基于卷积神经网络的关键输电断面故障诊断

摘要：

关键输电断面是电网的薄弱环节,对关键断面状态监测、保障电力系统安全可靠与稳定运行有着重要作用.为避免大事故发生,通过卷积神经网络(CNN)故障识别进行"判面-判线-判相".首先,以IEEE 14节点系统进行关键输电断面搜索,并用Matlab/Simulink批量获得输电断面故障样本数据,将样本数据归一化处理之后转化为灰度图;然后,通过不同层数网络结构及每层结构参数调试,用7种优化算法进行对比分析,选取充分适应电网故障诊断模型,并引入Dropout过拟合处理和Batch Normalization批标准化加速网络训练,利用选定好的卷积神经网络以交叉熵最小目标对故障样本数据的深层特征进行挖掘;最后,将获得的故障样本数据使用Anaconda平台实验,建立Keras框架设计卷积神经网络模型实现训练测试,并在实验中与AlexNet模型对比.结果表明该模型识别准确率分别提高了0.45％、0.8％、0.3％.

关键词：输电断面、故障辨识、卷积神经网络、断面搜索、参数调试、诊断模型、特征挖掘

所属期刊栏目：46

分类号：TN707-34(基本电子电路)

资助基金：中央引导地方科技发展专项资金项目ZYYD2022B11

在线出版日期：2023-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：140-147