基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术.pdf

水利水电技术(中英文)第 54 卷 2023 年第 S2 期Water Resources and Hydropower Engineering Vol.54 No.S2杨鹏杰,徐宇,郑晨一.基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术J.水利水电技术(中英文),2023,54(S2):439-446.YANG Pengjie,XU Yu,ZHENG Chenyi.Fault location technology for new energy distribution network based on multiscale adaptive residual convolutional neural networkJ.Water Resources and Hydropower Engineering,2023,54(S2):439-446.基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术杨鹏杰1,徐 宇1,郑晨一2(1.云南电网有限责任公司 昆明供电局,云南 昆明 650011;2.东南大学 电气工程学院,江苏 南京 210092)收稿日期:2023-05-23基金项目:云南电网有限责任公司科技项目(0501002022030101DL00014)作者简介:杨鹏杰(1985),男,高级工程师,学士,主要从事继电保护检修、继电保护技术等研究。E-mail:836391911 通信作者:郑晨一(1996),男,博士,主要从事电力系统分析研究。E-mail:Friday20200508 摘 要:随着新型电力系统建设的推进,分布式新能源接入配电网的比例不断提升,使得电网潮流分布更加复杂,对配电网的故障定位要求越来越高,导致现有的故障定位方法准确率低、稳定性差。对此提出一种基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法。首先,对故障电流使用变分模态分解,得到一系列征模态函数;然后,使用多尺度自适应卷积动态调整卷积核尺寸、残差卷积提升网络学习能力的方式构建多尺度自适应残差卷积神经网络模型,特征学习输入的故障电流本征模态函数;最后,经过 Softmax 分类器实现故障区段分类,完成故障定位。仿真结果表明,所提方法面对新能源接入的配电网能够实现不同故障的准确定位,并且对高阻接地故障仍然具有较高的准确率。和常见的卷积神经网络、支持向量机相比,配电网故障定位准确率分别提升了 5.63%、9.31%,验证了该方法的有效性。关键词:新型电力系统;新能源;配电网;故障定位;多尺度自适应残差卷积神经网络DOI:10.13928/ki.wrahe.2023.S2.070中图分类号:TM73文献标志码:A文章编号:1000-0860(2023)S2-0439-08Fault location technology for new energy distribution network based on multiscale adaptive residual convolutional neural networkYANG Pengjie1,XU Yu1,ZHENG Chenyi2(1.Kunming Power Supply Bureau of Yunnan Power Grid Co.,Ltd.,Kunming 650011,Yunnan,China;2.School of Electrical Engineering,Southeast University,Nanjing 210092,Jiangsu,China)Abstract:With the advancement of the construction of new power systems,the proportion of distributed new energy connected to the distribution network continues to increase,making the distribution of power flow more complex and requiring higher require-ments for fault location in the distribution network,resulting in low accuracy and poor stability of existing fault location method.A fault location method for new energy distribution networks based on multi-scale adaptive residual convolutional neural networks is proposed.Firstly,the fault current is decomposed using