典型文献
基于迁移学习的卷积神经网络电网故障诊断
文献摘要：
电网拓扑结构复杂、分支众多、潮流分布不平衡、故障样本较少且难以获取.为提高配电网的故障诊断准确性,提出将迁移学习的思想与卷积神经网络(convolutional neural networks,CNN)相结合,以此来解决目标域样本不足导致训练效果差的问题,同时利用主成分分析(principal component analysis,PCA)对时序数据进行降维,提升运行速率,形成配电网故障诊断方法.首先对PCA和CNN的结构特点进行分析;然后通过仿真模拟不同的故障条件,生成面向CNN的时序数据.再通过最大均值差异法(MMD)选择出最适合迁移的源域数据,建立源域故障识别的预训练模型.最后使用目标域数据,在预训练模型的基础上进行迁移微调训练,得到故障诊断模型.仿真结果表明,该方法能够在小样本的情况下迅速完成对故障类型的精准预测.
文献关键词：
配电网;故障识别;迁移学习;卷积神经网络;主成分分析
中图分类号：
作者姓名：
丁津津;邵庆祝;齐振兴;谢民;高博;于洋
作者机构：
国网安徽省电力有限公司电力科学研究院,合肥230601;国网安徽省电力有限公司,合肥230022;安徽大学电气工程与自动化学院, 合肥230601
文献出处：
引用格式：
[1]丁津津;邵庆祝;齐振兴;谢民;高博;于洋-.基于迁移学习的卷积神经网络电网故障诊断)[J].科学技术与工程,2022(14):5653-5658
A类：
B类：
迁移学习,电网故障诊断,拓扑结构,潮流分布,分布不平衡,诊断准确性,convolutional,neural,networks,目标域,训练效果,principal,component,analysis,时序数据,行速,配电网故障,故障诊断方法,仿真模拟,最大均值差异,MMD,源域,故障识别,预训练模型,微调训练,故障诊断模型,小样本,故障类型,精准预测
AB值：
0.309486
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。
