基于CNN-SVM的配电网故障分类研究

摘要：

针对CNN在配电网高阻故障时分类准确率低的问题,提出了一种将CNN和SVM相结合的配电网故障分类研究方法.首先将故障数据转换为时频谱灰度图,作为训练集输入到CNN中;然后采用SVM代替CNN中的Softmax分类器构建CNN-SVM模型,并通过网格搜索算法对SVM超参数进行寻优;最后进行多工况算例分析验证所提方法优越性.算例分析结果表明,CNN-SVM模型比传统CNN-Softmax模型在高阻故障时具有更高的分类准确率,且在主变压器中性点接地方式变化、网络结构变化、噪声干扰及单相弧光接地等工况下仍具有良好的适应性.

关键词：配电网;故障分类;时频谱灰度图;卷积神经网络;支持向量机

所属期刊栏目：50

分类号：TM713(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金52107111

在线出版日期：2022-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：94-100