variational mode decomposition to obtain a series of eigenmode func-934杨鹏杰,等/基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术水利水电技术(中英文)第 54 卷 2023 年第 S2 期tions.Then,a multi-scale adaptive residual convolution neural network model is constructed by dynamically adjusting the size of the convolution kernel and enhancing the learning ability of the network through residual convolution.The feature learning input fault current eigenmode function is used.Finally,the Softmax classifier is used to classify fault segments and complete fault local-ization.The simulation result show that the proposed method can accurately locate different faults in the distribution network con-nected to new energy,and still has high accuracy for high resistance grounding faults.Compared with common convolutional neu-ral networks and support vector machines,the accuracy of fault location in distribution networks has been improved by 5.63%and 9.31%,respectively,verifying the effectiveness of this method.Keywords:new power system;new energy;distribution network;fault location;multi-scale adaptive residual convolutional neu-ral network0 引 言0 引 言 配电网发生故障时的快速准确定位技术是实现故障隔离、非故障供电恢复的重要前提,对整个电力系统的安全可靠运行起着重要作用1。随着新型电力系统建设的推进,风能、太阳能、储能等分布式新能源大量接入配电网,导致配电网结构更加复杂。此外,分布式新能源的间歇性、随机性以及受环境影响较大的特性使得整个配电网的潮流分布更加复杂2-3,对配电网故障定位方法要求更高,传统的方法效果欠佳。故新能源配电网故障定位技术将成为今后的一个研究热点4。目前配电网故障定位是通过终端设备采集的故障数据进行分析实现的,主要应用于负荷比较密集的地区,主要过程是先将终端设备采集的故障电流数据上传至主站系统,然后主站通过一系列算法分析数据得到故障区段。常见的方法有外部注入法5、故障信息法6-7以及矩阵法8-10。外部注入法通过外加的信号实现故障定位,但是添加的额外设备容易受到互感器容量的限制。故障信息法通过电网信息实现故障定位,但是该方法受接地阻抗和初始相位角的影响较大。矩阵算法是利用配电终端采集到的数据来构造故障和网络的描述矩阵实现故障定位。YAN 等11提出基于改进矩阵算法的故障定位技术,解决多源支路故障确定困难的问题。虽然矩阵算法能够实现故障准确快速定位,但是面对复杂多变的新能源配电网处理能力有限,容错性较差。随着近年来人工智能技术的发展,很多智能算法例如仿真电磁算法12、粒子群算法13、萤火虫算法14、蚁群退火算法15等在配电网故障定位中得到了应用。吉兴全等16提出基于仿电磁学算法的配电网故障定位方法,利用分层和全局寻优的思想完成故障定位。但是对复杂的配电网络,这些算法学习能力不够,无法充分提取故障特征,故障定位准确率较低。深度学习具有很强的非线性学习能力,如深度信念网络、卷积神经网络以及循环神经网络17-18都已经得到了广泛应用。其中卷积神经网络具有很强的特征提取能力,在故障诊断领域被越来越多的人所应用19。虽然上述研究取得了一些成果,但是存在一些问题:(1)面对复杂多变的新能源配电网,现有故障定位算法特征学习能力弱、定位准确率低,容易出现梯度爆炸或者消失的问题;(2)卷积神经网络虽然拥有很强的学习能力,但是卷积核分布单一,无法自适应调整尺寸,并且多种结构并行,网络复杂,训练难度较大,配电网故障定位应用效果不理想。基于上述问题,本文提出一种基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法。使用注意力机制自适应调整卷积核权重,进而提高配电网故障定位准确率。