基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究
为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法.通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型.仿真结果表明,利用源域数据量5%的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99%以上.
输电线路、迁移学习、深度学习、故障类型识别、卷积神经网络
40
TM77(输配电工程、电力网及电力系统)
国家自然科学基金资助项目;国家电网公司科技项目
2020-10-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
165-172