(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211528584.0 (22)申请日 2022.12.01 (71)申请人 中国南方电网有限责任公司超高压 输电公司广州局 地址 510700 广东省广州市黄埔区科 学大 道223号2号楼 申请人 广东双电科技有限公司 (72)发明人 谷裕　徐攀腾　朱博　焦石　 林良沛　曾兴　刘国特　周锦辉　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 关志琨 (51)Int.Cl. G06N 3/08(2006.01) G06N 3/04(2006.01)H02H 9/02(2006.01) (54)发明名称 电流降噪网络模型训练方法及故障限流器 电流降噪方法 (57)摘要 本申请涉及一种电流降噪网络模型训练方 法及故障限流器电流降噪方法。 该模 型训练方法 包括： 初始化电流降噪网络模型的权重和偏置； 获取真实电流数据以及检测精度 样本数据； 基于 真实电流数据和检测精度样本数据得到至少一 个初始训练数据集合， 其中的电流数据的差值小 于或等于 预设阈值； 从每个初始训练数据集合中 随机选取样 本数据， 得到训练样 本集和检验样本 集； 将上述样本数据输入至电流降噪网络模型， 得到对应的预测降噪电流； 将上述预测降噪电流 和检验样 本集输入至降噪损失函数模 型， 得到损 失值， 并确定训练过程中最小损失值所对应的电 流降噪网络模 型为训练好的电流降噪网络模型。 采用本方法能够提高故障限流器限流 准确性。 权利要求书3页 说明书11页 附图6页 CN 115545191 A 2022.12.30 CN 115545191 A 1.一种电流降噪网络模型训练方法， 其特 征在于， 所述方法包括： 初始化电流降噪网络模型的权 重和偏置； 获取真实电流数据以及检测精度样本数据； 基于所述真实电流数据和所述检测精度样本数据得到至少一个初始训练数据集合， 每 个所述初始训练数据集 合中的任意两个电流数据的差值小于或等于预设阈值； 从每个所述初始训练数据集 合中随机 选取样本数据， 得到训练样本集和检验样本集； 将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数据输入至所述 电流降噪网络模型， 得到每 个所述训练样本集对应的预测降噪电流； 将每个所述训练样本集对应的预测降噪电流和所述检验样本集输入至降噪损失函数 模型， 得到损失值， 并基于所述损失值优化所述电流降噪网络模型中的权重和偏置， 直至满 足结束条件， 并确定训练过程中最小损失值所对应的电流降噪网络模型为训练好的电流降 噪网络模型。 2.根据权利要求1所述的方法， 其特征在于， 所述电流降噪网络模型包括归一化层和降 噪电流预测模型， 所述将 每个所述训练样本集中的真实电流样本数据和所述检测精度样本 数据输入至所述电流 降噪网络模型， 得到每个所述训练样本集对应的预测降噪 电流的步 骤， 包括： 将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数据在所述归一 化层做归一 化处理， 得到每 个所述训练样本集的归一 化样本数据； 将所述归一化样本数据和所述训练样本集中的真实电流样本数据输入至所述降噪电 流预测模型， 得到每 个所述训练样本集对应的预测降噪电流； 所述将每个所述训练样本集对应的预测降噪电流和所述检验样本集输入至降噪损失 函数模型， 得到损失值， 并基于所述损失值优化所述电流降噪网络模 型中的权重和偏置， 直 至满足结束条件， 并确定训练过程中最小损失值所对应的电流降噪网络模 型为训练好的电 流降噪网络模型， 包括： 将每个所述训练样本集对应的预测降噪电流和所述检验样本集以及所述归一化样本 数据输入至降噪损失函数模型， 得到损失值， 并基于所述损失值优化所述电流降噪网络模 型中的权重和偏置， 直至满足结束条件， 并确定训练过程中最小损失值所对应的电流降噪 网络模型为训练好的电流降噪网络模型。 