对故障电流使用变分模态分解,得到一系列征模态函数;使用多尺度自适应卷积动态调整卷积核尺寸、残差卷积提升网络学习能力的方式构建多尺度自适应残差卷积神经网络模型,特征学习输入的故障电流本征模态函数;经过 Softmax 分类器实现故障区段分类,完成故障定位。经过仿真结果表明,本文方法面对新能源接入的配电网能够实现不同故障的准确定位,并且对高阻接地故障仍然具有较高的准确率。和常见的卷积神经网络、支持向量机相比,配电网故障定位准确率分别提升了 5.63%、9.31%,验证了该方法的有效性。1 故障信息提取1 故障信息提取 零序电流能够反映出电网故障特征,对零序电流进行特征提取是本文的主要思路。变分模态分解是利用多频段处理、希尔伯特变换以及维纳滤波将信号分解成多个本征模态函数。各个本征模态函数之和为原始信号,寻找最佳中心频率使得带宽最小,每个本征模态函数表达式如下044杨鹏杰,等/基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术水利水电技术(中英文)第 54 卷 2023 年第 S2 期Uk=Ak(t)cosk(t)(1)式中,Ak为第 k 个本征模态函数的幅值;k第 k 个本征模态函数的相位。变分模态分解的分量约束表达式如下min(uk,k)kt(t)+jt()uk(t)e-jkt22s.t.kuk(t)=f(t)(2)式中,uk 为所有本征模态函数的集合;k 为所有本征模态函数的中心频率集合;(t)为狄拉克函数;f(t)为原始信号。图 1 卷积神经网络结构构造拓展的拉格朗日无约束优化问题表达式如下所示L(uk,k,)=kt(t)+jt()uk(t)e-jkt22+f(t)-kuk(t)22+(t),f(t)-kuk(t)(3)使用交替方向乘法算子的方法不断迭代更新中心频率和固有模态参数,直到公式(3)达到最优解为止。变分模态分解的步骤如下。将初始值 u1k、1k、1、n 值取为 0,设置 值为 2000,使用下式更新 u(n+1)k()=f()-iku i()+()21+2(-k)(4)(n+1)k、(n+1)按照如下所式更新(n+1)k=0 u k()2d0u k()2dn+1=n+f-kun+1k()(5)不断循环更新迭代上式,直达满足如下表达式为止kun+1k-unk22/unk22 2(6)2 故障定位模型2 故障定位模型2.1 卷积神经神经网络 卷积神经网络是一种深度前馈神经网络,具有很强的特征学习的能力20-25,卷积神经网络的结构如图 1 所示,主要包含卷积、激活、池化、Softmax 四个部分,其中卷积、激活、池化堆叠交替出现。2.1.1 卷 积卷积运算是整个网络的核心,使用卷积核遍历输入的每个点,使用权值共享,减小网络的训练时间。输入特征的地方与卷积核对应区域进行相乘与求和操作,然后再加上偏置。形成一个输出特征值。公式如下xi+1=Wi xi+bi(7)式中,xi为前一层的输入特征;xi+1为卷积之后的一层输出特征;为卷进运算;Wi为卷积核的权重值;bi为偏置值。2.1.2 激 活激活层是将卷积后的特征进行非线性变换,使用的是激活函数,常见的激活函数由 Relu、Sigmod 激活函数。式(1)中添加激活函数后如下所示yi=f(xi+1)=f(Wi xi+bi)(8)式中,yi为经过激活函数之后的输出;f()为激活函数。2.1.3 池 化经过卷积处理后输出的特征图个数和维度大大增加了,容易出现维度灾难的现象,以及过拟合现象。为了防止上述现象的发生,使用池化可以保持原来特征的前提下进行降维。常见的池化操作为最大池化,即从池化区域内选出最大值作为该池化区域的代表值,表达式如下144杨鹏杰,等/基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术水利水电技术(中英文)第 54 卷 2023 年第 S2 期max-pooling(fi-1,fi,fi+1)=max(fi-1,fi,fi+1)(9)式中,max-pooling 为最大池化操作;fi为第 i 个特征值;fi+1为第 i+1 个特征值;fi-1为第 i-1 个特征值;max()为取最大值函数。2.1.4 全连接全连接层是卷积神经网络输出和 Softmax 分类器的中间层,经过展开平函数变成一维特征,再输出为多分类的向量,层与层之间神经元度互相连接起来,公式如下o(x)=f(wx+b)(10)式中,o(x)为全连接的输出,x 为全连接的输入;f()为全连接的激活函数;w 为全连接的权重;b为全连接的偏置。2.2 多尺度动态自适应卷积 传统的卷积神经网络采用固定尺寸的卷积核进行特征提取,无法全面地学习到复杂时间尺度的配电网故障数据。为此本文提出一种多尺度动态自适用卷积的方法,结构如图 2 所示。图 2 多尺度动态自适应卷积架构多尺度动态自适用卷积使用 4 个不同尺度并行的卷积,不仅提高了多尺度特征提取的能力,也能提高网络的计算速度。对输入向量 X 特征融合之后,再经过池化层、归一化层、激活层得到特征 Z,计算公式如下Z=f(R(Xmax)(11)式中,f 为激活函数;Xmax为输入相量最大池化;R为归一化处理。