基于深度学习的输电线路故障类型辨识

被引：87

作者：

徐舒玮 ^{[1
]}

邱才明 ^{[1
]}

张东霞 ^{[2
]}

贺兴 ^{[1
]}

储磊 ^{[1
]}

杨浩森 ^{[1
]}

机构：

[1] 上海交通大学大数据工程技术与人工智能研究中心

[2] 中国电力科学研究院有限公司

来源：

中国电机工程学报 | 2019年 / 39卷 / 01期

关键词：

故障辨识; 深度学习; PSS\E; Ornstein-Uhlenbeck过程;

D O I：

10.13334/j.0258-8013.pcsee.181024

中图分类号：

TM75 [线路及杆塔];

学科分类号：

080802 ;

摘要：

随着新能源大规模接入和负荷随机行为的出现,输电线路故障特征的构造和选择日趋困难。基于深度学习理论,提出了一种对故障数据进行特征自学习进而实现输电线路故障类型辨识的方法,并通过Ornstein-Uhlenbeck过程更好地模拟了分布式随机性电网的负荷波动。首先,利用PSS\E的PythonAPI编写脚本实现故障的自动化批量仿真,以构建深度学习所需的海量数据集。然后,基于TensorFlow平台对预处理后的高维时空故障样本实现基于深度网络的故障类型辨识,并采用深度自动编码器来可视化分析深度学习的分类效果。最后,以含光伏发电模型的PSS\E23节点系统为例,对所提方法进行验证。仿真结果表明,文中所述方法可基本达到99.99%的辨识正确率,不受故障线路、故障阻抗、故障位置、电压扰动、频率扰动和负荷波动的影响,且能够应对电网运行过程中的噪声干扰。

引用

页码：65 / 74+321 +321

页数：11

共 6 条

[1] 考虑小波奇异信息与不平衡数据集的输电线路故障识别方法 [J].