基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究

在分析深度学习模型之一——卷积神经网络(convolutional neural network,CNN)的结构及原理的基础上,提出基于卷积神经网络的输电线路区内外故障判断及故障选相新方法。提出了采用两个softmax分类器的CNN网络结构,用同一CNN网络同时解决了区内外故障判断和故障选相两类非独立分类问题,实现了两种非独立分类问题的权值共享。数字仿真实验和实际现场故障数据测试结果表明:文中构建的数学模型,能同时实现区内外故障判断和故障选相,对采样率要求低,不需要整定任何参数,不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响,结果准确可靠。

基于单端行波信号的输电线路区内外故障智能判断方法

根据故障行波的传输特性和折、反射机理,提出了一种基于单端行波信号的输电线路区内外故障智能判断新方法。该方法通过门控循环单元搭建了一个深度学习分类网络,根据线路长度将单端故障行波信号切割为短序列作为神经网络的输入,输出为反向区外故障、区内故障、正向区外故障三种故障位置的概率,并采用自适应Adam优化算法训练神经网络的参数。算例结果表明,所提方案充分有效地利用行波信号中的故障特征,能准确辨别输电线路区内外故障,在线路的首末端均具有较高的鲁棒性,且在高噪声干扰的情况下仍能保持良好的准确率。