电力系统及其自动化学报ProceedingsoftheCSU-EPSA第35卷第2期2023年2月Vol.35No.2Feb.2023基于GAF与卷积神经网络的配电网故障选线新方法雷静1，2，李晨婧3，郭亮1，王晓卫3，徐经民1，黄灿英4（1.国网江西省电力有限公司电力科学研究院，南昌330006；2.国网江西省电力有限公司，南昌330006；3.西安理工大学电气工程学院，西安710054；4.江西建设职业技术学院，南昌330200）摘要：消弧线圈接地配电网的暂态零序电流特征和选线结果呈现复杂的非线性关系，传统选线方法不适用于弱故障特征提取。为提高配电网的故障选线准确性，提出了一种基于格拉米角场GAF（Gramianangularfield）与卷积神经网络CNN（convolutionalneuralnetwork）的故障选线新方法。首先对不同工况下的零序电流进行GAF变换，利用变换后的GASF（Gramianangularsummationfield）和GADF（Gramianangulardifferencefield）特征图样本集训练CNN，用于判定待测馈线是否故障。为提高选线方法的普适性，除了10kV辐射状配电网样本库，另外建立了包含3种完全不同拓扑模型样本的混合库。最后，所提方法在辐射状模型库和混合库都得到了验证，判定结果证实了该方法的有效性和准确性。关键词：故障选线；零序电流；卷积神经网络；格拉米角场中图分类号：TM862文献标志码：A文章编号：1003-8930（2023）02-0053-10DOI：10.19635/j.cnki.csu-epsa.001053NovelFaultFeederSelectionMethodforDistributionNetworkBasedonGAFandConvolutionNeuralNetworkLEIJing1，2，LIChenjing3，GUOLiang1，WANGXiaowei3，XUJingmin1，HUANGCanying4（1.ElectricPowerResearchInstitute，StateGridJiangxiElectricPowerCo.，Ltd，Nanchang330006，China；2.StateGridJiangxiElectricPowerCo.，Ltd，Nanchang330006，China；3.SchoolofElectricalEngineering，Xi’anUniversityofTechnology，Xi’an710054，China；4.JiangxiCollegeofConstruction，Nanchang330200，China）Abstract:Inadistributionnetworkunderthearcsuppressioncoilgroundingfault，thetransientzero-sequencecurrentcharacteristicsandfeederselectionresultsshowacomplexnonlinearrelationship.Asaresult，thetraditionalfaultfeed⁃erselectionmethodisnotsuitablefortheweakfaultfeatureextraction.Toimprovethefaultfeederselectionaccuracyindistributionnetwork，anovelfaultfeederselectionmethodbasedonGramianangularfield（GAF）andconvo...
