本发明涉及故障识别，更具体的说是涉及一种模型数据驱动的铁磁类设备故障波形识别方法。
背景技术：
1、特高压交流输电技术在提高电力系统电压等级、提高电力变压器容量的同时，也使运行方式变得更加复杂，这对电网安全可靠运行的能力提出了较大的挑战。电力变压器是发电厂和变电所的主要电气设备之一，是电力系统中的重要枢纽。差动保护作为变压器的主保护，需要正确可靠地动作，才能保证变压器在电力系统中的稳定运行，进而提高电网安全可靠运行的能力。
2、变压器在空载合闸、外部故障切除等情况下容易产生励磁涌流。励磁涌流并不属于故障，但其幅值很大，有时甚至能够达到数倍额定电流的大小，并导致保护误动作。目前，变压器差动保护中最常用的励磁涌流判别方法是二次谐波制动原理。该判别原理利用了励磁涌流中的二次谐波含量显著高于故障电流的特点，通过判断电流中二次谐波含量的高低来辨识励磁涌流。但在磁滞现象、合闸相角等因素的影响下，励磁涌流的二次谐波含量可能较少，导致该保护无法正确判别励磁涌流。为了降低变压器差动保护错误动作造成的损失，有必要寻找准确辨识内部故障电流与励磁涌流的更好方法。
3、随着近几年来人工智能技术的普及，该技术广泛为各个领域所应用，并取得了卓越的成效。人工智能技术拥有十分强大的非线性拟合能力，能够解决许多传统模型难以处理的问题。在电力系统中，利用神经网络对励磁涌流进行识别或许是一个可行的方案。但究其本质，神经网络只是一个基于现成案例、经过大量拟合得到的十分复杂的非线性函数，其物理意义难以进行提取和解释。
4、因此，如何精准识别设备内部故障波形，且降低计算量，是本领域技术人员亟需解决的问题。
技术实现思路
1、鉴于上述问题，本发明提供一种模型数据驱动的铁磁类设备故障波形识别方法，以至少解决上述背景技术中提到的部分技术问题。
2、为了实现上述目的，本发明采用如下技术方案：
3、一种模型数据驱动的铁磁类设备故障波形识别方法，包括如下步骤：
4、实时采集变压器两侧差动电流；
5、将所述变压器两侧差动电流输入至训练好的全卷积神经网络模型中，获得对应的差动电流基波分量。
6、进一步地，还包括，将所述差动电流基波分量乘以归一化系数后，导入变压器差动保护中，判断保护是否动作。
7、进一步地，所述全卷积神经网络模型的训练步骤如下：
8、s1、构建基于pscad变压器仿真模型的变压器励磁涌流故障生成模型；
9、s2、基于所述变压器励磁涌流故障生成模型，设置故障参数的取值；
10、s3、根据所述故障参数的取值，通过多软件交互批量生成含励磁涌流的故障差动电流样本数据及对应标签；
11、s4、对所述故障差动电流样本数据及对应标签进行预处理，获得励磁涌流故障数据库；
12、s5、将所述励磁涌流故障数据库中的所述故障差动电流样本数据作为输入，将对应标签作为输出，对全卷积神经网络模型进行训练。
13、进一步地，在所述步骤s2中，所述故障参数包括匝间短路百分比、剩磁和合闸相角。
14、进一步地，所述步骤s3具体包括：
15、s31、设定所述故障参数的取值，利用matlab生成对应的txt文本文件；
16、s32、在所述变压器励磁涌流故障生成模型所在的pscad界面再构建一套完全相同的模型，记作新模型；将所述新模型中变压器参数设置界面中铁芯的饱和状态设置为未饱和，其它参数与仿真条件均与所述变压器励磁涌流故障生成模型相同，用于同时生成故障差动电流样本数据及对应的标签。
17、进一步地，所述步骤s33还包括：将所述故障差动电流样本数据中的波形数据及对应标签保存至.mat文件中。
18、进一步地，在所述步骤s4中，所述预处理包括筛选、归一化、分量添加。
19、进一步地，所述全卷积神经网络模型包括输入层、卷积层和输出层；其中，所述卷积层的数量为4层，且每两个卷积层之间设有激活函数。
20、进一步地，在所述全卷积神经网络模型的损失函数中增加l2范数，具体表示为：
21、
22、其中，l(w,b)表示损失函数；w表示卷积核的权向量；b表示偏置向量；λ表示控制过拟合作用强度的系数。
23、进一步地，每层所述卷积层后均设有批标准化函数。
24、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种模型数据驱动的铁磁类设备故障波形识别方法，具有如下有益效果：
25、本发明可直接对采集的变压器两端差动电流进行基波提取并识别，无需考虑励磁涌流对波形造成的干扰。
26、本发明还采用所构建的全卷积神经网络模型，其输入仅为变压器两端的差动电流，无需进行信号处理；可直接选取训练完毕的全卷积神经网络进行使用。
27、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
28、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.一种模型数据驱动的铁磁类设备故障波形识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种模型数据驱动的铁磁类设备故障波形识别方法,其特征在于，还包括，将所述差动电流基波分量乘以归一化系数后，导入变压器差动保护中，判断保护是否动作。
3.根据权利要求1所述的一种模型数据驱动的铁磁类设备故障波形识别方法,其特征在于，所述全卷积神经网络模型的训练步骤如下：
4.根据权利要求3所述的一种模型数据驱动的铁磁类设备故障波形识别方法,其特征在于，在所述步骤s2中，所述故障参数包括匝间短路百分比、剩磁和合闸相角。
5.根据权利要求3所述的一种模型数据驱动的铁磁类设备故障波形识别方法，其特征在于，所述步骤s3具体包括：
6.根据权利要求5所述的一种模型数据驱动的铁磁类设备故障波形识别方法，其特征在于，所述步骤s33还包括：将所述故障差动电流样本数据中的波形数据及对应标签从pscad生成的.out文件中保存至.mat文件中。
7.根据权利要求3所述的一种模型数据驱动的铁磁类设备故障波形识别方法，其特征在于，在所述步骤s4中，所述预处理包括筛选、归一化、分量添加。
8.根据权利要求1所述的一种模型数据驱动的铁磁类设备故障波形识别方法，其特征在于，所述全卷积神经网络模型包括输入层、卷积层和输出层；其中，所述卷积层的数量为4层，且每两个卷积层之间设有激活函数。
9.根据权利要求1所述的一种模型数据驱动的铁磁类设备故障波形识别方法，其特征在于，在所述全卷积神经网络模型的损失函数中增加l2范数，具体表示为：
10.根据权利要求8所述的一种模型数据驱动的铁磁类设备故障波形识别方法，其特征在于，每层所述卷积层后均设有批标准化函数。
