公开(公告)号：CN106291233B

公开(公告)日：2019-07-23

申请号：CN201610613683.7

申请日：2016-07-29

Applicant: 武汉大学

Inventor： 龚庆武 ,  魏东 ,  刘栋 ,  乔卉 ,  林燕贞 ,  杨广辉 ,  刘宇阳 ,  沈勃 ,  杨飞国 ,  梁志远 ,  杨安琪

IPC: G01R31/08

Abstract: 本发明一种基于卷积神经网络的故障选相方法。首先根据双端供电系统原理图搭建仿真模型。其次，列出网络结构，通过设置批处理数量为较大定值，训练次数为较小定值，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，减少批处理数量，增加训练次数，使错误率降为0，从而得到训练好的网络结构参数和权值偏置矩阵。最后，在每次故障之后，获取故障电流，输入到训练好的网络中，即可得到故障类型输出，无需再次训练。该方法能够准确进行故障选相，检测灵敏度高，不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，具有很高的可靠性。

公开(公告)号：CN106291233A

公开(公告)日：2017-01-04

申请号：CN201610613683.7

申请日：2016-07-29

Applicant: 武汉大学

Inventor： 龚庆武 ,  魏东 ,  刘栋 ,  乔卉 ,  林燕贞 ,  杨广辉 ,  刘宇阳 ,  沈勃 ,  杨飞国 ,  梁志远 ,  杨安琪

IPC: G01R31/08

CPC classification number: G01R31/088

Abstract: 本发明一种基于卷积神经网络的故障选相方法。首先根据双端供电系统原理图搭建仿真模型。其次，列出网络结构，通过设置批处理数量为较大定值，训练次数为较小定值，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，减少批处理数量，增加训练次数，使错误率降为0，从而得到训练好的网络结构参数和权值偏置矩阵。最后，在每次故障之后，获取故障电流，输入到训练好的网络中，即可得到故障类型输出，无需再次训练。该方法能够准确进行故障选相，检测灵敏度高，不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，具有很高的可靠性。