基于时间卷积网络的台区总表故障智能辨识技术

作者：丁冬; 张立; 陈佳瑜; 史光宇; 张希鹏; 陆增洁; 李亦言; 郭云鹏

来源：电工技术, 2023, (14): 49-96.

DOI：10.19768/j.cnki.dgjs.2023.14.014

• 台区总表
• 故障辨识
• 深度学习
• 时间卷积网络
• 注意力机制

台区总表关联10 kV线路售电侧电量及台区供电侧电量，起到承上启下的作用。台区总表故障导致的电能量异常，会同时对10 kV及台区线损的计算产生影响，造成线损合理率下降，不利于供电可靠性。对台区总表故障进行有效辨识是解决以上问题的关键。对此提出基于时间卷积网络的台区总表故障辨识技术，通过提取台区量测值时间序列中的高维特征实现对故障的辨识。进一步地，在年度序列故障辨识中引入注意力机制，以甄别出关键的信息片段，提升辨识准确率。上海市10 kV变压器台区的算例结果表明，所提出的故障辨识算法可实现93.1%的日度故障辨识精度以及85.3%的年度故障辨识精度，且相比传统深度学习模型具有更高的计算效率。

• 单位
  上海交通大学; 国网上海市电力公司; 国家电网公司