电力系统及其自动化学报ProceedingsoftheCSU-EPSA第35卷第4期2023年4月Vol.35No.4Apr.2023不平衡数据集下海量配电网量测终端故障诊断方法于海平1，吴雪琼1，杜天硕2（1.国网电力科学研究院有限公司，南京211100；2.天津大学电气自动化与信息工程学院，天津300072）摘要：配电网量测终端设备的大规模接入，往往伴随着突发性、多样性的故障，其故障类型的精准判断对合理的运维检修策略制定与配电系统可靠运行具有重要意义。为此，以量测终端中的智能电表为典型，提出一种基于卷积神经网络-长短时记忆模型的故障分类方法。首先，考虑实际场景中智能电表故障数据不平衡以及存在分类特征的情况，通过K-prototypes算法对少数类故障类别进行聚类，在簇中心附近通过SMOTE-NC过采样技术生成智能电表故障数据；其次，将平衡后的故障数据通过卷积神经网络提取更高层次的特征信息作为长短时记忆网络的输入以实现智能电表的故障分类。最后，基于浙江省各市区智能电表故障分拣数据进行算例分析，结果表明本文所提出方法具有可行性和有效性。关键词：不平衡数据；智能电表；聚类；卷积神经网络；长短时记忆；过采样中图分类号：TM933文献标志码：A文章编号：1003-8930（2023）04-0032-09DOI：10.19635/j.cnki.csu-epsa.001047FaultDiagnosisMethodforMassiveDistributionNetworkMeasurementTerminalswithUnbalancedDataSetYUHaiping1，WUXueqiong1，DUTianshuo2（1.StateGridElectricPowerResearchInstituteCo.，Ltd，Nanjing211100，China；2.SchoolofElectricalandInformationEngineering，TianjinUniversity，Tianjin300072，China）Abstract:Thelarge-scaleaccessofmeasurementterminalequipmenttodistributionnetworkisoftenaccompaniedbysuddenanddiversefaults.Accordingly，theaccuratejudgmentoffaultcategoryisofsignificancefortheformulationofreasonableoperationandmaintenancestrategiesandthereliableoperationofthepowerdistributionsystem.Underthisbackground，afaultclassificationmethodbasedonconvolutionalneuralnetwork-longshort-termmemory（CNN-LSTM）modelisproposedbytakingthesmartmeterinthemeasurementterminalasatypicalexample.First，consideringtheimbalanceofsmartmeterfaultdataandtheexistenceofclassificationfeaturesintheactualscene，theK-prototypesal⁃gorithmisusedtoclusteraminorityoffaultcategories，andtheSMO...
