本发明属于剩余电流波形分类，涉及基于循环mdc（级联多尺度空洞卷积）的b型剩余电流波形分类方法与系统。
背景技术：
1、剩余电流保护器是配电网中常用的一种电气装置，在保证线路供电安全方面起着非常重要的作用。目前，我国剩余电流保护装置普遍使用的是ac型，只能对突然施加或缓慢上升的工频交流剩余电流作脱扣保护处理。但是，随着科技的高速发展，配电网络中的电气负载越来越复杂，线路中含用纯直流剩余电流、交流电流叠加脉动直流、直流电流叠加高频交流等各种复杂剩余电流的可能性越来越大，b型剩余电流保护器的应用将显得相当重要。b型剩余电流保护器适用场景更广，能够提供更安全的保护，在部分领域会被要求强制使用。
2、b型剩余电流保护器除了实现对ac型和a型剩余电流保护的功能外，还应识别纯直流、脉动直流、平滑直流、直流叠加工频交流、直流叠加高频交流等各种复杂波形，对各种复杂波形的识别分类是一项非常艰巨的任务，关系到剩余电流保护器的可靠性和安全性。
3、传统的波形分析方法，是对系统采集到的模拟信号进行模数转换，然后基于傅里叶变换等方法在频域分析信号的频率成分，实现对信号的识别和分类。但是，剩余电流波形复杂多变，传统的波形分析方法存在误分类或漏检的情况，会导致保护器误操作，影响到配电线路的安全。
技术实现思路
1、为解决现有技术中存在的不足，本发明提供基于循环mdc的b型剩余电流波形分类方法与系统，可以高效实现b型剩余电流的波形识别分类，识别正确率达99.95%。
2、本发明采用如下的技术方案。
3、一种基于循环mdc的b型剩余电流波形分类方法，包括以下步骤：
4、s1：针对b型剩余电流波形特征，根据不同空洞卷积核构建级联多尺度空洞卷积模块；
5、s2：通过循环级联多尺度空洞卷积模块，并引入类s型指数非线性单元激活函数和通道和空间注意力机制模块，构建波形预测模型；
6、s3：采用多分类交叉熵损失函数对波形预测模型进行训练，采用训练后的波形预测模型进行b型剩余电流波形分类。
7、优选地，s1中构建的级联多尺度空洞卷积模块包括依次连接的输入层、空洞率分别为1、2、3的三个空洞卷积核、拼接层、卷积层、残差结构以及输出层。
8、优选地，所述三个空洞卷积核的卷积核大小均为3、卷积层的卷积核大小为1。
9、优选地，s2中，类s型指数非线性单元激活函数为：
10、（2）
11、其中，x为输入特征。
12、优选地，s2中，通道和空间注意力机制模块包括通道注意力特征提取单元和空间注意力特征提取单元；
13、通道注意力特征提取单元在空间上对深层特征进行全局平均池化得到每个通道的空间平均池化权值，通过两层全连接层和一个激活函数对通道空间平均池化权值进行非线性学习，得到特征在通道上的权重值，通过sigmoid函数对权重值处理后与原特征相乘，获得通道注意力特征；
14、空间注意力特征提取单元对通道注意力特征，通过在通道上采用最大值筛选的方式获取波形每一特征点的最大值，即空间权值，通过两层全连接层和一个激活函数对空间权值进行非线性学习，得到特征在空间上的权重值，通过softmax函数对权重值处理后与原通道注意力特征相乘，获得空间注意力特征。
15、优选地，通道注意力特征提取单元进行通道注意力特征提取的逻辑为：
16、（3）
17、式中，代表输入特征，代表空间上的全局平均池化，代表通道注意力特征提取单元中的第一个全连接层，代表通道注意力特征提取单元中第二个全连接层，代表类s型指数非线性单元激活函数。
18、优选地，空间注意力特征提取单元进行空间注意力特征提取的逻辑为：
19、（4）
20、式中，代表输入特征，代表通道上对空间中的每一特征点进行最大值筛选，代表空间注意力特征提取单元中的第一个全连接层，代表空间注意力特征提取单元中第二个全连接层，代表类s型指数非线性单元激活函数。
