基于深度学习与不平衡样本集的输电线路故障分类

被引：38

作者：

黄景林

彭显刚

简胜超

袁浩亮

机构：

[1] 广东工业大学自动化学院

来源：

智慧电力 | 2021年 / 49卷 / 02期

关键词：

输电线路; 故障分类; 不平衡样本集; Borderline-SMOTE; 深度学习; 卷积神经网络;

D O I：

暂无

中图分类号：

TM75 [线路及杆塔]; TP18 [人工智能理论];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE(BSMOTE)算法与卷积神经网络(CNN)相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。

引用

页码：114 / 119

页数：6

共 18 条

[1]

Fault Classification for Transmission Lines Based on Group Sparse Representation [J].

Shi, Shenxing ;

Zhu, Beier ;

Mirsaeidi, Sohrab ;

Dong, Xinzhou .

IEEE TRANSACTIONS ON SMART GRID, 2019, 10 (04) :4673-4682

[2]

Ultrafast Transmission Line Fault Detection Using a DWT-Based ANN [J].

Abdullah, Ahmad .

IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS, 2018, 54 (02) :1182-1193

[3]

A novel methodology for fault detection; classification and location in transmission system based on DWT & ANFIS.[J].Sunil Singh;D. N. Vishwakarma;Amit Kumar;Shashank.Journal of Information and Optimization Sciences.2017, 6

[4]

Detection and Classification of Transmission Line Faults Based on Unsupervised Feature Learning and Convolutional Sparse Autoencoder.[J].Chen Kunjin;Hu Jun;He Jinliang.IEEE Transactions on Smart Grid.2016,

[5]

A Decision Tree-Based Method for Fault Classification in Double-Circuit Transmission Lines [J].