基于迁移学习的卷积神经网络电网故障诊断

作者：丁津津; 邵庆祝; 齐振兴^*; 谢民; 高博; 于洋

来源：科学技术与工程, 2022, 22(14): 5653-5658.

• 配电网
• 故障识别
• 迁移学习
• 卷积神经网络
• 主成分分析

电网拓扑结构复杂、分支众多、潮流分布不平衡、故障样本较少且难以获取。为提高配电网的故障诊断准确性，提出将迁移学习的思想与卷积神经网络(convolutional neural networks, CNN)相结合，以此来解决目标域样本不足导致训练效果差的问题，同时利用主成分分析(principal component analysis, PCA)对时序数据进行降维，提升运行速率，形成配电网故障诊断方法。首先对PCA和CNN的结构特点进行分析；然后通过仿真模拟不同的故障条件，生成面向CNN的时序数据。再通过最大均值差异法(MMD)选择出最适合迁移的源域数据，建立源域故障识别的预训练模型。最后使用目标域数据，在预训练模型的基础上进行迁移微调训练，得到故障诊断模型。仿真结果表明，该方法能够在小样本的情况下迅速完成对故障类型的精准预测。

• 单位
  国网安徽省电力有限公司; 国网安徽省电力有限公司电力科学研究院; 自动化学院; 安徽大学