基于特征迁移和深度学习的配电网故障定位

摘要：

故障诊断对电力系统的稳定运行至关重要.当配电网的拓扑结构发生较大变化时,难以获取大量带有标签的暂态数据,导致传统的故障预测模型精度难以提高.针对此问题,提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法.首先,采集配电网不同线路的零序电流构造故障特征集;其次,引入加权半监督迁移成分分析(semi-supervised transfer component analysis,SSTCA)方法,利用混合核函数将不同拓扑结构下的特征样本映射到同一特征空间中,缩小数据间的分布差异性;最后,将映射后的源域样本输入卷积神经网络中进行分类训练,并测试映射后的目标域样本.通过Simulink仿真表明,在改变配电网拓扑结构的新场景下,所提的特征迁移方法与其他方法相比,对目标域故障定位精度最高,达到98％以上.

关键词：配电网、故障诊断、特征迁移、半监督迁移成分分析、卷积神经网络

所属期刊栏目：22

分类号：TM773(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金52077001

在线出版日期：2023-02-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：14752-14758