最后经过全连接层、自适应函数提取出 4 个分量权值,表达式如下as=eAsZeAsZ+eBsZ+eCsZ+eDsZas=eAsZeAsZ+eBsZ+eCsZ+eDsZcs=eCsZeAsZ+eBsZ+eCsZ+eDsZds=eDsZeAsZ+eBsZ+eCsZ+eDsZ(12)式中,as、bs、cs、ds分别为输入分量的 4 个权值。将 4 个分量和不同尺度卷积核相乘后相加,动态选择各个卷积层权重,得到的输出相量 Y 表达式如下Y=asX1+bsX2+csX3+dsX4as+bs+cs+ds=1(13)2.3 多尺度动态自适应残差网络 传统的卷积神经网络传递信息时容易出现梯度爆炸或者梯度消失的问题,本文将多尺度动态自适应卷积和残差学习结合在一起,构建多尺度动态自适应残差网络,结构如图 3 所示。图 3 多尺度动态自适应卷积架构假设输入原始信号数据为 x=(x1,x2,xn),残差卷积神经网络输出为 R(x),输出值为 F(x),那么双层结构的残差计算公式如下F(x)=M2M1(x)+x=R(x)+x(14)式中,Mi为第 i 层多尺度动态自适用卷积模块映射函数。根据公式(13)可得M1=asw1x+bsw2x+csw3x+dsw4x=W1x(15)式中,wi为第 i 个多尺度动态自适用卷积的权重矩阵。根据公式(15)可得,多层残差单元公式如下所示F(x)=R x,Wi()+x(16)从公式(14)可以看出,通过堆叠残差模块连接网络,并不会增加整个网络的参数数量和复杂度,进而避免了梯度爆炸和梯度消失的现象。244杨鹏杰,等/基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术水利水电技术(中英文)第 54 卷 2023 年第 S2 期3 配电网故障定位流程3 配电网故障定位流程3.1 网络模型 本文提出的基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法,网络需要确认输入和输出。输入数据:配电网发生故障时,整个系统会在半个周期内发生震荡,因此我们选择故障零序电流数据为一个周期内的数据,设置采样率为2.4k。然后对零序电流进行变分模态分解,得出4 个本征模态函数构成网络的输入数据,因此多尺度自适应残差卷积神经网络的输入维度为 42400。图 4 故障定位过程输出数据:利用 Softmax 分类器强大的分类能力,将网络输出定义为每个配电网区段状态。“1”代表该区段发生故障,“0”代表该区段不发生故障,因此设置的 Softmax 分类器输出维度为配电网区段数。由上述分析得出,基于多尺度自适应残差卷积神经网络的新能源配电网故障定位过程如图 4 所示。3.2 故障定位过程 本文提出的基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法流程如图 5 所示。流程如下。步骤一:数据预处理。将样本分成训练集和测试集,输入数据是不同分布式电源状态信息,对数据进行归一化处理如下x i=xi-min(xi)max(xi)-min(xi)(17)步骤二:对采集的配电网零序电流数据进行变分模态分解,得出 4 个本征模态函数,将这 4 个本征模态函数作为网络输入数据;步骤三:将训练集输入到多尺度自适应残差卷积神经网络中去,前向传播深层次学习孤网分布式电源运行特征,使用反向传播 BPTT 算法和交叉损失函数更新网络参数,最终形成性能较好的网络模型;步骤四:利用测试集来验证本文方法的有效性。344杨鹏杰,等/基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术水利水电技术(中英文)第 54 卷 2023 年第 S2 期图 5 故障定位流程4 仿真验证4 仿真验证4.1 仿真环境 为了验证本文方案的有效性,搭建了 IEEE33 节点的新能源配电网模型,结构如图 6 所示。风力发电接入节点为 18、25,额定容量为 500kW;光伏发电接入节点为 11、33,额定容量为 500 kW;储能装置接入节点为 4,运行参数如表 1 所列。图 6 配电网模型表 1 储能装置参数参数名称数 值储能装置总容量/kWh-14 000运行年限/a10最大充电和放电次数/次9 000额定功率/kW4004.2 网络结构 基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法关键是构建表征电网运行特性的输入、输出样本集。网络的输入为配电网零序电流变分模态分解后的 4 个本征模态函数,输入维度为 42400;网络的输出为故障区段,配电网架构共有 32个区段,因此输出维度为 321。网络的效果用故障定位准确率表示,表达式如下ACC=1NNiMi=Mi(18)式中,N 为测试的样本数量;Mi为第 i 个样本的实际故障区域;Mi为第 i 个样本网络输出故障区域。若 Mi和Mi相等,则 Mi=Mi=1,否则 Mi=Mi=0。确定多尺度自适应残差卷积神经网络各层神经元个数:首先设置多尺度自适应残差卷积神经网络隐藏层个数为 1,将隐藏层神经元个数分别从 50 设置到300;使用 1000 组数据集进行训练,观察故障定位准确率的变化,以准确率最高原则确定第一层隐藏层神经元个数;固定第一层隐藏层神经元个数,将第二层隐藏层神经元个数分别从 50 设置到 300,观察故障定位准确率的变化,以准确率最高原则确定第二层隐藏层神经元个数;依次类推,当故障定位准确率变小时,停止增加隐藏层,得出网络结构。