本发明涉及一种架空输电线路故障录波数据多视角协同增强方法，属于电力工程与人工智能。
背景技术：
1、输电线路作为电力系统重要且必不可少的一部分，是电力系统的稳定运行的关键。但是，由于自然环境、外力破坏、生产质量以及人为因素等造成输电线路的大量故障情况，对输电线路的故障诊断提出了更高要求。故障录波数据已经被证明可以有效的用于架空输电线路的故障类型诊断。利用深度学习挖掘故障录波数据中潜在的故障模式辅助输电线路故障诊断已成为必然趋势。
2、然而，由于故障发生的随机性和不均衡性，研究人员通常难以获取海量标注的故障录波数据，这导致基于深度学习的故障诊断模型不能被充分训练。虽然数据增强方法的提出为基于深度学习的故障诊断模型扩充训练样本提供了思路，但是直接使用现存数据增强算法(例如基于随机扰动的增强)扩充故障录波数据会导致时域和频域等多视角数据的失真，造成生成数据与实际录波数据的物理特性和统计分布不一致，误导模型训练。
技术实现思路
1、针对上述问题，本发明提供了一种架空输电线路故障录波数据多视角协同增强方法，基于对抗生成网络与对比学习，利用故障录波数据的时域视角特征与频域视角特征，协同增强故障录波数据；充分利用多视角数据之间的冗余性与互补性，降低了单一视角数据增强方法的失真影响，提高生成数据与真实数据分布上的一致性与内容上的相似性。
2、本发明的方法从时域和频域等多视角数据协同增强的方法入手，在尽可能降低生成数据失真影响的同时扩充数据量、平衡故障类型样本数量分布，提升故障分类模型性能。
3、在本发明中，深度学习技术被广泛应用，包括多视角协同增强方法、生成对抗网络、对比学习、卷积神经网络等。通过使用这些深度学习技术，可以充分利用多视角数据之间的冗余性与互补性，降低单一视角数据增强方法的失真影响，提高生成数据与真实数据分布上的一致性与内容上的相似性。
4、本发明的技术方案如下：
5、一种架空输电线路故障录波数据多视角协同增强方法，包括如下步骤：
6、(1)对原始故障录波数据预处理；
7、(2)生成故障录波数据时域视角特征和频域视角特征；
8、(3)构建基于生成对抗网络的故障录波多视角增强数据生成模型并进行训练；
9、(4)构建基于对比学习的故障录波数据增强表示生成模型并进行训练，获得故障录波数据的增强数据。
10、优选的，步骤(1)的预处理过程为：
11、原始的故障录波数据形式为二维数据，第一个维度为特征，第二个维度为时间步，对于每一个故障录波数据，提取出三相电流、三相电压、零序电流、零序电压这8个电气特征；通过对录波数据的重采样将采样频率为1200hz～12800hz统一为10000hz；然后截取故障发生时间点往后2000个采样点作为数据的时间步长，最终获得8个特征*2000时间步长的故障录波数据x。
12、优选的，步骤(2)中，对预处理后的故障录波数据x做滤波与去噪处理，获得其时域视角特征xt，维度为8个特征*2000时间步长；
13、对时域视角特征xt使用傅里叶变换对频率信号进行分析，提取出信号的频率成分和幅度信息，获得频域视角特征xf，得到输电线路有故障的多视角特征xv＝[xt；xf]，其中[xt；xf]表示将xt与xf进行拼接；
14、考虑到故障录波数据x包含8个电压、电流特征，在提取x时域和频域特征的过程中，分别针对这8个特征单独提取对应的时序特征和频域特征然后将获得的特征分别按照时域视角和频域视角拼接，最终获得拼接后的时域视角特征和频域视角特征
15、优选的，步骤(3)中，故障录波多视角增强数据生成模型包括时域视角特征生成模型g、频域视角特征生成模型g′和判别模型d；
16、生成模型的任务是生成看起来自然真实的和原始数据相似的样本，时域视角特征生成模型g是一个依赖随机初始化的参数θg的多层神经网络，服从噪声数据分布pz(z)的噪声数据z，输出生成的时域视角特征xt′，然后将生成的时域视角特征xt′与真实的频域视角特征组合，获得时域视角增强数据
17、频域视角特征生成模型g′是一个依赖随机初始化的参数θg′的多层神经网络，输入服从噪声数据分布pδ(δ)的噪声数据δ，输出生成的频域视角特征xf′，然后将生成的频域视角特征xf′与真实的时域视角特征组合，获得频域视角增强数据
