基于空间域图像生成和混合卷积神经网络的配电网故障选线方法

扫码查看

原文链接

万方数据
维普

中文摘要：传统的配电网故障选线方法大多基于一维零序电流序列构建故障诊断模型,单一的诊断模型往往限制了故障特征的深层挖掘.为了提高故障选线的准确率,提出一种基于空间域图像和混合卷积神经网络的配电网故障选线方法.首先,利用优化的降噪光滑模型对零序电流信号进行降噪处理,减少外界环境的电磁干扰.其次,利用对称希尔伯特变换将一维时域信号转成二维空间域图像,图像的颜色、形状和纹理特征能够充分反映当前系统的运行状态.最后,将一维时域信号和二维空间域图像同步作为混合卷积神经网络的输入,充分挖掘系统的故障特征,利用Sigmoid函数实现故障选线.在辐射状配电网、IEEE-13节点模型、IEEE-34节点、StarSim仿真平台上模型上进行了实验验证.实验结果表明,该选线方法可以有效克服传统方法过度依赖主观特征选择、抗噪性能差等问题,能够在高阻接地、采样时间不同步、两点接地故障等极端情况下可靠地筛选出故障线路.

外文标题：Fault Line Selection for Distribution Network Based on Spatial Domain Image Generation and Hybrid Convolutional Neural Network

外文关键词：

fault line selectionsymmetrized Hilbert transform patternhybrid convolutional neural networkspatial domain image generationoptimal smooth denoising model

作者：

郭威、史运涛

展开 >

作者单位：

北方工业大学电气与控制工程学院,北京市石景山区 100144

关键词：

故障选线对称希尔伯特变换混合卷积神经网络空间域图像生成优化的降噪光滑模型

基金：

国家自然科学基金

项目编号：

52206247

出版年：

2024

DOI：

10.13335/j.1000-3673.pst.2023.0069

电网技术

国家电网公司

电网技术

CSTPCD北大核心

影响因子：2.821

ISSN：1000-3673

年,卷(期)：2024.48(3)

参考文献量33