通过实验结果,得到如图 7 所示的故障定位准确率和隐藏层层数、隐藏层神经元个数之间的关系。由图 7 可知,当网络只有 1 层隐藏层时,神经元个数为150 时,故障定位准确率最大,因此选择第一层隐藏层神经元个数为 150。继续增加第二层隐藏层神经元个数,当第二层隐藏层神经元个数为 250 时,故障定位准确率最大,因此选择第二层隐藏层神经元个数为250。但是第三层隐藏层神经元个数增加时,故障定位准确率较小,故网络出现过拟合现象,效果较差。因此本文网络隐藏层个数为 2,结合输入、输出,网络的结构设置为 2400-150-250-32。图 7 故障定位准确率和隐藏层层数、隐藏层神经元数量之间的关系为了进一步确定网络的迭代次数,不断提高网络迭代次数,配电网故障定位准确率结果如图 8 所示。从图中可知,当迭代次数达到 100 时,网络趋于稳定,定位准确率达到最大值 99.4%,因此后面训练中,设置网络迭代次数为 100。4.3 结果分析 为了验证本文所提方法对配电网故障定位的优越性,将本文方法与常见的卷积神经网络和支持向量机444杨鹏杰,等/基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术水利水电技术(中英文)第 54 卷 2023 年第 S2 期图 8 迭代次数和故障定位准确率的关系相比,损失函数如图 9 所示。从图中可知,本文方法具有最低的损失函数,只有 0.51,说明了本文所用网络收敛性能最优。图 9 迭代次数和损失函数的关系各个方法故障定位准确率结果如表 2 所列。从表中可得,本文方法故障定位准确率最高,相比于卷积神经网络、支持向量机,配电网故障定位准确率分别提升了 5.63%、9.31%。表 2 不同方法故障定位准确率结果方 法准确率/%本文方法99.61卷积神经网络93.98支持向量机90.30为了验证本文方法对不同故障类型的效果均有效,将不同方法下的不同故障类型定位准确率记录下来,结果如图 10 所示。由图 10 可知,本文方法故障定位准确率最高。4.4 经高阻接地故障定位结果 配电网大部分故障是单相接地故障,经高阻接地故障电流较小,再加上分布式新能源的接入,使得配图 10 不同方法对不同故障类型的定位准确率电网故障定位难度加大,因此验证经高阻接地的配电网故障定位效果更具实际意义。各种方法高阻接地故障结果如表 3 所列。从表中可得,本文方法对高阻接地故障仍然具有很高的故障定位效果。表 3 不同方法电压控制时间对比电阻/故障定位准确率/%本文方法卷积神经网络支持向量机1099.5293.5784.252099.6293.4187.593099.7192.1786.294098.5292.3481.645098.6489.8188.526098.7389.3685.297099.1489.2786.468099.4288.6485.399099.3389.7684.6510098.6887.6483.275 结 论5 结 论 本文提出了一种基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法,主要取得了以下成果:(1)对故障零序电流使用变分模态分解,得到一系列征模态函数,很好地提取出故障数据,为后续多尺度自适应残差卷积神经网络有效训练奠定了基础;(2)构建了多尺度自适应残差卷积神经网络的新能源配电网故障定位模型。使用多尺度自适应卷积动态调整卷积核尺寸、残差卷积提升网络学习能力的方式构建多尺度自适应残差卷积神经网络模型,特征学习输入的故障电流本征模态函数,经过 Softmax 分类器实现故障区段分类,完成故障定位;(3)经过仿真结果表明,所提方法面对新能源接入的配电网能够实现不同故障的准确定位,并且对高阻接地故障仍然具有较高的准确率。和常见的卷积神经网络、支持向量机相比,配电网故障定位准确率分别提升了 5.63%、9.31%,验证了该方法的有效性。544杨鹏杰,等/基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术水利水电技术(中英文)第 54 卷 2023 年第 S2 期参考文献:1 李卫国,王旭光,卢广旗,等.基于 DOST 能量相似度的有源配电网故障区间定位方法J.电测与仪表,2019,56(6):50-55.2 陈思源,景巍巍,史明明,等.新能源接入背景下的谐波源建模方法综述J.电力系统保护与控制,2022,50(7):162-175.3 文劲宇,周博,魏利屾.中国未来电力系统储电网初探J.电力系统保护与控制,2022,50(7):1-10.4 李练兵,孙腾达,曾四鸣,等.基于多端行波时差的配电网故障定位方法J.电力系统保护与控制,2022,50(3):140-147.5 杜刚,刘迅,苏高峰.基于 FTU 和 S 信号注入法的配电网接地故障定位技术的研究J.电力系统保护与控制,2010,38(12):73-76.6 程志友,汤明金,李小静,等.