21、优选地，s2中构建的波形预测模型依次包括输入层、第一批量归一化层、第一1x1卷积层、第一senu层、第二批量归一化层、循环的三个级联多尺度空洞卷积模块、通道和空间注意力机制模块、第一线性层、第三批量归一化层、随机失活层、第二senu层、第四批量归一化层、第二线性层以及输出层，其中第一senu层、第二senu层采用类s型指数非线性单元激活函数；输入层，用于输入b型剩余电流波形；第一1x1卷积层，用于对波形特征进行卷积；循环的三个级联多尺度空洞卷积模块，用于提取剩余电流波形的全局信息特征；通道和空间注意力机制模块，用于通道和空间注意力特征提取；第一批量归一化层、第二批量归一化层、第三批量归一化层、第四批量归一化层，用于对特征进行批量样本的归一化；第一线性层、第二线性层，用于对特征进行全连接操作；第一senu层、第二senu层，用于对特征进行非线性变换激活；随机失活层，用于通过随机丢失神经元，以提高网络的鲁棒性和稳定性；输出层，用于输出b型剩余电流波形分类结果。
22、优选地，s3中采用的多分类交叉熵损失函数为：
23、（5）
24、其中为一波形经过网络预测出在不同类别上的概率分布，代表第条波形；是波形样本标签的独热编码； n表示剩余电流波形的数量。
25、一种基于循环mdc的b型剩余电流波形分类系统，包括：
26、模型构建模块，用于针对b型剩余电流波形特征，根据不同空洞卷积核构建级联多尺度空洞卷积模块，通过循环级联多尺度空洞卷积模块，并引入类s型指数非线性单元激活函数和通道和空间注意力机制模块，构建波形预测模型；
27、模型训练与波形分类模块，用于采用多分类交叉熵损失函数对波形预测模型进行训练，采用训练后的波形预测模型进行b型剩余电流波形分类。
28、一种终端，包括处理器及存储介质；所述存储介质用于存储指令；
29、所述处理器用于根据所述指令进行操作以执行所述方法的步骤。
30、计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。
31、本发明的有益效果在于，与现有技术相比：
32、本发明考虑b型剩余电流波形较短，数据量较少，波形不适用下采样的方式提取特征的特点，为了扩大感受野，采用级联空洞卷积的模式构建级联多尺度空洞卷积模块，以获取b型剩余电流波形的全局信息，在增大感受野的同时，减小了计算参数量，并在此基础上融合不同感受野下的多尺度信息，对较小感受野的特征信息进一步融合到深层网络中，增加了特征多样性的同时也增强了对局部信息的关注度。
33、本发明的类s型指数非线性单元激活函数在不同区间内对输入特征的激活程度不同，其在负半轴的梯度小于正半轴，对负半轴起到单侧弱抑制的作用，增强对正半轴的关注度，同时避免了relu函数带来的神经元死亡问题，可batchnorm函数的作用下避免反向传播过程中梯度消失的问题。
34、本发明的通道和空间注意力机制模块，增强网络模型在深层特征中的表达能力，能更好的突出每一特征点的比重，增大贡献较大的特征层的权重。
35、本发明通过循环级联多尺度空洞卷积模块，并引入类s型指数非线性单元激活函数和通道和空间注意力机制模块构建的波形预测模型网络具有高鲁棒性和稳定性。本发明设置了对b型剩余电流效果最好的多分类交叉熵损失函数，训练完成的波形预测模型可以高效实现b型剩余电流的波形识别分类，识别正确率达99.95%。
1.一种基于循环mdc的b型剩余电流波形分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于循环mdc的b型剩余电流波形分类方法，其特征在于：
3.根据权利要求2所述的一种基于循环mdc的b型剩余电流波形分类方法，其特征在于：
4.根据权利要求1所述的一种基于循环mdc的b型剩余电流波形分类方法，其特征在于：
5.根据权利要求1所述的一种基于循环mdc的b型剩余电流波形分类方法，其特征在于：
6.根据权利要求5所述的一种基于循环mdc的b型剩余电流波形分类方法，其特征在于：
7.根据权利要求5所述的一种基于循环mdc的b型剩余电流波形分类方法，其特征在于：
8.根据权利要求1所述的一种基于循环mdc的b型剩余电流波形分类方法，其特征在于：
9.根据权利要求1所述的一种基于循环mdc的b型剩余电流波形分类方法，其特征在于：
10.一种基于循环mdc的b型剩余电流波形分类系统，利用权利要求1-9任一项所述的方法，其特征在于：所述系统包括：
11.一种终端，包括处理器及存储介质；其特征在于：
12.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。
