一种电网录波异常信号识别方法

1.一种电网录波异常信号识别方法，其特征在于，包含如下步骤：步骤一、电网录波原始数据预处理；步骤二、使用K均值聚类算法对相位调整后的数据进行识别，K均值聚类将数据集划分为K个不相交的子集或簇，每个簇通过其聚类中心的均值来描述，核心是最小化所有点到其最近聚类中心的距离之和；步骤三、使用格拉姆角场对聚类分类的数据进行图像编码，将一维的时间序列数据转换成二维图像；步骤四、构建电网录波样本图像数据集；步骤五、搭建图像分类模型；步骤六：训练电网录波数据图像分类框架，得到训练好的模型；步骤七：加载测试数据集，并将其输入到步骤六中训练完成的模型进行分类；根据模型输出生成预测类别，并借助真实标签图像计算性能评价指标；所述模型评估指标为全部类别的Accuracy、Precision、Recall和F1-Score值；步骤八、重复执行步骤六和步骤七，加载训练数据集进行预测，计算目标函数值，并进行模型参数优化；加载测试数据集进行预测，并计算相应的性能评价指标，直到满足终止条件；终止条件至少包括以下之一：性能评价指标达到预定要求、执行迭代次数大于设定的最大迭代次数。 2.根据权利要求1所述的一种电网录波异常信号识别方法，其特征在于，步骤一所述的电网录波原始数据预处理，具体包括以下步骤：步骤1.1、获取电网录波原始数据，将其输入框架，并进行预处理，步骤1.2、使用相位自适应调整以保持信号的相对相位关系，在时域中，给定两个信号x(t)和y(t)，则它们的时域互相关函数如式(1)所示：r xy (τ)＝x(t)*y(t-τ)       (1)得离散形式下信号x[n]和y[n]的离散互相关函数如式(2)所示：在频域中，互相关是通过信号的傅里叶变换来计算的，给定两个信号x(t)和y(t)，通过傅里叶变换X(f)和Y(f)的乘积得到频域互相关函数R xy (f)如式(3)所示：R xy (f)＝X(f)·Y * (f)       (3)其中Y * (f)表示Y(f)的复共轭，则离散形式下，信号X[k]和Y[k]的离散频域互相关函数如式(4)所示：R xy [k]＝X[k]·Y * [k]       (4)。 3.根据权利要求1所述的一种电网录波异常信号识别方法，其特征在于，步骤二所述的使用K均值聚类算法对相位调整后的数据进行识别，K均值聚类将数据集划分为K个不相交的子集或簇，每个簇通过其聚类中心的均值来描述，核心是最小化所有点到其最近聚类中心的距离之和，具体包括以下步骤：步骤2.1、假设有数据集{x 1 ,x 2 ,…,x n }，其中每个点x i 是D维空间中的一个点，选择K个数据点作为初始聚类中心，将每个数据点分配给最近的聚类中心，对于每个点x i ，计算欧氏距离如式(5)所示：其中，x id 和η kd 分别是点x i 和簇中心η k 在第d维的坐标，步骤2.2、将数据点划分为K个簇C 1 、C 2 、…、C k ，找到最小化||x i -η k ‖ 2 的η k ，并将x i 分配到相应的簇C k 中，更新每个簇的聚类中心为簇内所有点的均值，如式(6)所示：其中，|C k |是簇C k 中的点数，步骤2.3、重复执行步骤2.2，直至达到某个停止条件，如聚类中心的变化低于某个阈值，或者达到预定的迭代次数，最后，输出K个簇及其聚类中心，如式(7)所示，通过计算目标函数J的值来评估聚类质量：其中，η k 是簇C k 的中心，是该簇所有点的均值。 4.