[论文解读] Transfer Learning for Fault Diagnosis of Transmission Lines

Fatemeh Mohammadi Shakiba, Milad Shojaee+2 more|arXiv (Cornell University)|Jan 20, 2022

Power Systems Fault Detection被引用 10

一句话总结

本文提出一种基于迁移学习的框架，利用预训练的LeNet-5卷积神经网络对不同长度的输电线路进行故障诊断与故障位置估计，且无需大量微调。通过将源模型（在100 km线路数据上训练）的知识迁移至不同线路长度的目标模型，该方法将训练时间最多减少四倍，同时保持与专用模型相当的分类准确率和故障位置估计误差。

ABSTRACT

Recent artificial intelligence-based methods have shown great promise in the use of neural networks for real-time sensing and detection of transmission line faults and estimation of their locations. The expansion of power systems including transmission lines with various lengths have made a fault detection, classification, and location estimation process more challenging. Transmission line datasets are stream data which are continuously collected by various sensors and hence, require generalized and fast fault diagnosis approaches. Newly collected datasets including voltages and currents might not have enough and accurate labels (fault and no fault) that are useful to train neural networks. In this paper, a novel transfer learning framework based on a pre-trained LeNet-5 convolutional neural network is proposed. This method is able to diagnose faults for different transmission line lengths and impedances by transferring the knowledge from a source convolutional neural network to predict a dissimilar target dataset. By transferring this knowledge, faults from various transmission lines, without having enough labels, can be diagnosed faster and more efficiently compared to the existing methods. To prove the feasibility and effectiveness of this methodology, seven different datasets that include various lengths of transmission lines are used. The robustness of the proposed methodology against generator voltage fluctuation, variation in fault distance, fault inception angle, fault resistance, and phase difference between the two generators are well shown, thus proving its practical values in the fault diagnosis of transmission lines.

研究动机与目标

• 解决在有限标注数据下对不同长度和阻抗的输电线路进行故障诊断的挑战。
• 降低在流式实时电力系统数据中进行故障诊断的训练时间和计算成本。
• 开发一种可复用于不同输电线路配置的通用深度学习模型，而无需完全重新训练。
• 提高对故障起始角、故障电阻、发电机电压以及发电机间相位差变化的鲁棒性。
• 证明迁移学习在高波动性、流式电力系统数据中故障诊断的可行性。

提出的方法

• 在100 km输电线路的带标注故障数据源数据集上预训练LeNet-5卷积神经网络。
• 冻结预训练模型的特征提取层，以保留学习到的表征。
• 将冻结的特征提取器迁移至针对目标输电线路长度定制的新CNN架构中。
• 仅使用针对新线路长度的特定标注数据，对目标网络的全连接层进行微调。
• 通过微调进一步提升目标数据集上的性能，同时最小化误差并减少训练时间。
• 以电压和电流信号作为输入，通过时间序列图像转换以适配CNN输入要求。

实验结果

研究问题

• RQ1 迁移学习是否能在不牺牲准确率的前提下，减少对不同长度输电线路进行故障诊断的训练时间？
• RQ2 与从零开始训练专用CNN相比，迁移学习在不同线路长度下的性能表现如何？
• RQ3 该方法在故障电阻、起始角、发电机电压及相位差变化下的鲁棒性如何？
• RQ4 当源线路与目标线路长度差异增大时，性能下降程度如何？
• RQ5 该方法能否实现满足IEEE标准的实时推理速度，用于故障位置估计？

主要发现

• 基于迁移学习的方法将故障位置估计的训练时间减少至专用CNN所需时间的四分之一以下，训练时间减少达75%。
• 在所有测试线路长度（12.5 km至800 km）中，故障位置估计的均方误差（MSE）均与专用CNN基线值相差不超过0.1 m²，其中400 km线路的最佳表现为6.79×10⁻² m²。
• 故障检测、分类与位置估计的累计测试时间低于6 μs，满足IEEE标准对实时应用的要求。
• 与未微调的迁移学习方法相比，微调使MSE降低超过50%，证明其在提升精度方面的有效性。
• 该方法在所有测试变量（包括故障电阻、起始角及发电机电压波动）下均保持高精度，证明其鲁棒性。
• 随着源线路与目标线路长度差异增大，MSE略有上升，证实了预期的特征分布偏移，但所有长度下的性能仍保持可接受水平。