一种雷击跳闸类型识别方法与流程

本发明属于雷电智能保护技术领域，具体涉及一种雷击跳闸类型识别方法。

背景技术：

电力工业是国民经济的重要组成部分，输电线路是电力工业的大动脉，是电力系统的重要组成部分。输电线路尤其是超、特高压输电线路长度大，覆盖面广，自然和地理条件复杂，容易遭受各种自然灾害的影响，其运行的可靠性对整个电力系统的安全稳定运行起着至关重要的作用。

雷害是输电线路面临的最常见自然灾害之一，雷击已成为导致输电线路故障、跳闸和影响电网安全运行的最重要因素之一。随着超、特高压的发展，输电线路防雷问题更加突出。

雷击跳闸已经成为了220kv以上电压等级输电线路跳闸主要原因。虽然目前雷电定位系统和输电线路分布式故障监测系统已经得到了广泛的应用，可以准确的判断线路跳闸是否为雷击闪络造成，并将雷击闪络杆塔定位范围缩小至1～2基，但是对于雷击跳闸故障的类型却无法进行准确的判断。目前准确判断雷击跳闸类型的方法仍然为首先登塔查找放电通道，计算闪络杆塔耐雷水平和计算绕击跳闸率，智能化水平较低，工作量较大。因此，需要基于监测到的暂态电压信号数据进行分析，识别雷击故障的类型，从而提升故障处理效率，指导输电线路防雷措施。

各类型传感器监测到的暂态电压或电流信号包含了大量的雷击跳闸故障信息，目前已有较多研究通过提取暂态信号的特征量来识别雷击跳闸故障类型。但是目前这些方法存在以下三个问题：

(1)现有雷击跳闸暂态信号处理和分析主要采用小波分解、经验模态分解、hilbert变化等分析方法，这些方法仅对一维时域信号进行分析和计算，未能将暂态信号中丰富的特征量充分利用；

(2)雷击跳闸暂态信号时域和频域特征分布范围较大，单一的时域信号分析方法仅对某一范围内的时域或频域范围内的信号有较好的分析效果，适用范围较窄，在实际应用中会出现部分雷击跳闸暂态信号识别准确率较低的情况；

(3)现有研究多采用atp-emtp或pscad仿真软件来模拟得到雷击跳闸暂态信号，但是仿真得到的信号与实际中监测到的信号存在较大的特征区别，训练分类器时如果采用了较多的仿真信号，会导致识别陷入局部最优解，无法准确识别真实的雷击跳闸暂态信号；但是如果不使用仿真信号，目前所获得的实测雷击跳闸暂态信号较少，会出现过拟合现象从而导致现有分类器训练结果不佳。

技术实现要素：

本发明的目的在于提供一种雷击跳闸监测方法和装置，实现了线下的自动判别，利用神经网路模型判别雷击跳闸类型，在特征获取中将一维时域暂态电压信号转换到二维时频域，提高了判别雷击跳闸类型的准确性，从而为提升输电线路的防雷设计水平，提高电网的运行稳定性提供了更加准确的数据。

为了实现上述目的，本发明的技术方案是：

一种雷击跳闸类型识别方法，是识别雷击跳闸是反击跳闸类型还是绕击跳闸类型的方法，所述识别方法过程是：在雷击跳闸时刻截取雷击跳闸时刻前暂态时间段雷击跳闸暂态电压信号，雷击跳闸暂态电压信号是一维时域电压信号，提取雷击跳闸暂态电压信号特征图像数据，将特征图像数据输入深度残差神经网络模型，由深度残差神经网络模型输出识别结果，其中，所述提取雷击跳闸暂态电压信号特征图像数据是：对提取的一维时域电压信号进行多尺度广义s变换，绘制不同尺度广义s变换的时频分布图像，时频分布图像包括一维时域电压信号分布图像和二维频域电压信号分布图像，将时频分布图像数据作为雷击跳闸暂态电压信号特征图像数据，其中：所述深度残差神经网络模型是根据已知的雷击跳闸类型，以及跳闸类型的雷击跳闸前暂态时间段电压信号特征图像数据事先训练形成的模型。

