基于小波AlexNet网络的配电网故障区段定位方法

摘要：

文中提出一种基于深度网络迁移学习的配电网故障区段定位方法.利用小波包变换(WPT)分解配电网各区段的电量信号,将各节点小波包系数按照低频到高频的顺序重新排列获得时频矩阵,通过颜色编码将时频矩阵转成具有图像性质的像素矩阵,像素矩阵囊括了当前系统的工作状况信息,利用迁移学习AlexNet网络,调整网络结构使其适应于配电网故障区段辨识,通过微调的AlexNet网络自主挖掘像素矩阵的故障特征作为预测变量,利用门控循环单元(GRU)、学习向量量化(LVQ)、朴素贝叶斯分类器(NBC)、极限学习机(ELM)、支持向量机(SVM)等模式识别算法进行故障特征分类,从而实现配电网故障区段定位.针对多分支的线缆混合线路进行实验分析,比较5种模式识别算法的分类效果,得到GRU算法准确率可以达到99.92％,证明了该方法不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网对故障区段定位准确度和可靠性的需求.

关键词：小波包变换、AlexNet网络、门控循环单元、时频矩阵、故障区段定位

所属期刊栏目：59

分类号：TM93

资助基金：国家重点研发计划2018YFF01011900

在线出版日期：2022-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：46-57