基于双端电气量的配电线路故障定位方法J.电测与仪表,2018,55(8):46-50,57.7 刘志文,董旭柱,邹林,等.零序电流衰减周期分量的高阻接地故障区段定位J.电力系统自动化,2020,44(7):161-170.8 王飞,孙莹.配电网故障定位的改进矩阵算法J.电力系统自动化,2003,27(24):45-46.9 郑涛,马龙,李博文.基于馈线终端装置信息畸变校正的有源配电网故障区段定位J.电网技术,2021,45(10):3926-3935.10 SUN K M,CHEN Q,ZHAO P.Automatic faulted feeder section lo-cation and isolation method for power distribution systems considering the change of topologyJ.Energies,2017,10(8):1081.11 YAN Hanyu,WU Xueying,LIN Chunlan,et al.A modified matrix algorithm dichotomy for distribution network fault location C/Shanghai:2020 International Conference of Recent Trends in Envi-ronmental Sustainability and Green Technologies,2020.12 王丰华,穆卡,张君,等.基于参数修正的输电线路双端不同步测距方法J.电力自动化设备,2018,38(8):95-101.13 刘煜,王俊江,焦青,等.基于量子行为粒子群算法的含分布式电源的配电网故障定位J.智慧电力,2020,48(8):51-55.14 杨莉,周年荣,李川,等.含 DG 配电网故障定位的免疫二进制萤火虫算法J.化工自动化及仪表,2021,48(3):253-258.15 张颖,许欣.基于蚁群退火算法的配电网故障定位研究J.电器与能效管理技术,2021(9):85-90.16 吉兴全,张朔,张玉敏,等.基于 IELM 算法的配电网故障区段定位J.电力系统自动化,2021,45(22):157-166.17 YU X,HUANGFU Y,HE Q,et al.Gearbox fault diagnosis under nonstationary condition using nonlinear chirp components extracted from bearing forceJ.Mechanical Systems and Signal Processing,2022,180(3):109-128.18 安文杰,陈长征,田 淼,等.基于 MSCNNSA-BiGRU 的变工况风电机组滚动轴承故障诊断研究 J.机电工程,2022,39(8):1096-1103.19 KIM Y,NA K,YOUN BD.A health-adaptive time-scale representa-tion(HTSR)embedded convolutional neural network for gearbox fault diagnosticsJ.Mechanical Systems and Signal Processing,2022,167(8):1085-1103.20 张若愚,吴俊勇,李宝琴,等.基于迁移学习的电力系统暂态稳定自适应预测J.电网技术,2020,44(6):2196-2205.21 魏东,龚庆武,来文青,等.基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究J.中国电机工程学报,2016,36(S1):21-28.22 曾全昊,王丰华,郑一鸣,等.基于卷积神经网络的变压器有载分接开关故障识别J.电力系统自动化,2020,44(11):144-154.23 魏文兵,毛钧毅,荣娜,等.采用随机矩阵与 CNN 的暂态电压稳定快速评估J.电网与清洁 能源,2020,36(11):68-76.24 JIA F,LEI Y G,LU N,et al.Deep normalized convolutional neural network for imbalanced fault classification of machinery and its under-standing via visualizationJ.Mechanical Systems and Signal Pro-cessing,2018,110:349-367.25 ABDELJABER O,AVIC O,KIRANYAZ S,et al.Real-time vibra-tion-based structural damage detection using one dimensional convolu-tional neural networksJ.Journal of Sound and Vibration,2017,388:154-170.(责任编辑 王 璐)644