方案进一步是：所述多尺度广义s变换的过程是：

第一步：由s变换公式(1)作为一维时域电压信号转换，并由一维时域电压信号转换的逆变得到电压信号变化公式(2)；

其中：f为频率；t、τ为时间；j为虚数单位；w(t-τ,f)为高斯窗函数，高斯窗函数公式为：

第二步：在高斯窗函数中引入调节因子λ形成公式(4)，且λ>0；

根据公式(1-4)形成电压信号x(t)的广义s变换，广义s变换定义为公式(5)：

其中：公式(5)中的调节因子λ为含有λ＝1的多组调节因子时，则公式(5)为二维时频域电压信号的多尺度广义s变换，其中，0<λ<1的多个数组用于提高频域分辨率；λ＝1为一维时域电压信号的标准s变换；λ>1的多个数组用于提高时域分辨率。

方案进一步是：在0<λ<1段调节因子λ的组数多于在λ>1段的组数。

方案进一步是：调节因子λ为10组，分别是0.03、0.05、0.08、0.1、0.2、0.4、0.6、0.8、1.0、1.2。

方案进一步是：所述绘制不同尺度广义s变换的时频分布图像是：

对公式(5)中的广义s变换进行离散化表示，令f为n/nt、τ为it，其中t为采样时间间隔，n为总采样点数，离散广义s变换定义为：

式中，i、m、n＝0,1,…,n-1。

由公式(6)对离散序列计算得到的是二维时频矩阵，矩阵列对应时间采样点，矩阵行对应频率采样点，矩阵元素为复数，对该矩阵求模，得到广义s变换的模时频矩阵为二维时频矩阵，通过三维等高线图形绘制出信号时频分布图，时频分布图包括时间、频率、幅值、能量和相位信息。

方案进一步是：所述方法进一步包括：当识别分类器输出识别结果未识别出雷击跳闸类型时，调整暂态时间段的时间宽度，重新截取雷击跳闸时刻前雷击跳闸暂态电压信号，提取雷击跳闸暂态电压信号特征图像数据，将特征图像数据输入深度残差神经网络模型。

方案进一步是：所述方法进一步包括：当识别分类器输出识别结果未识别出雷击跳闸类型时，调整在0<λ<1段调节因子λ的组数和在λ>1段的组数，或者调整在0<λ<1段调节因子λ组数和在λ>1段组数的数据，重新进行多尺度广义s变换，绘制不同尺度广义s变换的时频分布图像。

方案进一步是：所述雷击跳闸时刻是由变电站开关监测系统提供的跳闸时刻信号，当接收到跳闸时刻信号时，将这一时刻前一确定的暂态时间段所监测到的持续含有峰值电压变化波形作为雷击跳闸暂态电压信号。

方案进一步是：所述深度残差神经网络模型是基于残差网络resnet18结构，包含1个卷积层、8个残差块和1个全连接层，其中：每个残差块又包含2个卷积层，共18层。

方案进一步是：所述残差块中采用3×3的卷积核，激活函数均选取relu函数。

与现有技术相比，本发明的有益效果是：通过对一维时域电压信号进行多尺度广义s变换，提高了雷击跳闸暂态电压信号特征图像数据的提取范围，解决了在使用神经网络判别中一维信号分析方法对暂态特征量利用不足、雷击跳闸暂态信号时频和频域特征分布范围较大和仿真得到暂态信号使识别结果偏差较大的问题；在特征获取中将一维时域暂态电压信号转换到二维时频域，提高了判别雷击跳闸类型的准确性，可以为绝缘试验方法修订、绝缘配合优化提供理论参考，从而为提升输电线路的防雷设计水平，提高电网的运行稳定性提供了更加准确的数据。

下面结合附图和实施例对本发明作进一步详细描述。

附图说明

图1为本发明方法的模型学习过程流程图；

图2为本发明的resnet的残差学习模块示意图；

图3为本发明的残差网络模型示意图；

图4为典型雷电反击跳闸暂态电压信号波形图；

图5为典型反击跳闸电压信号时频分布图；

图6为典型雷电绕击跳闸暂态电压信号波形图；

图7为典型绕击跳闸电压信号时频分布图；

图8为本发明反击和绕击跳闸识别概率计算结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本实施例的描述中，需要说明的是，术语“连接”、“置于”应做广义理解，例如“连接”可以是导线连接，也可以是机械连接；“置于”可以是固定连接放置，也可以是一体成形放置。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本实施例中的具体含义。

