基于RMT-CNN 的電網短路故障定位研究

劉義艷，郝婷楠，張偉

（1.長安大學 能源與電氣工程學院，陜西，西安 710018；2.深圳市沃爾核材股份有限公司，廣東，深圳 518000）

隨著交直流特高壓輸電技術的發展與電力線路的建設，我國電網正在向大規模交直流互聯的方向發展，跨大區的全國互聯電網將會日益完善.復雜的電力系統給電網的安全穩定運行帶來了極大的挑戰[1].若電網長期處于異常運行狀態，會危害供電側和用電側的輸配電安全.如何充分挖掘電力大數據的潛在價值，快速準確地實現故障的自動識別和定位，提供可靠的評估結果，感知和預警電網運行過程中的風險，制定緊急控制措施，減少經濟損失，有效保障電網穩定運行，對智能電網的發展具有重要的意義[2-3].

目前對電網監測數據的處理包括時域分析、數據驅動等分析方法，近年來電網監測領域涌出一批新興方法，如機器學習、深度神經網絡、循環神經網絡等人工智能方法[4-5].深度學習網絡，相較于人工神經網絡，深度神經網絡模型深度更大，算法更加復雜，精度更高[6-7].卷積神經網絡（convolutional neural networks，CNN）是深度學習網絡的典型代表，具有強大的信號處理能力，尤其在處理多維數據方面優勢突出，廣泛應用在如圖像處理、計算機視覺和大數據分析等領域[8-11].YUAN 等[12]提出了一種基于卷積神經網絡(CNN)和長短期記憶(LSTM)神經網絡混合模型的檢測方法，可以全面挖掘時空信息.丁津津等[13]集成不同總線上的測量值，搭建圖卷積網絡框架用于配電網故障定位……