基于域自适应迁移学习的有源配电网故障选线方法OA北大核心CSTPCD

基于数据驱动的人工智能模型,特别是卷积神经网络在配电网故障诊断领域取得了优异的表现。然而卷积神经网络严重依赖海量数据,模型性能会因数据量的减少而严重下降。为此,提出了一种基于域自适应迁移学习的有源配电网故障选线方法。首先,构造了一种嵌套注意力机制的卷积神经网络,提取有源配电网暂态零序电流的故障特征。然后,采用域自适应迁移学习方法,利用最大均值差异函数降低源域和目标域数据之间的分布差异,有效解决少样本故障选线问题。最后,在Matlab/Simulink中搭建不同运行方式的有源配电网对所提方法进行测试验证。结果表明,所提方法可在少样本情况下实现高精度、鲁棒性的有源配电网故障馈线识别。