一种雷击跳闸类型识别方法，是识别雷击跳闸是反击跳闸类型还是绕击跳闸类型的方法，所述识别方法过程是：在雷击跳闸时刻截取雷击跳闸时刻前暂态时间段雷击跳闸暂态电压信号，雷击跳闸暂态电压信号是一维时域电压信号，提取雷击跳闸暂态电压信号特征图像数据，将特征图像数据输入深度残差神经网络模型，由深度残差神经网络模型作为识别分类器输出识别结果，其中，所述提取雷击跳闸暂态电压信号特征图像数据是：对提取的一维时域电压信号进行多尺度广义s变换，绘制不同尺度广义s变换的时频分布图像，时频分布图像包括一维时域电压信号分布图像和二维频域电压信号分布图像，将时频分布图像数据作为雷击跳闸暂态电压信号特征图像数据，其中：所述深度残差神经网络模型是根据已知的雷击跳闸类型，以及跳闸类型的雷击跳闸前暂态时间段电压信号特征图像数据事先训练形成的模型。

其中的所述多尺度广义s变换的过程是：

第一步：由s变换公式(1)作为一维时域电压信号转换，并由一维时域电压信号转换的逆变得到电压信号变化公式(2)；

其中：f为频率；t、τ为时间；j为虚数单位；w(t-τ,f)为高斯窗函数，高斯窗函数公式为：

第二步：在高斯窗函数中引入调节因子λ形成公式(4)，且λ>0；

根据公式(1-4)形成电压信号x(t)的广义s变换，广义s变换定义为公式(5)：

其中：公式(5)中的调节因子λ为含有λ＝1的多组调节因子时，则公式(5)为二维时频域电压信号的多尺度广义s变换，其中，0<λ<1的多个数组用于提高频域分辨率；λ＝1为一维时域电压信号的标准s变换；λ>1的多个数组用于提高时域分辨率。

其中：在0<λ<1段调节因子λ的组数多于在λ>1段的组数，例如：0<λ<1段调节因子λ的组数是8至15组，λ>1段的组数是1至5组。

一个优选方案：所述调节因子λ为10组，分别是0.03、0.05、0.08、0.1、0.2、0.4、0.6、0.8、1.0、1.2。

其中的所述绘制不同尺度广义s变换的时频分布图像是：

对公式5中的广义s变换进行离散化表示，令f为n/nt、τ为it，其中t为采样时间间隔，n为总采样点数，离散广义s变换定义为：

式中，i、m、n＝0,1,…,n-1。

由公式(6)对离散序列计算得到的是二维时频矩阵，矩阵列对应时间采样点，矩阵行对应频率采样点，矩阵元素为复数，对该矩阵求模，得到广义s变换的模时频矩阵为二维时频矩阵，通过三维等高线图形绘制出信号时频分布图，时频分布图包括时间、频率、幅值、能量和相位信息。

所述方法进一步包括：当识别分类器输出识别结果未识别出雷击跳闸类型时，调整暂态时间段的时间宽度，重新截取雷击跳闸时刻前雷击跳闸暂态电压信号，提取雷击跳闸暂态电压信号特征图像数据，将特征图像数据输入深度残差神经网络模型。

所述方法进一步包括：当识别分类器输出识别结果未识别出雷击跳闸类型时，改变调整在0<λ<1段调节因子λ的组数和在λ>1段的组数，例如有5组调整为8组，或者改变调整在0<λ<1段调节因子λ组数和在λ>1段组数的数据，例如由0.03、0.05、0.08、0.1、0.2、0.4、0.6、0.8、1.0、1.2，改为0.01、0.03、0.05、0.08、0.16、0.3、0.5、0.7、1.0、1.3，调整后重新进行多尺度广义s变换，重新绘制不同尺度广义s变换的时频分布图像。

方法中：所述雷击跳闸时刻是由变电站开关监测系统提供的跳闸时刻信号，当接收到跳闸时刻信号时，将这一时刻前一确定的暂态时间段所监测到的持续含有峰值电压变化波形作为雷击跳闸暂态电压信号。

其中：所述深度残差神经网络模型是基于残差网络resnet18结构，包含1个卷积层、8个残差块和1个全连接层，其中：每个残差块又包含2个卷积层，共18层。在所述残差块中采用3×3的卷积核，激活函数均选取relu函数。

