文摘针对基于传统深度学习进行输电线路故障测距时直接采用电压、电流学习而导致模型鲁棒性差的问题,提出了一种采用故障量相对偏移作为故障特征进行学习的方法,该方法显著提高了模型的鲁棒性;针对在通过支持向量回归(support vector regression,SVR)进行深度学习时,传统灰狼优化(grey wolf optimization,GWO)算法对初始参数的寻优容易陷入局部最优问题,提出了一种改进的自适应灰狼优化算法以确定SVR的初始参数。对IEEE33节点模型的仿真结果表明,相较于传统方法,该方法的准确性更高,且当线路电压与长度发生改变时,精度相差甚微,具有较好的鲁棒性。