典型文献
基于CNN-SVM的高压输电线路故障识别方法
文献摘要：
高压输电线路故障识别对保证电网安全稳定运行具有重要意义.提出了一种基于CNN-SVM的高压输电线路故障分段识别方法.针对传统故障识别方法数据特征提取过程复杂的问题,通过深度学习的CNN模型,将故障特征以时序矩阵形式输入其卷积层与池化层,从而简化特征提取与计算过程.此外,针对高压输电线路故障特征不明显导致相间故障识别率较低的问题,提出将故障相间电流差及非故障相负序与零序分量作为特征,输入到SVM模型,进而判断相间故障接地类型.仿真结果表明,所提方法准确率高,与其他深度学习方法相比,在相间故障识别的准确率上提升尤为显著.
文献关键词：
故障识别;序分量特征提取;CNN;SVM
中图分类号：
作者姓名：
田鹏飞;于游;董明;姜志筠;包鹏宇;吴国鼎;张天东;胡钋
作者机构：
国网辽宁省电力有限公司,辽宁 沈阳 110006;国网大连供电公司,辽宁 大连 160033;武汉大学,湖北 武汉 430072
文献出处：
引用格式：
[1]田鹏飞;于游;董明;姜志筠;包鹏宇;吴国鼎;张天东;胡钋-.基于CNN-SVM的高压输电线路故障识别方法)[J].电力系统保护与控制,2022(13):119-125
A类：
序分量特征提取
B类：
高压输电线路,输电线路故障识别,故障识别方法,电网安全,安全稳定运行,分段识别,法数,数据特征,故障特征,时序矩阵,矩阵形式,卷积层,池化,相间,故障识别率,故障相,电流差,负序,零序分量,地类,深度学习方法
AB值：
0.235721
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。