下面结合所述深度残差神经网络模型的建立过程方法，加深对上述雷击跳闸类型识别方法的理解。

图1示意了模型建立过程流程图，首先通过检测系统采集雷击跳闸暂态电压信号，并且通过人工检查，跳闸的类型是已知的，然后对采集雷击跳闸暂态电压信号进行多尺度广义s变换；绘制不同尺度广义s变换的时频分布图；生成训练样本集和测试样本集；进行深度残差神经网络模型的构建和训练；深度残差神经网络作为识别分类器对测试样本集的雷击跳闸类型进行识别；识别分类器输出识别结果；识别分类器计算雷击跳闸识别概率。

方法中采用广义s变换对监测到的一维时域暂态电压信号进行处理，可以获得一维信号的时频分布图，将一维时域暂态电压信号转换到二维时频域，将时频特征分布图像作为雷击跳闸信号的特征图像，这样获得的信号不仅具有一维的时域特征，还可以同时获得二维时频域中的频域特征，可以有效解决暂态特征量利用不足的问题。

再次是采用多尺度广义s变换对一维时域暂态电压信号进行处理，即改变广义s变换中的调节因子λ的作用来控制时频分析计算过程中频率的变化速度，即，当0<λ<1时，高斯窗宽度越宽，频域分辨率越高；当λ>1时，高斯窗宽度越窄，时域分辨率越高。可见调节因子λ能够改变时频分辨率随频率变化的分布，通过改变λ参数使广义s变换具有更好地适应性和灵活性。由于广义s变换本质上仍是加窗型傅里叶变换，其时频分辨率仍受heisenberg测不准原理的制约，时间分辨率和频率分辨率无法同时达到最高精度。所以，本方法采用多组不同调节因子λ，例如：共10组，即λ＝0.03、0.05、0.08、0.1、0.2、0.4、0.6、0.8、1.0、1.2来实现多尺度广义s变换，获得多尺度时频特征分布图作为特征图像来进行后续的特征提取和识别，可以解决雷击跳闸暂态信号时频和频域特征分布范围较大的问题。此外，由于采用多尺度广义s变换获得雷击跳闸暂态过电压信号的时频分布图，即样本量相当于扩大了10倍，等于扩增样本规模，降低样本量少导致的深度学习中出现过拟合的概率，有利于提高识别准确率。

然后采用深度残差网络来对多尺度广义s变换获得的时频特征分布图进行深度学习。由于深度残差网络主要可以解决以下两个问题：(1)由于出现信息丢失而产生过拟合，深度学习网络层数的增加会导致识别正确率的降低，深度残差网络可以有效解决网络退化问题，使识别结果准确率提高；(2)深度残差学习可以解决梯度爆炸问题，从而提高模型的泛化能力。因此采用深度残差网络作为分类器解决了选择较多仿真信号导致的识别结果误差大的问题，从而有效提高识别准确率。

最后是利用建立好的分类器识别雷击跳闸暂态信号的特征图像，最终输出判定为雷电反击跳闸和雷电绕击跳闸的概率。

下面对上述中的算法过程进行详细阐述。

1算法构造；

1.1s变换；

由于雷击跳闸暂态电压信号为持续时间较长的非平稳信号，单纯用时域或者频域信息无法有效表示雷击跳闸暂态电压信号频率随时间变化的局部特征。因此，需要对暂态电压信号进行时频分析，使信号的具体特征可以在时频分布图中得到具体体现。s变换作为典型的时频分析方法，可以将一维时域信号映射至二维时频域内，反映出雷击跳闸暂态电压信号频率随时间变换的局部特征。

s变换对信号x(t)的s变换定义如下：

式中f为频率；t、τ为时间；j为虚数单位；w(t-τ,f)为高斯窗函数。s变化的逆变换为：

s变换起源于短时傅里叶变换，也可由小波变换引出，因此s变换结合了短时傅里叶变换和连续小波变换的优点，属于可逆的局部时频分析方法。由于引入了高度和宽度随频率变化的高斯窗函数，使其时频分辨率随频率变化，在克服了短时傅里叶变换时频分辨率固定不变的同时，也避免了连续小波变换中的小波函数选择困难的缺点。

