面向高阻故障检测的深学习：卷积自编码器
机器学习
2021-06-28 v1 信号处理
摘要
高阻故障（HIF）因其电流幅值低且特性高度多样而难以检测。近年来，机器学习（ML）在 HIF 检测中日益流行，因为 ML 技术从数据中学习模式并成功检测 HIF。然而，由于这些方法基于监督学习，它们无法可靠地检测训练数据中未出现的任何场景（故障或非故障）。因此，本文利用无监督学习，提出了一种用于 HIF 检测的卷积自编码器框架（CAE-HIFD）。与从正常行为学习的常规自编码器不同，CAE-HIFD 中的卷积自编码器（CAE）仅从 HIF 信号中学习，从而消除了 CAE 训练中需要存在多样非 HIF 场景的需求。CAE 通过互相关将 HIF 与非 HIF 运行条件区分开。为将 HIF 与电容或负荷投切等瞬态扰动区分，CAE-HIFD 使用峰度（kurtosis，一种概率分布形状的统计度量）。使用 IEEE 13 节点测试馈线进行的性能评估研究表明，CAE-HIFD 可靠检测 HIF，优于当前最优（SOTA）的 HIF 检测技术，并且对噪声具有鲁棒性。
引用
@article{arxiv.2106.13276,
title = {Deep Learning for High-Impedance Fault Detection: Convolutional Autoencoders},
author = {Khushwant Rai and Farnam Hojatpanah and Firouz Badrkhani Ajaei and Katarina Grolinger},
journal= {arXiv preprint arXiv:2106.13276},
year = {2021}
}