典型文献
基于三维卷积神经网络的配电物联网异常辨识方法
文献摘要：
由于配电物联网中电力网与通信网高度耦合,单一网络的异常状态会交互作用至另一网络,可能进一步造成异常范围扩大,而单独采用电力网或通信网的异动信息难以全面、准确地辨识配电物联网异动源的类型和位置.因此,提出一种基于三维卷积神经网络(3D-CNN)的配电物联网异常类型辨识及定位方法.首先,分析了配电物联网通信流量特征并构建了基于Simulink和OPNET的配电物联网交互仿真模型;其次,提出了一种面向3D-CNN的样本构建方法,将配电物联网中每个节点的电气量和通信流量信息组成一个特征子像素,进而将配电物联网每个时刻的状态表示为一幅特征帧画面,形成隐含配电物联网异动过程的立方样本矩阵;随后,构建了包含三维特征提取网络和层级softmax分类器的深度学习模型,通过提取和辨识立方样本矩阵中隐含的异常信息,可以同时实现配电物联网异常类型和位置的判定;最后,利用IEEE 33节点配电物联网异常数据对模型进行测试,结果表明,所提方法可以对电力网短路故障、通信中断故障、通信数据异常引起的保护误动和拒动进行精确的分类及定位.
文献关键词：
配电物联网;深度学习;交互仿真;异常辨识及定位;三维卷积神经网络
中图分类号：
作者姓名：
殷浩然;苗世洪;韩佶;王子欣;毛万登;牛荣泽
作者机构：
强电磁工程与新技术国家重点实验室(华中科技大学),湖北省武汉市 430074;电力安全与高效湖北省重点实验室(华中科技大学电气与电子工程学院),湖北省武汉市 430074;国网河南省电力公司电力科学研究院,河南省郑州市 450052
文献出处：
引用格式：
[1]殷浩然;苗世洪;韩佶;王子欣;毛万登;牛荣泽-.基于三维卷积神经网络的配电物联网异常辨识方法)[J].电力系统自动化,2022(01):42-50
A类：
异常辨识及定位
B类：
三维卷积神经网络,配电物联网,辨识方法,电力网,通信网,异常状态,异动,类型辨识,定位方法,物联网通信,流量特征,Simulink,OPNET,交互仿真,构建方法,电气量,信息组,像素,状态表,一幅,三维特征提取,特征提取网络,softmax,分类器,深度学习模型,中隐,异常信息,IEEE,异常数据,短路故障,通信中断,通信数据,数据异常,保护误动和拒动
AB值：
0.281071
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。
