【精彩论文】基于迁移学习的配电网内部过电压识别方法

观点凝练

摘要：数据驱动方式作为解决配电网内部过电压识别的一种方法，因过电压样本数量较少而在实际应用中受到限制。为此，提出了一种基于迁移学习的深度卷积神经网络（D-CNN）配电网内部过电压识别算法。首先，通过仿真和连续小波变换（CWT）的方法构造了6种10 kV配电网内部过电压二维时频图。然后，分别利用Alexnet、Vgg-16、Googlenet、Resnet50等4种网络模型搭建了基于迁移学习的D-CNN网络模型。最后，将二维时频图带入改造后的D-CNN训练。经对实验结果比较分析发现，新搭建的VGG-16网络识别准确率最高且达到了99.07%，实现了在数据稀缺的情况下过电压故障的准确分类。
结论：文中引入了迁移学习算法用于配电网内部过电压的识别，提出了基于迁移学习的D-CNN网络模型，利用仿真和CWT构造了6种配电网内部过电压二维时频图，通过分析得出构造的数据集有效。

利用构造的数据集对微调后的网络进行迭代和训练，从算法的收敛性、泛化能力和对单一过电压的识别准确率3个方面进行分析，证明迁移学习算法可以用于配电网内部过电压的识别，且Vgg-16识别性能高于其他3种网络模型。因数据量过少，本文研究中冻结了深度网络卷积层的参数，新增了全连接层。因此如何通过调整整个网络的结构来提高算法准确率将是后续研究重点。

引文信息

徐浩, 刘利强, 吕超. 基于迁移学习的配电网内部过电压识别方法[J]. 中国电力, 2021, 54(8): 52-59.XU Hao, LIU Liqiang, LV Chao. An internal overvoltage identification method for distribution network based on transfer learning[J]. Electric Power, 2021, 54(8): 52-59.‍

 往期回顾 

编辑：杨彪

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。