基于卷积神经网络的电力线路故障诊断研究.pdfVIP

基于卷积神经网络的电力线路故障诊断研究

摘要

对于一个国家的经济发展，国土安全与人民幸福来说，电力安全是十分重要

的。即使电力系统发生短暂的故障，对国防安全，社会生产和人民生活造成的损

失也是难以用金钱衡量的。而电力线路故障是造成电力系统故障的重要原因之一，

因此，在电力线路发生故障后，对故障原因进行诊断有研究意义。

传统的电力线路故障诊断方法主要是依靠经验和理论推导，虽然可解释性较

强，但是随着电力系统的日趋复杂化和电力装备的日趋多样化，传统的故障诊断

方法面临着理论公式难以表达和稳定性差等问题。在面对复杂的故障问题时，传

统的故障诊断方法缺乏诊断经验，并且传统的故障诊断方法难以解决电力线路多

个位置同时发生故障的问题。为了解决上述问题，本文利用深度神经网络在特征

提取和非线性表达方面的优势，自动提取电力线路故障特征，用一个故障诊断模

型同时完成对电力线路故障特征的提取和故障的诊断，减小了传统方法故障特征

提取和故障诊断分开进行对诊断结果造成的误差。本文将电力系统中的三相电压，

三相电流及其零序分量作为特征信号，用小波包变换分析信号在时频域的特性，

并且与时域特征和傅里叶特征进行对比。本文基于深度学习的理论，设计卷积神

经网络故障诊断模型,作为对比，同时设计堆叠自编码器和深度信念网络故障诊

断模型。分析这三种故障诊断模型的结构组成和基本工作原理，针对传统的深度

信念网络的不足，采用自适应学习率的改进深度信念网络。针对传统卷积神经网

络的节点数量不变，模型泛化性能较弱的问题，引入dropout机制，采用改进卷

积神经网络作为电力线路故障诊断模型。

本文分别以IEEE14节点标准电网结构和IEEE30节点标准电网结构作为算

例，搭建电力线路故障仿真模型，设置多个故障点和采样点，将采样点的电气量

输出为特征信号数据集。对特征信号数据集加入人工高斯随机噪声模拟噪声干扰，

对该数据集二次处理得到电力线路故障样本集。通过多角度的对比实验，研究故

障诊断模型的学习率，dropout值和批次样本数量等模型参数对诊断准确率的影

响，确定模型参数的合理设置区间；研究电力线路多位置同时发生故障时诊断模

型的诊断效果；研究诊断准确率随故障样本集信噪比的变化；研究电力系统拓扑

结构变化对故障诊断准确率的影响；研究非平衡数据集的增强方法；比较三种故

障诊断模型诊断准确率的差异。

实验结果显示，本文采用的基于卷积神经网络的电力线路故障诊断模型具有

较高的诊断准确率，既考虑电力线路短路故障，也考虑电力线路断路故障，在多

位置同时发生故障时有着较好的诊断能力，同时抗噪声性能较好，具有更广泛的

应用前景。

关键词：

深度学习，电力线路，故障诊断，卷积神经网络，深度信念网络

ResearchonPowerTransmissionLineFaultDiagnosisBasedon

ConvolutionalNeuralNetwork

ABSTRACT

Foracountryseconomicdevelopment,homelandsecurityandpeoples

happiness,electricitysecurityisveryimportant.Evenifthepowersystemfailsfora

shorttime,thelosstonationaldefensesecurity,socialproductionandpeopleslifeis

hardtomeasurebymoney.Thefaultofpowertransmissionlineisoneofthe

importantreasonsforthefaultofpowersystem.Therefore,afterthefaultofpower

transmissionline,itismeaningfultostudythefaultdiagnosis.

Thetraditional