基于迁移卷积神经网络的配电网高阻接地故障检测方法

摘要

为解决高阻接地故障导致的配电网运行安全性低的问题，提出了基于迁移卷积神经网络的配电网高阻接地故障检测方法。首先，采用HHT方法提取原始信号中的特征量，将提取结果输入到卷积神经网络结构中，通过训练和学习实现对特征量的分类处理。然后，通过迁移学习将已经训练完成的卷积神经网络模型放在新任务内再次实施检测，提高配电网高阻接地故障检测能力。实验结果表明：该方法在迭代次数达到160次以后，故障检测准确率高达99.9%,且网络训练误差均低于1.5。在噪声环境下，该方法的抗噪能力较强，同时适用于不同类型工况故障的检测，卷积层对迁移CNN的检测精度影响较小，在故障检测方面迁移CNN的稳定性表现较好，可以提高配电网高阻接地故障检测能力。

关键词

迁移学习 / 卷积神经网络 / 配电网 / 高阻接地 / 故障检测方法 / 特征提取