图/表详情

图/表详细信息

基于门控循环注意力网络的配电网故障识别方法

陈昊蓝, 靳冰莹, 刘亚东, 钱庆林, 王鹏, 陈艳霞, 于希娟, 严英杰

上海交通大学学报 2024, 58 (3): 295-303. DOI: 10.16183/j.cnki.jsjtu.2022.091

摘要（131）

HTML （7）

PDF （2938KB）（183）

为了提高小样本条件下配电网故障辨识准确率,提出一种门控循环注意力网络模型.首先,通过注意力机制赋予故障相中关键周期较高权重,通过加权运算使得模型更加关注上述关键信息.其次,利用门控循环网络处理波形序列,该网络利用门控信号控制记忆传递过程,并借由记忆传递建立序列中不同阶段输入波形和故障类别概率间的关系,从而提升识别准确率.基于仿真数据和实际数据的实验均表明:所提方法在小样本条件下的可靠性和准确率远优于同等条件下支持向量机、梯度提升决策树、卷积神经网络等常用分类模型,为配电网故障辨识技术提供了一种新思路.

模型	仿真类别						平均值
模型	1		2		3		平均值
GRU	0.902		0.941		0.887		0.910
SVM	0.810		0.841		0.815		0.822
GBDT	0.832		0.869		0.844		0.848
CNN	0.871		0.890		0.867		0.876
模型	实验类别						平均值
模型	1	2		3		4	平均值
GRU	0.862	0.871		0.854		0.831	0.855
SVM	0.720	0.704		0.731		0.719	0.719
GBDT	0.762	0.774		0.785		0.747	0.767
CNN	0.790	0.807		0.820		0.787	0.801

View table in article

表1 不同模型F₁分数对比

正文中引用本图/表的段落

表中事件类别说明如下:仿真类别1、2、3分布代表暂态故障、永久性故障和暂态干扰,实验类别1、2、3、4分别代表避雷器故障、变压器柔性电缆故障、变压器肘型头故障和架空线树线矛盾.首先对比不同模型的F₁分数(见表1),可以看到,GRU的分类准确率优于其余3种模型.这是因为GRU考虑了不同阶段的输入之间的关系,对不同周期间的相关性进行有效建模.而其余几种模型只是单纯将不同周期内的特征视作不同输入属性.其次,相比于SVM和GBDT,GRU和CNN在实际数据上的表现更好,这是因为后两个模型使用了基于仿真数据的预训练网络.预训练网络中保留的权重对应特征提取层,通过较多的仿真数据可以获得较好的特征提取效果,再通过实际数据微调网络参数就可以大大降低模型的数据依赖性.

表2给出GRAN和GRU的性能,仿真类别1、2、3分布代表暂态故障、永久性故障和暂态干扰,实验类别1、2、3、4分别代表避雷器故障、变压器柔性电缆故障、变压器肘型头故障和架空线树线矛盾.可以看到,该模型适用于仿真数据和实际数据中的各种事件类型,即具备良好的泛化性能.同时,注意力机制使得模型相较于GRU性能进一步提升.

本文的其它图/表