基于卷积神经网络的高压输电线路故障定位时域法

摘要：

受仿真模型参数与实际参数差异的影响,现有基于深度学习的故障定位方法所构建的模型对线路参数较为敏感,制约了该类方法的推广应用.为此,将输电线路的Bergeron模型和卷积神经网络(convolutional neural network,CNN)算法相结合,建立基于CNN的沿线补偿电压波形相似度评估模型,进而提出一种输电线路双端故障定位时域法.首先对线路两端电压、电流量进行相模变换,利用输电线路Bergeron模型从线路两端推算沿线补偿电压波形,利用多组补偿电压波形训练样本对CNN模型进行训练;然后,采用训练好的CNN模型评估线路沿线各观测点补偿电压波形相似度,以故障点波形相似度最高为依据进行故障定位;最后,应用PSCAD进行故障仿真,对所提方法进行验证.仿真结果表明:所构建的波形相似度CNN模型对线路参数不敏感;对于不同参数的线路,所提方法无需重新对CNN模型进行训练就可以准确定位故障,有利于该方法的实际应用.

关键词：卷积神经网络、波形相似度、输电线路、故障定位

所属期刊栏目：34

分类号：TM855.2;TP183(高电压技术)

资助基金：应用基础研究项目;广东省自然科学基金

在线出版日期：2021-07-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1-9