典型文献
不平衡样本下基于迁移学习-AlexNet的输电线路故障辨识方法
文献摘要：
输电线路不同故障类型和故障原因的故障样本集具有类不平衡性,为基于图像深度学习的故障分类辨识带来挑战.文中提出类不平衡样本下基于迁移学习-AlexNet神经网络的输电线路故障辨识方法.首先,统计分析了输电线路故障的特征与概率分布,使用MATLAB/Simulink仿真产生了符合实际情况的不平衡故障样本集.然后,以故障暂态波形图像为输入集,采用迁移学习-AlexNet神经网络构建故障分类器,降低了故障特征提取的复杂性.算例测试结果表明,现有按类平衡故障样本集开展故障辨识的方法,分类准确率偏于乐观,即使采用抽样法也无法准确识别类不平衡样本中的小样本故障类型;而所提方法可以很好地应对类不平衡故障样本集,相比于经典的卷积神经网络,对故障类型与故障原因的辨识准确率也更高,训练模型用于类似线路的真实故障录波数据也能很好地辨识出故障类型.
文献关键词：
输电线路;故障辨识;迁移学习;AlexNet神经网络;图像学习;不平衡样本
中图分类号：
作者姓名：
王建;吴昊;张博;南东亮;欧阳金鑫;熊小伏
作者机构：
输配电装备及系统安全与新技术国家重点实验室(重庆大学),重庆市 400044;国网新疆电力有限公司电力科学研究院,新疆维吾尔自治区乌鲁木齐市 830011
文献出处：
引用格式：
[1]王建;吴昊;张博;南东亮;欧阳金鑫;熊小伏-.不平衡样本下基于迁移学习-AlexNet的输电线路故障辨识方法)[J].电力系统自动化,2022(22):182-191
A类：
B类：
不平衡样本,迁移学习,AlexNet,输电线路故障,故障辨识,辨识方法,故障类型,故障原因,样本集,类不平衡,不平衡性,图像深度学习,概率分布,Simulink,符合实际,不平衡故障,暂态,波形图,网络构建,故障分类器,故障特征提取,类平衡,分类准确率,偏于,抽样法,准确识别,小样本,训练模型,故障录波,波数,图像学习
AB值：
0.267601
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。
