文献类型：期刊文章

作　　者：吉兴全[1] 陈金硕[1] 张玉敏[1] 刘琪[2] 公政[3] 徐波[4]

JI Xingquan;CHEN Jinshuo;ZHANG Yumin;LIU Qi;GONG Zheng;XU Bo(College of Electrical Engineering and Automation,Shandong University of Science and Technology,Qingdao 266590,China;Key Laboratory of Smart Grid of Ministry of Education,Tianjin University,Tianjin 300072,China;State Grid Weifang Power Supply Company,Weifang 261000,China;State Grid Energy Research Institute Co.,Ltd.,Beijing 102209,China)

机构地区：[1]山东科技大学电气与自动化工程学院,山东青岛266590 [2]天津大学教育部智能电网重点实验室,天津300072 [3]国网潍坊供电公司,山东潍坊261000 [4]国网能源研究院有限公司,北京102209

出　　处：《智慧电力》

基　　金：国家自然科学基金青年基金资助项目(52107111)。

年　　份：2022

卷　　号：50

期　　号：1

起止页码：94-100

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对CNN在配电网高阻故障时分类准确率低的问题,提出了一种将CNN和SVM相结合的配电网故障分类研究方法。首先将故障数据转换为时频谱灰度图,作为训练集输入到CNN中;然后采用SVM代替CNN中的Softmax分类器构建CNN-SVM模型,并通过网格搜索算法对SVM超参数进行寻优;最后进行多工况算例分析验证所提方法优越性。算例分析结果表明,CNN-SVM模型比传统CNN-Softmax模型在高阻故障时具有更高的分类准确率,且在主变压器中性点接地方式变化、网络结构变化、噪声干扰及单相弧光接地等工况下仍具有良好的适应性。

关 键 词：配电网 故障分类  时频谱灰度图  卷积神经网络 支持向量机

分 类 号：TM713]