基于风电场复杂运行环境和多分支混合集电线路的单相接地故障定位需求,提出一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short term memory networks,LSTM)混合模型(CNN-LSTM)的单相接地故障定位策...基于风电场复杂运行环境和多分支混合集电线路的单相接地故障定位需求,提出一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short term memory networks,LSTM)混合模型(CNN-LSTM)的单相接地故障定位策略。采集故障时零序电流,构建风电场单相接地故障数据集,将CNNLSTM混合模型改进为适合故障测距的预测模型,将该模型应用于在线故障定位。研究结果表明:与CNN和反向传播神经网络(backpropagation neural network,BP)相比,CNN-LSTM混合模型方法定位准确率更高,在不同故障距离和故障电阻情况下均可使用。研究结论为风电场集电线路接地故障定位提供参考。展开更多
针对变压器故障识别方法在处理不均衡故障数据时存在较大偏差的问题,构建了一种基于改进轻量级梯度提升机的混合集成模型,用以变压器故障识别。首先,提出一种结合梯度调和损失函数和交叉熵损失函数的改进轻量级梯度提升机(gradient harm...针对变压器故障识别方法在处理不均衡故障数据时存在较大偏差的问题,构建了一种基于改进轻量级梯度提升机的混合集成模型,用以变压器故障识别。首先,提出一种结合梯度调和损失函数和交叉熵损失函数的改进轻量级梯度提升机(gradient harmonizing mechanism loss and cross entropy loss improved light gradient boosting machine,GCLightGBM),提升模型对数据集中少数样本的关注度。然后,针对GCLightGBM中参数特异性取值影响模型识别能力的问题,提出一种基于GCLightGBM的混合集成模型,进一步提高其准确率的同时,确保模型对现实多变不均衡数据集依然保持良好的准确率。实验结果表明,GCLightGBM可有效解决少数类样本准确率低的问题,整体准确率高达0.911。且针对其他多变不均衡数据集,基于GCLightGBM混合集成模型故障识别方法平均准确率高达0.988。展开更多
文摘基于风电场复杂运行环境和多分支混合集电线路的单相接地故障定位需求,提出一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short term memory networks,LSTM)混合模型(CNN-LSTM)的单相接地故障定位策略。采集故障时零序电流,构建风电场单相接地故障数据集,将CNNLSTM混合模型改进为适合故障测距的预测模型,将该模型应用于在线故障定位。研究结果表明:与CNN和反向传播神经网络(backpropagation neural network,BP)相比,CNN-LSTM混合模型方法定位准确率更高,在不同故障距离和故障电阻情况下均可使用。研究结论为风电场集电线路接地故障定位提供参考。
文摘针对变压器故障识别方法在处理不均衡故障数据时存在较大偏差的问题,构建了一种基于改进轻量级梯度提升机的混合集成模型,用以变压器故障识别。首先,提出一种结合梯度调和损失函数和交叉熵损失函数的改进轻量级梯度提升机(gradient harmonizing mechanism loss and cross entropy loss improved light gradient boosting machine,GCLightGBM),提升模型对数据集中少数样本的关注度。然后,针对GCLightGBM中参数特异性取值影响模型识别能力的问题,提出一种基于GCLightGBM的混合集成模型,进一步提高其准确率的同时,确保模型对现实多变不均衡数据集依然保持良好的准确率。实验结果表明,GCLightGBM可有效解决少数类样本准确率低的问题,整体准确率高达0.911。且针对其他多变不均衡数据集,基于GCLightGBM混合集成模型故障识别方法平均准确率高达0.988。
