基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究

被引：56

作者：

杨毅 ^{[1
]}

范栋琛 ^{[1
]}

殷浩然 ^{[2
,3
]}

韩佶 ^{[2
,3
]}

苗世洪 ^{[2
,3
]}

机构：

[1] 国网江苏省电力有限公司电力科学院研究院

[2] 华中科技大学电气与电子工程学院强电磁工程与新技术国家重点实验室

[3] 电力安全与高效湖北省重点实验室

来源：

电力自动化设备 | 2020年 / 40卷 / 10期

关键词：

输电线路; 迁移学习; 深度学习; 故障类型识别; 卷积神经网络;

D O I：

暂无

中图分类号：

TM75 [线路及杆塔];

学科分类号：

080802 [电力系统及其自动化];

摘要：

为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法。通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型。仿真结果表明,利用源域数据量5%的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99%以上。

引用

页码：165 / 172

页数：8

共 17 条

[1]

基于深度置信网络和多维信息融合的变压器故障诊断方法 [J].