使用商梯度系统进行配电网异常分类
信号处理
2018-05-15 v1
摘要
将电力网络中的异常或突变与正常的突变或开关动作进行分类，对于采取适当的维护措施以保障供电质量至关重要。随着易变资源的激增，这一问题的重要性日益增加且变得更加复杂，这些资源在电路行为中引入了可变性、不确定性和间歇性，表现为电压和电流相量的变化。这使得诊断应用更具挑战性。本文提出使用商梯度系统 (QGS) 训练两阶段部分递归神经网络，以利用来自微型相量测量单元 的高保真数据改善配电网中的异常分类率。QGS 是一种寻找约束满足问题解的系统方法。我们将来自电力网络的 PMUs 数据转化为约束满足问题，并通过求解由此产生的优化问题，使用 QGS 训练神经网络。仿真结果表明，所提出的监督分类方法能够可靠地区分配电网中的不同异常。与其他神经网络的比较表明，QGS 训练的网络提供了显著更好的分类效果。还针对 PMUs 数量、报告率、噪声水平以及早期与晚期数据流融合框架进行了敏感性分析。
引用
@article{arxiv.1805.04979,
title = {Anomaly Classification in Distribution Networks Using a Quotient Gradient System},
author = {Hamid Khodabandehlou and Iman Niazazari and Hanif Livani and M. Sami Fadali},
journal= {arXiv preprint arXiv:1805.04979},
year = {2018}
}
备注
8 pages, 6 figures