根据权利要求1所述的一种电网录波异常信号识别方法，其特征在于，步骤三所述的使用格拉姆角场对聚类分类的数据进行图像编码，将一维的时间序列数据转换成二维图像，具体包括以下步骤：步骤3.1、利用格拉姆角场对相位调整后的数据进行图像编码，将一维时间序列转换成二维图像，假设时序数据为X＝{x 1 ,x 2 ,…,x n }，将时序数据规范到区间[-1,1]，规范化后的时间序列值记为 规范化后的格拉姆矩阵如式(9)所示：其中φ i,j 表示向量i与向量j之间的夹角，格拉姆矩阵G表示了向量集合中的向量两两之间的内积，即表示了向量之间的相关程度，步骤3.2、将规范化后的值转化为极坐标，计算公式如式(10)所示：其中，t i 为时间戳； 表示规范化后的时序数据X；N表示将极径坐标的单位长度分成N等份，每一个时序点数据包含两个信息：该数据点的规范化值 以及其所在的时序位置t i ，极坐标转换编码包含了这两个信息，且没有损失任何信息，极轴r i 保留了时间上的关系；极角φ i 保留了数值上的关系，步骤3.3、计算时序点的极坐标转化后的极角之和的余弦，得同时计算时序点的极坐标转化后的极角之差的正弦，得其中，GASF称为格拉姆求和场，GADF称为格拉姆差分场，代入数据得其中，I为全部数值为1的单位行向量， 为 的转置矩阵，观察GASF和GADF矩阵，原始数据的时间相关性通过矩阵的主对角线得到了很好的保留。 5.根据权利要求1所述的一种电网录波异常信号识别方法，其特征在于，步骤四所述的构建电网录波样本图像数据集，具体包括以下步骤：步骤4.1、使用格拉姆角场编码后的图像构建样本数据集，并对每张录波数据编码图像配置分类标签，步骤4.2、从样本数据集划分训练数据集、验证数据集和测试数据集。 6.根据权利要求1所述的一种电网录波异常信号识别方法，其特征在于，步骤五所述的搭建图像分类模型，具体包括以下步骤：步骤5.1、搭建电网录波数据图像分类框架，所述图像分类框架的结构顺序，依次为输入层，卷积层和输出层，输入层负责对电网录波样本图像数据集的输入图像进行预处理，卷积层通过卷积操作对图像进行特征提取，输出层输出不同的图像类别，步骤5.2、在输入层，首先对图像进行数据增强，使用几何变换，包括翻转裁剪扩充数量，并进行颜色增强处理，随后，对图像进行归一化，归一化的目的是将特征值大小调整到相近范围，使模型训练收敛平稳，归一化公式如式(14)所示：其中，x i 表示图像像素点值，min(x)、max(x)分别表示图像像素的最小值和最大值，步骤5.3、在卷积层中，ResNet18引入了残差结构，以简化网络结构的复杂度，有效地解决了随着网络深度增加而引起的性能退化问题，残差结构表达式如式(15)所示：H(x)＝F(x)+x         (15)其中，x为输入，H(x)为残差结构的输出，F(x)为经过卷积层得到的输出，易知，当卷积层参数为0时，式(15)变为H(x)＝x，为恒等映射，在残差结构中，H(x)通过恒等连接得以实现，输入向量x通过卷积层转换为函数F(x)，此外，网络还包含一个Shortcut分支，将输入x直接传递至输出端，与卷积层的结果相结合，通过引入恒等映射，残差结构保证了网络的性能基础上，网络能够有效地沿着梯度下降的方向进行迭代和优化，步骤5.4、ResNet18模型包含1个初始层，1个全连接层和8个残差结构，残差结构分成4组，每组两个，每个残差结构包含两个卷积层，初始层包含一个卷积层和最大池化层，卷积层的卷积核大小为7×7，stride为2，padding为3，输出通道数为64；最大池化层核大小为3×3，步长为2，步骤5.5、在4组残差结构中，第一组残差结构的卷积层卷积核大小为3×3，stride为1，输出通道数为64；Shortcut分支直接连接输入到输出，无需1×1卷积调整维度，第二组残差结构的卷积层卷积核大小