3.根据权利要求2所述的方法， 其特征在于， 所述将每个所述训练样本集中的真实电流 样本数据和所述检测精度样本数据在所述归一化层做归一化处理， 得到每个所述训练样本 集的归一 化样本数据的步骤， 包括： 将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数据输入至第一 激活模型， 根据所述第一激活模型的权 重和偏置， 得到第一训练效率样本数据； 将所述第一训练效率样本数据输入至第 二激活模型， 根据 所述第二激活模型的权重和 偏置， 得到第二训练效率样本数据； 将所述第二训练效率样本数据输入至第三激活模型， 得到 激活函数值； 对所述激活函数值和所述真实电流样本数据之和进行归一化处理， 得到所述归一化样 本数据。 4.根据权利要求3所述的方法， 其特征在于， 所述第 三激活模型为门控机制激活函数模权　利　要　求　书 1/3 页 2 CN 115545191 A 2型。 5.根据权利要求3所述的方法， 其特征在于， 所述第 一激活模型为指数线性单元激活函 数模型。 6.一种故障限流器电流降噪方法， 其特 征在于， 所述方法包括： 获取故障限流器的电流； 将所述电流和预设的检测精度输入至电流降噪网络模型， 得到预测降噪电流； 其中， 所述电流降噪网络模型为通过执行权利要求1至5任一项所述的电流降噪网络模 型训练方法的步骤得到的。 7.一种电流降噪网络模型训练装置， 其特 征在于， 所述装置包括： 初始化模块， 用于初始化电流降噪网络模型的权 重和偏置； 数据获取模块， 用于获取真实电流数据以及检测精度样本数据； 数据筛选模块， 用于基于所述真实电流数据和所述检测精度样本数据得到至少一个初 始训练数据集合， 每个所述初始训练数据集合中的任意两个电流数据的差值小于或等于预 设阈值； 数据分类模块， 用于从每个所述初始训练数据集合中随机选取样本数据， 得到训练样 本集和检验样本集； 预测模块， 用于将每个所述训练样本集中的真实电流样本数据和所述检测精度样本数 据输入至所述电流降噪网络模型， 得到每 个所述训练样本集对应的预测降噪电流； 模型优化模块， 用于将每个所述训练样本集对应的预测降噪电流和所述检验样本集输 入至降噪损失函数模型， 得到损失值， 并基于所述损失值优化所述电流降噪网络模型中的 权重和偏置， 直至满足结束条件， 并确定训练过程中最小损失值所对应的电流降噪网络模 型为训练好的电流降噪网络模型。 8.一种故障限流器， 其特 征在于， 包括： 整流桥， 具有第一 桥臂和第二 桥臂； 电抗器， 所述电抗器一次侧绕组的一端连接所述第一桥臂 的中点， 所述电抗器一次侧 绕组的另一端连接所述第二桥臂的中点； 所述电抗器二次侧绕组的一端连接所述第一桥臂 的中点， 所述电抗器二次侧绕组的另一端连接所述第二 桥臂的中点； 第一高温超导传感器元件， 串接在所述一 次侧绕组和所述一 次侧绕组所连接的所述第 二桥臂的中点之间， 所述第一高温超导传感器元件用于采集流经所述一次侧绕组的第一电 流， 并将所述第一电流和预设的检测精度输入至电流降噪网络模型， 得到基于所述第一电 流采样的预测降噪电流； 其中， 所述电流降噪网络模型为通过执行权利要求1至5任一项所述的电流降噪网络模 型训练方法的步骤得到的。 9.根据权利要求8所述的故障限流器， 其特 征在于， 还 包括： 第二高温超导传感器元件， 串接在所述二 次侧绕组和所述二 次侧绕组所连接的所述第 二桥臂的中点之间， 所述第二高温超导传感器元件用于采集流经所述一次侧绕组的第二电 流， 并将所述第二电流和预设的检测精度输入至所述电流降噪网络模型， 得到基于所述第 二电流采样的预测降噪电流。 10.一种计算机设备， 包括存储器和 处理器， 所述存储器存储有计算机程序， 其特征在权　利　要　求　书 2/3 页 3 CN 115545191 A 3