18、本发明通过接收服从噪声数据分布pz(z)的噪声数据z，将z投影到指定的数据空间，生成数据g(z)，定义g生成数据的分布为pg。针对本发明的故障录波数据多视角特征xt与xf，分别生成x′t与x′f，并将其与真实的视角特征组合，从而获得生成的时域视角增强数据与生成的频域视角增强数据考虑到xt和xf数据维度与特征不同，使用两个生成器g与g′，其中g输入服从pz(z)噪声分布的z生成g(z)＝x′t；模型g′依赖参数θg′，输入服从pδ(δ)噪声分布的δ生成g′(δ)＝x′f,通过这种交叉生成的方式从多个视角生成故障录波增强数据。
19、判别模型d是由随机初始化参数θd决定的多层神经网络，用于判断由生成模型生成的多视角增强数据与是自然真实还是人为伪造，输入时域视角增强数据和频域视角增强数据输出标量与分别表示与来自真实数据而不是生成数据的概率。
20、优选的，故障录波多视角增强数据生成模型在训练判别模型过程中，以最大化判别模型d将正确标签分配给训练数据xv与生成数据和的概率为目标来更新判别模型d的参数θd，以最小化h(g,g′)为目标来更新生成模型g和g′的参数θg和θg′，其中：
21、
22、最终，综合时域视角特征生成模型g、频域视角特征生成模型g′与判别模型d的目标得到对抗训练联合优化目标函数：
23、
24、通过求解该联合优化目标函数，获得最优的时域视角特征生成模型g、频域视角特征生成模型g′。
25、本发明在训练过程中，生成模型的目标是尽量生成真实的故障数据去欺骗判别模型，而判别模型的目标是尽量把生成模型生成的数据和真实的数据区分开来，由此二者构成了一个动态的博弈过程。通过对对抗训练联合优化目标函数求解获取最优的g和g′来生成足以“以假乱真”的数据，此时d难以判定生成数据是否是真实的，为后续通过对比学习获取数据的增强表示提供故障录波多视角增强数据。
26、优选的，使用训练好的时域视角特征生成模型g、频域视角特征生成模型g′生成xt′和xf′，进一步拼接真实视角数据得到和
27、优选的，学习良好的数据增强表示有助于下游任务进行有效的训练，受byol启发，步骤(4)中，故障录波数据增强表示生成模型包括编码器网络φt、编码器网络φf、编码器网络φ、预测器qt和预测器qf，编码器网络φt、编码器网络φf和编码器网络φ分别称为时域在线网络、频域在线网络和目标网络。
28、优选的，时域在线网络φt的权重ξ随机初始化，并随着每一训练批次的时域视角增强数据进行更新，输入输出其增强表示
29、频域在线网络φf的权重η随机初始化，并随着每一训练批次的频域视角增强数据进行更新，输入输出其增强表示
30、目标网络φ提供用于训练在线网络的回归目标，其权重v随机初始化，并使用编码器网络φt和编码器网络φf的权重均值进行更新，在线网络和目标网络相互作用并相互学习,输入xv输出其增强表示rv＝φ(xv)。
31、三个编码器的具体网络结构可以根据不同的任务进行差异化构建，在本发明中，根据经验选择四层多层感知机作为目标网络和在线网络。三个四层感知机作为三个编码器的具体实现，即三个四层感知机为φt、φf、φ。φt、φf、φ的网络结构都由一个展平层flatten，四个线形层linear1、linear2、linear3、linear4与三个激活层relu1、relu2、relu3组成，其层次关系为flatten->linear1->relu1->linear2->relu2->linear3->relu3->linear4。φt接收作为输入，φf接收作为输入，φ接收xv作为输入，xv数据维度皆为8*2126。
32、优选的，故障录波数据增强表示生成模型在训练时，通过预测器qt对时域在线网络φt的输出rvt进行预测，通过预测器qf对频域在线网络φf的输出rvf进行预测，以最大化预测器的输出与目标网络的输出之间的相似性为目标，即最小化它们之间的差异性：
33、
34、目标网络φ的参数v根据指数移动平均(ema)进行更新，与在线网络φt,φf的参数ξ,η及衰减率α,β的关系如下：
35、ξ＝αξ+βη+(1-α-β)v。
36、优选的，使用训练好的时域在线网络φt和频域在线网络φf，获得故障录波数据增强表示rvt和rvf，协助后续的故障预测任务。
