不平衡样本下基于迁移学习-AlexNet的输电线路故障辨识方法

摘要：

输电线路不同故障类型和故障原因的故障样本集具有类不平衡性,为基于图像深度学习的故障分类辨识带来挑战.文中提出类不平衡样本下基于迁移学习-AlexNet神经网络的输电线路故障辨识方法.首先,统计分析了输电线路故障的特征与概率分布,使用MATLAB/Simulink仿真产生了符合实际情况的不平衡故障样本集.然后,以故障暂态波形图像为输入集,采用迁移学习-AlexNet神经网络构建故障分类器,降低了故障特征提取的复杂性.算例测试结果表明,现有按类平衡故障样本集开展故障辨识的方法,分类准确率偏于乐观,即使采用抽样法也无法准确识别类不平衡样本中的小样本故障类型;而所提方法可以很好地应对类不平衡故障样本集,相比于经典的卷积神经网络,对故障类型与故障原因的辨识准确率也更高,训练模型用于类似线路的真实故障录波数据也能很好地辨识出故障类型.

关键词：输电线路、故障辨识、迁移学习、AlexNet神经网络、图像学习、不平衡样本

所属期刊栏目：46

分类号：TM711;TH165+.3;TP391.41

资助基金：国家自然科学基金;重庆市出站留来渝博士后择优资助项目

在线出版日期：2022-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：182-191