[论文解读] Convolutional Neural Network and Transfer Learning for High Impedance Fault Detection

Rui Fan, Tianzhixi Yin|arXiv (Cornell University)|Apr 18, 2019

Power Systems Fault Detection参考文献 9被引用 8

一句话总结

该论文提出一种结合迁移学习的卷积神经网络（CNN）用于配电网中的高阻抗故障（HIF）检测，通过利用空间模式识别和预训练特征，提升检测精度并减少数据需求。该CNN在IEEE 34-Bus系统上实现99.52%的准确率，在IEEE 13-Bus系统上结合迁移学习后达到95.06%的准确率，且仅使用极少数据，优于传统基于MLP的模型，并显著缩短训练时间。

ABSTRACT

This letter presents a novel high impedance fault (HIF) detection approach using a convolutional neural network (CNN). Compared to traditional artificial neural networks, a CNN offers translation invariance and it can accurately detect HIFs in spite of variance and noise in the input data. A transfer learning method is used to address the common challenge of a system with little training data. Extensive studies have demonstrated the accuracy and effectiveness of using a CNNbased approach for HIF detection.

研究动机与目标

• 为解决配电网中高阻抗故障（HIF）检测的挑战，此类故障因故障电流低且易受噪声干扰而难以识别。
• 克服传统多层感知机（MLP）网络的局限性，包括较差的平移不变性及较高的数据需求。
• 通过使用一维CNN捕捉电流波形中的空间模式，提升检测精度与鲁棒性。
• 通过应用迁移学习，利用预训练CNN模型，减少新系统中训练时间与数据依赖。

提出的方法

• 采用四层一维CNN——卷积、ReLU激活、最大池化及全连接层，从电流波形数据中提取分层特征。
• 卷积运算定义为 (f*g)[n] = Σi f[i] × g[i]，实现对输入信号中局部模式的检测。
• 应用ReLU激活函数（r(x) = max(0, x)），以缓解梯度消失问题并提升计算效率。
• 最大池化降低数据维度并增强平移不变性，提升对信号偏移与噪声的鲁棒性。
• 采用Sigmoid输出层与交叉熵损失 J = -(1/m)Σ[y(j)log(ŷ(j)) + (1-y(j))log(1-ŷ(j))]，实现HIF与正常暂态的二分类。
• 迁移学习复用大型数据集（如IEEE 34-Bus）上预训练的CNN权重，并在小规模数据集（如IEEE 13-Bus）上微调，以适应新系统。

实验结果

研究问题

• RQ1 在噪声与输入条件多变的情况下，基于CNN的模型是否能优于传统MLP网络实现高阻抗故障检测？
• RQ2 在新配电网系统中训练数据有限时，迁移学习在多大程度上可提升HIF检测的准确率？
• RQ3 卷积层与池化操作如何增强HIF检测对信号波动与噪声的鲁棒性？
• RQ4 在低数据环境下，迁移学习对训练收敛速度与计算成本有何影响？

主要发现

• 基于CNN的方法在IEEE 34-Bus系统上实现99.52%的HIF检测准确率，显著优于基于MLP的模型（准确率为91.13%）。
• 在仅约300组测量数据的IEEE 13-Bus系统上，迁移学习实现95.06%的准确率，而从随机初始化开始训练仅达74.69%的准确率。
• 采用迁移学习的CNN在20个训练周期内即实现收敛，而从零开始训练的CNN则需数百个周期，显著降低计算成本。
• 在13-Bus系统上，从随机初始化训练的CNN出现过拟合现象，表现为训练损失与验证损失之间存在显著差距；而迁移学习方法始终保持低且稳定的损失。
• 交叉熵损失曲线显示，基于CNN的模型始终实现低于基于MLP模型的损失，证实其具备更优的泛化能力与模式区分能力。
• 该模型对2%白噪声、故障起始角变化、故障电阻（100–600 Ω）及系统负载条件变化均表现出鲁棒性。