基于样本不均衡和特征优选多源融合的输电线路故障类型辨识

• Published in: 电测与仪表 Vol. 61; no. 12; pp. 79 - 89
• Main Authors: 孙文成, 李健, 彭宇辉, 余前勇, 谢迎谱, 雷梦飞
• Format: Journal Article
• Language: Chinese
• Published: 国家电网有限公司西南分部,成都 610041%国网电力科学研究院武汉南瑞有限责任公司,武汉 430074 15.12.2024
• Subjects: 特征优选; 多源融合; deep learning; sample imbalance; 故障辨识; 深度学习; 样本不均衡; feature optimization; multi-source fusion; fault identification
• ISSN: 1001-1390
• DOI: 10.19753/j.issn1001-1390.2024.12.011

TM726; 输电线路发生各种类型故障时将严重威胁系统的安全稳定运行,传统基于故障录波的输电线路故障诊断方法侧重于利用故障录波提供的零序电流信息,难以准确辨识所发生故障的类型.文章提出了基于样本不均衡和特征优选多源融合的(kepler optimization algorithm-convolutional neural network-bidirectional long short-term memory network-selfattention,KOA-CNN-BiLSTM-Selfattention)输电线路故障类型辨识方法,获取输电线路分布式在线监测装置提供的行波数据,整合形成输电线路的实际有效故障波形数据库及带标签信息数据库;基于融合改进(synthetic minority over-sampling,technique,SMOTE)算法进行样本均衡,采用时域函数、快速傅里叶变换(fast fourier transform,FFT)、小波包分析、波形函数提取不同输电线路故障类型的时域、频域、时频域及波形脉宽等故障特征,基于 Deep Lasso(deep least absolute shrinkage and selection operator)回归完成特征优选再进行多源信息融合,最后采用KOA-CNN-BiLSTM-Selfattention算法完成输电线路的故障类型辨识.通过基于输电线路历史故障跳闸数据的算例验证了所述方法的正确性和有效性.