面向输电线路故障诊断的迁移学习
机器学习
2022-01-21 v1 人工智能
摘要
近期基于人工智能的方法在利用神经网络进行输电线路故障实时感知与检测及其位置估计方面展现出巨大前景。包含不同长度输电线路的电力系统扩展使得故障检测、分类与位置估计过程更具挑战性。输电线路数据集是由各类传感器持续采集的流数据，因此需要泛化且快速的故障诊断方法。新采集的包含电压与电流的数据集可能不具备足够且准确的标签（故障与无故障）以用于训练神经网络。本文提出一种基于预训练 LeNet-5 卷积神经网络的新型迁移学习框架。该方法能够通过将知识从源卷积神经网络迁移以预测相异目标数据集，从而对不同长度与阻抗的输电线路进行故障诊断。通过迁移该知识，相较于现有方法，可在标签不足的情况下更快且更高效地诊断来自各类输电线路的故障。为证明该方法的可行性与有效性，使用了包含不同长度输电线路的七种不同数据集。所提方法对发电机电压波动、故障距离变化、故障起始角、故障电阻以及两台发电机间相位差的鲁棒性得到了充分展示，从而证明了其在输电线路故障诊断中的实用价值。
引用
@article{arxiv.2201.08018,
title = {Transfer Learning for Fault Diagnosis of Transmission Lines},
author = {Fatemeh Mohammadi Shakiba and Milad Shojaee and S. Mohsen Azizi and Mengchu Zhou},
journal= {arXiv preprint arXiv:2201.08018},
year = {2022}
}