典型文献
基于CNN-SVM的配电网故障分类研究
文献摘要：
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.
文献关键词：
配电网;故障分类;时频谱灰度图;卷积神经网络;支持向量机
中图分类号：
作者姓名：
吉兴全;陈金硕;张玉敏;刘琪;公政;徐波
作者机构：
山东科技大学电气与自动化工程学院,山东青岛 266590;天津大学教育部智能电网重点实验室,天津 300072;国网潍坊供电公司,山东潍坊 261000;国网能源研究院有限公司,北京 102209
文献出处：
引用格式：
[1]吉兴全;陈金硕;张玉敏;刘琪;公政;徐波-.基于CNN-SVM的配电网故障分类研究)[J].智慧电力,2022(01):94-100
A类：
时频谱灰度图
B类：
配电网故障,故障分类,分类研究,高阻故障,分类准确率,故障数据,数据转换,训练集,集输,Softmax,分类器,网格搜索算法,超参数,多工况,算例分析,分析验证,主变压器,中性点接地方式,噪声干扰,单相,弧光接地
AB值：
0.242294
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
