1.一种基于辅助分类生成对抗网络的输电线路故障检测方法，包括如下步骤：步骤一：通过PSCAD软件搭建输电网络模型，在该输电网络中选取其中M个母线节点分别布置同步相量测量装置PMU，将每条线路分为A段，A＝10，在每条线路上预设故障点，在各故障点分别设置单相短路接地、两相短路接地、两相短路、三相短路接地故障，并进行故障仿真；针对每种故障情景，分别获取M个布置有PMU的母线节点在故障发生后第一个周波内的电压，均匀取N个电压，N＝62；对M个母线节点的电压，分别进行卡伦鲍尔变换，取得解耦后的α模分量，再对α模分量进行变分模态分解，得到IMF1、IMF2、…、IMFk固有模态分量序列，取其中IMF1分量序列，作为各母线节点在该故障情景下的故障特征向量，也均匀取N个数据，其为1×N；再将M个母线节点的故障特征向量，组合形成一个特征向量矩阵，其为M×N，然后将它生成相应的全网灰度图；针对其它故障情景，同样处理，获得每条线路各故障点不同故障类型下的全网灰度图；

步骤二：对每条线路各故障点各故障类型下的全网灰度图进行标记，针对电网中P条线路，先分别进行从1到P的线路编号，再将每个全网灰度图标记为对应的线路编号，作为每个全网灰度图的标签编号，即把该灰度图标记到对应的故障线路，如果所有线路正常，则赋予P+1的标签编号；

步骤三、针对各种故障类型，分别构建加入卷积层并生成带标签图片的辅助分类生成对抗网络，分别对各辅助分类生成对抗网络进行训练，能够对测试的全网灰度图进行正确分类，检测出故障线路；

步骤四：针对各种故障类型的辅助分类生成对抗网络，分别送入各自的训练数据进行训练；当对抗网络训练完成后，分别输入各自的事先通过仿真得到的测试数据，进行故障线路的分类测试，做检测正确率的统计；对于电网实际发生的线路故障，取得每个布置PMU的母线节点的电压，先利用传统的阻抗选相元件，获得故障类型，然后按照步骤一，由各母线节点的电压获得全网灰度图，送入判别器，如果判别器第1输出层输出为真，再由判别器第2输出层输出的标签编号，获得相应的故障线路编号。

2.根据权利要求1所述的一种基于辅助分类生成对抗网络的输电线路故障检测方法，其特征在于：所述获得每条线路各故障点不同故障类型下的全网灰度图，具体操作如下：

1)卡伦鲍尔变换

对一个母线节点的三相电压Ua、Ub、Uc进行卡伦鲍尔变换如下：得到α模分量Uα、β模分量Uβ、0模分量U0；

2)变分模态分解

仅采用α模分量作为测量信号，对α模分量进行变分模态分解，得到IMF1、IMF2、…、IMFk固有模态分量序列，选取其中最具有信号本质特征的IMF1分量，作为故障分量，均匀取N个数据作为该母线节点的故障特征向量，其为1×N；

3)形成特征向量矩阵

将M个母线节点的故障特征向量，组合形成一个原始特征向量矩阵E，其为M×N；

4)生成全网灰度图

对原始特征向量矩阵E进行归一化到0～1之间，得到特征向量矩阵E2：E2(i,j)＝(E(i,j)‑min)/(max‑min)  (2)其中，E(i,j)是原始特征向量矩阵E的第i行第j列元素，E2(i,j)是特征向量矩阵E2的第i行第j列元素，min是E中所有元素的最小值，max是E中所有元素的最大值；

将特征向量矩阵E2中各元素分别乘以255，再取整，转化到0～255，即灰度值，再根据这些灰度值数据，生成全网灰度图H，其大小为M×N，其文件扩展名为jpg。

3.根据权利要求1所述的一种基于辅助分类生成对抗网络的输电线路故障检测方法，其特征在于：所述分别对各辅助分类生成对抗网络进行训练，具体操作如下：每个对抗网络包含生成器、判别器，使生成器能够生成仿真的生成图片，同时判别器能够准确判断生成图片、故障图片及其标签；

