基于深度迁移学习和LSTM网络的微电网故障诊断

摘要：

提出一种基于深度迁移学习与长短期记忆网络相结合的微电网故障诊断方法,可对不同结构的微电网进行故障诊断.首先利用小波包变换提取故障特征组成特征向量作为网络输入;其次,利用源域数据样本对长短期记忆网络故障诊断模型进行预训练,并保存相关参数;然后采用迁移学习将预训练模型中的参数迁移至域自适应网络,得到深度迁移学习与长短期记忆网络相结合的模型;最后根据有标记数据(源域数据)和目标域数据对模型进行微调迁移训练,将单一微电网故障诊断模型迁移至其他不同结构微电网.测试结果表明,该方法能高性能地检测和识别不同结构微电网中任何类型的故障,识别结果均方误差为8.590 5 ×10-5,相比于自适应调整前的长短期记忆网络模型小2个数量级,识别效果更好,诊断精度有明显提高.

关键词：计量学、微电网、故障识别、深度迁移学习、长短期记忆网络、小波包分解

所属期刊栏目：44

分类号：TB971(计量学)

资助基金：河北省自然科学基金F2020203014

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：582-590