐空间的维度k作为数据压缩的维度，优选k＝10,以最小信号重构误差作为目标函数，以Adam梯度下降法训练自编码器Autoencoder。其中，重构误差定义如下：
[0083]
[0084] 其中，x为原始数据窗，为经过自编码器网络降维并重构的数据窗， 为原始数据窗与经过自编码器网络降维并重构的数据窗之间的重构误差函数，φ(·)对应Encoder网络的映射函数，ψ(·)对应Decoder网络的映射函数。
[0085] 步骤4：利用自动编码器的Encoder网络进行隐空间编码，以得到较低维度的交流电流电压与直流电流电压的通用特征(generalfeatures)，以两个换相周期之内是否发生连续换相失败作为样本标记(label)，重构特征向量，并且分割新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest。其中，Xlatent,train为训练集数据对应的重构特征向量，Ytrain是训练集数据的标记，Xlatent,test是测试集数据对应的重构特征向量，Ytest是测试集数据的标记。
[0086] 步骤5：使用新的训练集Xlatent,train,Ytrain与测试集Xlatent,test,Ytest训练一个结构简单的二分类卷积神经网络，其中，该神经网络对应的目标函数是交叉熵，训练方法为Adam梯度下降法；
[0087]
[0088] 其中，X为特征向量构成的训练集或测试集，Y为特征向量构成的训练集或测试集对应的标记集；x为训练集或测试集中的特征向量，y为训练集或测试集中的特征向量对应的标记；I(·)为指示器函数，其接受一个条件表达式作为变量，表达式为真时返回1，否则返回0。
[0089] 步骤6：最后验证所训连锁故障预警器的性能，判断其准确性和运算时间是否满足精确度阈值Pthre与运算时间上限Tthre要求；
[0090] 在本申请实施例2中，为了满足快速性的要求Tthre设置为直流系统的一个换相周期，即20ms，而精确度阈值Pthre设置为95％。
[0091] 若两个要求不能同时满足，问题大概率出现在分类网络的设计上，需要对二分类网络进行重设计，并且返回步骤5；在本申请实施例2中，增加或减少特定卷积层对应的卷积核的维度、以及增加或减少最后的全连接层的层数或者维度对二分类网络进行重设计。
[0092] 若两阈值只满足一个，则可以通过增减隐空间的降维维度k予以解决，具体地，若精确度阈值Pthre不被满足，则表明原始特征向量重构过程中存在关键信息损失，需要增加自编码器网络的隐空间的维度k以增加特征的关键信息，但同时为避免维度增减剧烈而导致的网络表示能力的剧变，每次修改维度的步长只能为1，故维度定值修改为k+1；若运算时间上限Tthre不被满足，则表明原始数据特征向量重构过程中存在信息冗余，需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余，相同地，为避免维度增减剧烈而导致的网络表示能力的剧变，每次修改维度的步长只能为1，修改自编码器网络的隐空间的维度k定值为k-1以后，返回步骤3。若两个要求同时满足，则完成训练。
[0093] 申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
