CN114910745B 一种基于图卷积神经网络的配电网单相接地故障定位方法 （杭州电子科技大学）_第1页
CN114910745B 一种基于图卷积神经网络的配电网单相接地故障定位方法 （杭州电子科技大学）_第2页
CN114910745B 一种基于图卷积神经网络的配电网单相接地故障定位方法 （杭州电子科技大学）_第3页
CN114910745B 一种基于图卷积神经网络的配电网单相接地故障定位方法 （杭州电子科技大学）_第4页
CN114910745B 一种基于图卷积神经网络的配电网单相接地故障定位方法 （杭州电子科技大学）_第5页
已阅读5页，还剩12页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于图卷积神经网络的配电网单相接本发明公开了一种基于图卷积神经网络的过FTU终端设备采集配电网馈线段不同状态下的层全连接神经网络将边特征数据转化为与其相2步骤1：利用FTU设备采集配电网上各条支线以及负所述特征转换模块包括单层全连接神经网络，用于将边的电流和断路器所述特征提取模块用于将特征转换模块转换后的负荷节点特征数据输入图卷积神经所述特征输出模块包括一层全连接神经网络和Softmax函数，用于根据特征提取模块步骤4：将状态未知的配电网样本数据输入步骤3优化2.如权利要求1所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特3.如权利要求1所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特1l4.如权利要求3所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特n135.如权利要求1、3或4任一所述一种基于图卷积神经网络的配电网单相接地故障定位6.如权利要求1所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特4[0007]所述特征转换模块包括单层全连接神经网络(MLP)，用于将步骤1得到的数据集[0008]所述特征提取模块用于将特征转换模块转换后的负荷节点特征数据输入图卷积5[0019]以S_SCDN(以高压变电站为中心的中压配电网供区)为例，结合图1所示的城市馈6。n1～xn3分别表示电时表示故障状态。将转化后的每个样本特征连接成矩阵X，输入特征提取模块，X＝{X1,[0032]所述特征提取模块用于将特征转换模块转换后的负荷节点特征数据输入图卷积函数及Adam优化器对定位模型进行300次的优化和迭代训练。Adam优化器可以根据历史梯度的震荡情况和过滤震荡后的真实历史梯度对变量进7[0036]针对步骤4的故障定位结果，采用F1分数(F1_Score)来对定位模型的效果进行评将其预测为正样本的数量，FN表示本身为正样本模型错将其预测为负样本的数量。F1_[0040]本方法所建立的基于GCN的故障定位模型具有良好的实际应用性能。基于S_SCDN8

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论