为3×3，第一层stride为2，用于下采样，第二层stride为1，输出通道数为128；Shortcut分支使用1×1卷积，步长为2，以调整维度匹配，第三组残差结构的卷积层卷积核大小为3×3，第一层stride为2，用于下采样，第二层stride为1，输出通道数为256；Shortcut分支使用1×1卷积，步长为2，以调整维度匹配，第四组残差结构的卷积层卷积核大小为3×3，第一层stride为2，用于下采样，第二层stride为1，输出通道数为512；Shortcut分支使用1×1卷积，步长为2，以调整维度匹配，步骤5.6、输出层包括平均池化层、全连接层和Softmax层，平均池化层对每个特征图进行平均池化，压缩特征图尺寸，全连接层将特征向量连接到分类任务的类别数上，Softmax层将将全连接层的输出转化为概率分布。 7.根据权利要求1所述的一种电网录波异常信号识别方法，其特征在于，步骤六所述的训练电网录波数据图像分类框架，得到训练好的模型，具体包括以下步骤：步骤6.1、构建电网录波数据图像分类框架，配置训练参数，训练参数至少应包括以下之一：每批训练的样本量、梯度累积步数、或训练最大迭代轮数，步骤6.2、随机选取训练数据集中的一组不重复图像，利用分类模型进行图像类别预测，根据标签图像计算目标函数值，输入参数包括图像通道数和尺寸信息，步骤6.3、基于目标函数值，采用预设的优化算法更新模型参数，优化过程中涉及的参数设置至少包含以下之一：初始学习率、目标学习率、学习率衰减策略、动量因子、权重衰减率，步骤6.4、重复执行步骤6.2至6.3，每次执行从训练数据集随机且无重复抽取图像，进行预测并计算目标函数值，优化模型参数，直至训练集中的所有图像均经过一轮训练，步骤6.5、进行验证集评估，加载训练好的模型，分析模型性能，并根据验证结果调整模型参数和训练策略。 8.根据权利要求1所述的一种电网录波异常信号识别方法，其特征在于：步骤四所述电网录波样本图像数据集，电网录波样本图像数据集包括至少3000张图像，并随机抽取70％图像设置为训练数据集，20％图像设置为验证数据集，剩下的设置为测试数据集，所述训练数据集、验证数据集和测试数据集中的图像不重复。 9.根据权利要求1所述的一种电网录波异常信号识别方法，其特征在于：步骤八所述优化过程，优化算法选择含动量机制的Adam优化器；训练过程中以余弦式衰减的方式调整学习率；所述余弦式衰减的核心理念是学习率根据余弦函数的规律随着训练进行而逐渐降低，具体分为两个阶段：第一阶段，学习率会从一个初始设定值线性减少至一个预设的最低值；第二阶段，学习率将依照余弦函数的规律从这个最低值缓慢上升，直至回到初始设定值，在训练早期，学习率大使模型快速收敛；在训练后期，降低学习率来维持模型的稳定性，避免过拟合现象。 10.根据权利要求1所述的一种电网录波异常信号识别方法，其特征在于：步骤八所述模型性能评价指标包括Accuracy、Precision、Recall和F1-Score值，Accuracy表示正确预测的数量与总预测数量的比例，Precision表示所有被模型预测为正样本且实际为正样本所占的比例，Recall表示所有实际为正样本中且模型正确预测为正样本所占的比例，F1-Score值综合考虑了Precision和Recall，对分类模型性能进行综合评估，F1的值越高，表示模型的性能越好，计算公式如式(16)—式(19)所示：其中，TP表示预测结果为正样本，真实结果也为正样本；FP表示预测结果为正样本，真实结果为负样本；TN表示预测结果为负样本，真实结果也为负样本；FN表示预测结果为负样本，真实结果为正样本。