37、本发明公开了一种架空输电线路故障录波数据多视角协同增强方法，该方法利用深度学习技术，实现故障录波数据多视角协同增强，扩充数据量、平衡故障类型样本数量分布。
38、本发明未详尽之处，均可参见现有技术。
39、本发明的有益效果为：
40、1.传统的数据增强算法单纯的从一个视角(如时域或频域)引入随机扰动而不考虑视角之间的协同，可能引入噪声或数据失真，这会导致增强后的数据失去真实性和可信度。本发明公开的方法是一种数据多视角协同增强方法，从故障录波数据的时域视角特征与频域视角特征出发，分别对不同视角的数据进行增强，然后再分别与其对应的真实的部分进行组合，实现多视角协同数据增强，充分利用多视角数据之间信息的冗余性与互补性，降低单一视角数据增强方法的失真影响。
41、2.传统的数据增强算法(如基于随机扰动的增强)，由于数据增强的随机性，可能产生虚假或者错误的故障录波数据样本，这些异常样本在现实世界中并不存在，导致合成数据与实际录波数据的物理特性和统计分布不一致。本发明公开的数据增强方法基于生成对抗网络，使用真实的故障录波数据训练判别模型，使其初步学习到真实数据的物理特性与统计分布，然后判别时域视角特征与频域视角特征生成模型生成数据的真实性，并将判别结果反馈给生成模型，使其进行自我优化，在判别模型与生成模型不断的博弈过程中，二者不断优化，使得生成模型生成的数据在物理特性与统计分布上最大程度近似于真实数据。
42、综上，本发明的架空输电线路故障录波数据多视角协同增强方法，能够从故障录波数据的时域和频域等多视角数据协同增强的方法入手，扩充数据量、平衡故障类型样本数量分布，实现故障录波数据的数据增强，并且充分利用多视角数据之间的冗余性与互补性，降低单一视角数据增强方法的失真影响，通过生成对抗网络，不断优化生成数据质量，最终提高生成数据与真实数据分布上的一致性与内容上的相似性。
1.一种架空输电线路故障录波数据多视角协同增强方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的架空输电线路故障录波数据多视角协同增强方法，其特征在于，步骤(1)的预处理过程为：
3.根据权利要求2所述的架空输电线路故障录波数据多视角协同增强方法，其特征在于，步骤(2)中，对预处理后的故障录波数据x做滤波与去噪处理，获得其时域视角特征xt，维度为8个特征*2000时间步长；
4.根据权利要求3所述的架空输电线路故障录波数据多视角协同增强方法，其特征在于，步骤(3)中，故障录波多视角增强数据生成模型包括时域视角特征生成模型g、频域视角特征生成模型g′和判别模型d；
5.根据权利要求4所述的架空输电线路故障录波数据多视角协同增强方法，其特征在于，故障录波多视角增强数据生成模型在训练判别模型过程中，以最大化判别模型d将正确标签分配给训练数据xv与生成数据和的概率为目标来更新判别模型d的参数θd，以最小化h(g,g′)为目标来更新生成模型g和g′的参数θg和θg′，其中：
6.根据权利要求5所述的架空输电线路故障录波数据多视角协同增强方法，其特征在于，使用训练好的时域视角特征生成模型g、频域视角特征生成模型g′生成xt′和xf′，进一步拼接真实视角数据得到和
7.根据权利要求6所述的架空输电线路故障录波数据多视角协同增强方法，其特征在于，步骤(4)中，故障录波数据增强表示生成模型包括编码器网络φt、编码器网络φf、编码器网络φ、预测器qt和预测器qf；
8.根据权利要求7所述的架空输电线路故障录波数据多视角协同增强方法，其特征在于，时域在线网络φt的权重ξ随机初始化，并随着每一训练批次的时域视角增强数据进行更新，输入输出其增强表示
9.根据权利要求8所述的架空输电线路故障录波数据多视角协同增强方法，其特征在于，故障录波数据增强表示生成模型在训练时，通过预测器qt对时域在线网络φt的输出rvt进行预测，通过预测器qf对频域在线网络φf的输出rvf进行预测，以最大化预测器的输出与目标网络的输出之间的相似性为目标，即最小化差异性：
10.根据权利要求9所述的架空输电线路故障录波数据多视角协同增强方法，其特征在于，使用训练好的时域在线网络φt和频域在线网络φf，获得故障录波数据增强表示rvt和rvf，协助后续的故障预测任务。
