基于S变换相关度和深度学习的配电网单相接地故障选线新方法.pdf

基于S变换相关度和深度学习的配电网单相接地故障选线新方法 本文提出了一种基于S变换相关度和深度学习的配电网单相接地故障选线新方法，旨在解决现有选线方法易受故障条件和环境噪声影响的问题。该方法首先利用S变换获取零序电流时频信息，然后基于各线路零序电流的全频段信息计算线路故障信息相关度。为了提高故障特征的可辨识度和抗干扰性，提出了一种S变换相关度图形（SCF）构建方法，并建立含SCF层的卷积神经网络深度学习模型（S-CNN）。通过对S-CNN的训练和测试，实现了故障选线，并在配电网不同运行状况和故障条件下的选线效果良好。 该方法的关键技术点包括： 1. S变换相关度计算：通过S变换获取零序电流时频信息，并基于各线路零序电流的全频段信息计算线路故障信息相关度。 2. SCF构建方法：提出了一种S变换相关度图形（SCF）构建方法，以提高故障特征的可辨识度和抗干扰性。 3. S-CNN深度学习模型：建立含SCF层的卷积神经网络深度学习模型（S-CNN），并对其结构参数和超参数进行分步训练。 4. 故障选线：通过S-CNN提取配电网故障零序电流深层特征，实现故障选线，并测试了S-CNN在配电网不同运行状况和故障条件下的选线效果。 该方法的优点包括： 1. 强抗噪声能力：S-CNN模型具有强抗噪声能力，可以在强噪声干扰场景中实现高正确率选线。 2. 高泛化能力：S-CNN模型具有高泛化能力，可以在不同故障位置、故障相角、过渡电阻条件下实现高正确率选线。 3.鲁棒性强：S-CNN模型在各线路零序电流采样不同步条件下仍具有较强的鲁棒性。 本文提出了一种基于S变换相关度和深度学习的配电网单相接地故障选线新方法，该方法具有强抗噪声能力、高泛化能力和鲁棒性强等优点，对配电网故障选线具有重要的应用价值。