1.2多尺度广义s变换

由于s变换窗函数的形式是固定的，使其在实际应用中受到限制，因此通过引入调节因子λ对高斯窗函数进行改进，如公式(4)所示：

式中λ为调节因子，且λ>0。

故信号x(t)的广义s变换定义为：

这种形式的广义s变换实质上是利用λf替代f，从而可通过调节因子λ的作用来控制f的变化速度，当0<λ<1时，高斯窗宽度越宽，频域分辨率越高；当λ＝1时，即为标准s变换；当λ>1时，高斯窗宽度越窄，时域分辨率越高。可见λ的引入改变了时频分辨率随频率变化的分布，通过改变λ参数使广义s变换具有更好地适应性和灵活性。因此，在对雷击跳闸暂态电压信号进行广义s变换中，可以选择不同的λ参数值来获取不同的时频分辨率，实现多尺度广义s变换，从而涵盖较宽的信号时域和频域分布范围。

一个举例方法中采用多种调节因子λ为10组，λ＝0.03、0.05、0.08、0.1、0.2、0.4、0.6、0.8、1.0、1.2来实现多尺度广义s变换，获得多尺度时频特征分布图作为特征图像来进行后续的特征提取和识别，可以解决雷击跳闸暂态信号时频和频域特征分布范围较大的问题。

1.3特征图像构造

在实际应用计算中，需要对公式(5)中的广义s变换进行离散化表示，令f为n/nt、τ为it，其中t为采样时间间隔，n为总采样点数，离散广义s变换定义为：

式中，i、m、n＝0,1,…,n-1。

由于λ为实数，所以反变换对窗函数进行积分时仍然满足公式(1)，因此，广义s变换逆变换与s逆变换表达式相同。

由公式(6)对离散序列计算得到的是一个二维时频矩阵，矩阵列对应时间采样点，矩阵行对应频率采样点。矩阵元素为复数，为简化处理，对该矩阵求模，得到广义s变换的模时频矩阵(modulartime-frequencymatrix，mtfm)。mtfm为二维时频矩阵，可以通过三维等高线图形绘制出信号时频分布图，能够反映雷击跳闸暂态电压信号的时频特征，包括时间、频率、幅值、能量和相位等信息，有助于对暂态电压信号进行后续分析和特征提取。

由于时频分布图包含更多的雷击跳闸信号信息，在进行深度学习的时，提高了识别准确率。

此外，选择多尺度s变换得到的时频分布图进行深度学习，可以扩增样本规模，减轻样本量少导致深度学习出现过拟合的概率，有利于提高识别准确率。

1.4深度残差网络

传统的卷积神经网络主要由卷积层、池化层和全连接层等构成，卷积层主要对输入数据进行特征提取，因其具有权重共享性，有效减少了学习参数，可减轻过拟合现象；池化层用于降低网络的空间尺寸，减少计算成本，同时提升模型的鲁棒性。经过卷积和池化操作后，网络在对输入样本进行识别时有较高的畸变容忍能力。

卷积神经网络以数据的原始形态为输入，通过卷积和池化操作的层层堆叠，不经人为干预即可自动逐层提取数据的深浅层特征信息，最终将其映射到样本标记。相比传统雷击跳闸暂态信号识别方法在进行分类任务前需要通过“特征工程”来人工构造特征参数，而卷积神经网络则在一定程度上避免了特征提取的主观性和特征选择的局限性。

传统的卷积神经网络随着网络深度的增加，误差信号的多层反向传播会引发梯度弥散和爆炸的现象，导致网络的识别率降低。残差网络作为分类卷积神经网络现代架构模型，利用残差学习模块改进了传统深度卷积网络的结构，可以避免简单堆叠的卷积神经网络梯度消失或爆炸以及精度退化问题，模型更容易优化，性能提升明显。

resnet的残差学习模块如附图2图所示。

其中，χ为输入量，h(χ)为网络期望输出。conv1、conv2分别为第一和第二个卷积层，bn表示批量标准化(batchnormalization，bn)，relu代表激活函数，f(χ)为经过一系列处理后得到的残差函数。残差网络最大的特点在于引入捷径连接(shortcutconnection)，这是一种恒等映射关系，使得残差块的实际输出h(χ)为f(χ)与残差块输入χ的加和，网络将从直接学习χ到h(χ)的映射转换为学习f(χ)+χ，从而减少了训练参数和计算量，使模型训练速度更快，训练效果更好。