1)生成器和判别器的构造

生成器结构包含输入层、全连接层、3个卷积层、输出层；

输入层：输入由服从正态分布的噪声产生的随机向量；

全连接层：将输入全连接到32×3×15维度，输出时用Reshape函数将其改造成像素高为3、宽为15、通道数为32的特征层样式；

第1卷积层：通道数为64，卷积核数3，激活函数为Relu，步长为1；

第2卷积层：通道数为128，卷积核数量3，上个采样扩充一倍特征层的高和宽分别为6、

30，激活函数为Relu；

第3卷积层：通道数为64，卷积核数量3，上个采样扩充一倍特征层的高和宽分别为12、

60，激活函数为Relu；

输出层：也是卷积层，通道数为1，作为图片输出，卷积核数量3，激活函数为tanh；

判别器结构包含输入层、4个卷积层、2个输出层；

输入层：输入图片的像素高12、宽60、通道数为1；

第1卷积层：通道数为16，卷积核数3，激活函数为Leakyrelu，步长为2，dropout参数

0.4；

第2卷积层：通道数为32，卷积核数量3，激活函数为Leakyrelu，步长为2，dropout参数

0.4；

第3卷积层：通道数为64，卷积核数量3，激活函数为Leakyrelu，步长为1，dropout参数

0.4；

第4卷积层：通道数为128，卷积核数量3，激活函数为Leakyrelu，步长为1，dropout参数

0.4；

第1输出层：维度为1，激活函数为sigmoid，判断图片的真伪；

第2输出层：维度为P，激活函数为softmax，判断图片的类别；

当判别器的第1输出层判断图片为真时，再由第2输出层输出标签编号，由该标签编号得到相应的故障线路编号；

2)网络的训练过程

数据导入：由于设计的生成器输出图片和判别器输入图片像素高宽分别为12、60，而提取特征生成的灰度图像素高12、宽62，还需对灰度图进行裁剪，考虑到生成的灰度图用的原始数据是瞬时三相电压，具有周期连续性，对灰度图进行裁剪，取其[0,60]部分，提供给对抗网络训练和测试用；

训练过程：用服从正态分布的噪声产生随机向量，作为生成器的输入，产生生成图片；

生成器希望为判别器提供生成图片时，判别器的输出图片为真且输出对应的标签；而判别器希望输入真实故障图片时，判别器判断其为真和对应的标签编号，输入生成图片时，判别器判断其为假；采用交叉熵损失函数进行训练，直到网络收敛；

生成对抗网络一般先训练判别器，在开始训练前对判别器的输入图片进行预测，如果预测结果正确，则先训练生成器；否则，先训练判别器；在最小化损失函数的训练中，会出现一方压制另一方导致梯度消失的问题，利用随机梯度下降法进行优化；

设计了学习率为0.0002，优化器使用Adam，训练次数为10000次，损失函数使用交叉熵参数；

3)判别器的参数优化策略

a.生成器、判别器交替训练的策略在交替训练生成器和判别器时，在训练生成器时屏蔽判别器的训练；

在对判别器的输入图片进行预测的过程中，当判别器能较好地识别图片时，则中断判别器的训练；

b.将判别器输入的灰度图H处理映射到‑1～1之间的矩阵MH，便于激活函数发挥最大效果，即将灰度图H中各元素H(i,j)从0～255映射到‑1～1，如下：MH(i,j)＝(H(i,j)‑127.5)/127.5  (3)c.调节判别器的激活函数Leakyrelu的alpha参数为0.2，使其在负半轴存在梯度；

d.在数据输入到激活函数前，添加标准化函数BatchNormalization，其momentum参数为0.8，使数据缩放到激活函数的区间，让激活函数对数据处理达到最大效果；

e.给判别器加入dropout函数，使部分神经元失活，防止判别器过拟合。