综合考虑局部放电样本边际谱图像的特点，本文基于残差网络resnet18结构，使用的残差网络模型如附图3所示。4个残差块中卷积层的参数各不相同，具体参数如表1所示。

表1：残差块结构设置表

网络包含1个卷积层、8个残差块和1个全连接层，其中每个残差块又包含2个卷积层，共18层。

残差块中均采用3×3的卷积核，激活函数均选取relu函数。

此外，在残差块中加入批标准化处理可以有效加快网络的训练速度，提高泛化性能。

方法利用pytorch深度学习框架和python语言搭建网络模型，识别平台的工作频率为2.6ghz、处理器型号为i7处理器、内存为8g。

1.5雷击跳闸类型识别

完成基于深度残差网络模型的构建后，将收集到的124个(反击跳闸样本42个，绕击跳闸样本82个)实测500kv输电线路雷击跳闸暂态电压信号样本分成训练集vtrain和测试集vtest，其中训练集样本74个(反击跳闸样本24个，绕击跳闸样本50个)，测试集样本50个(反击跳闸样本18个，绕击跳闸样本32个)。将训练集vtrain经过多尺度广义s变换后的时频分布图输入到构建完成的深度残差网络模型中，完成分类模型的训练；再将测试集vtest输入到训练完成的模型中，可以得到最终的识别结果和对应的概率。比如：训练样本1经过多尺度广义s变换，可以得到时频分布图：训练样本1-1、训练样本1-2、…、训练样本1-10。将得到的时频分布图进行类别标记，也就是标记为反击跳闸或绕击跳闸，再输入到深度残差网络中，训练网络模型。

测试样本1经过多尺度广义s变换，可以得到时频分布图：测试样本1-1、测试样本1-2、…、测试样本1-10。将得到的时频分布图输入到训练完成的深度残差网络模型中，可以输出测试样本对于的识别结果标签。对于这个样本1，则可以按照标签对应的数量按照以下公式得到对应的识别概率：

反击概率＝fn/10*100％(7)

绕击概率＝rn/10*100％(8)

式中，fn为样本1识别为反击的标签数量，rn为样本1识别为绕击的标签数量。

2雷击跳闸暂态电压信号

2.1典型绕击跳闸暂态电压信号

现场实际检测到某条同塔双回500kv线路雷电反击跳闸暂态电压信号如附图4所示，对该信号在各尺度下进行广义s变换，得到的时频分布图如附图5所示。

2.2典型反击跳闸暂态电压信号

现场实际检测到某条同塔双回500kv线路雷电绕击跳闸暂态电压信号如附图6所示，对该信号在各尺度下进行广义s变换，得到的时频分布图如附图7所示。

结果表明，雷击跳闸暂态电压信号频率分布范围约为5～200khz，信号持续时间约为1ms。此外，当广义s变换中的调节λ越小时，低频区域的时频分布特征越清晰；λ越高时，高频区域的时频分布特征越清晰。因此，采用广义s变换得到的多尺度时频分布图来进行深度学习，可以使不同时频域范围内的特征被提取出输入到深度残差网络训练模型中。

3深度残差网络训练及识别结果

按照1.5中方法设置训练集和测试集，对建立的深度残差网络模型测试。本文方法计算得出反击跳闸和绕击跳闸识别结果和概率如附图8所示。反击跳闸整体识别准确率为96.67％，绕击跳闸整体识别准确率为95.94％。

4结论

由以上数据以及结果可得出以下结论：

(1)广义s变换将雷击跳闸暂态电压信号从一维时域信号转化为二维时频域信号，可以利于更多的暂态信号时频信息来提高识别的准确率；

(2)多尺度广义s变换可以获得不同调节因子λ下的雷击跳闸暂态信号时频分布图，可以使用不同时间和频率范围下的信号特征提取，同时也增加了样本量，提高深度学习的准确率；

(3)采用深度残差网络来对多尺度广义s变换获得的时频特征分布图进行深度学习，可以有效解决多层学习网络中网络退化和梯度爆炸的问题，具有较好的泛化能力，可以提高最终雷击跳闸类型识别的准确率。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。