科创中国

针对主动配电网同步相量信息特征学习问题，在监督多模型残差生成分类学习框架下，提出一种基于强化深度学习的配电系统故障检测方法。首先通过建立RBF神经网络线性回归模型，将隐含层中心矢量选择问题转化为显著回归矩阵选择问题，在正则化准则下利用零阶正则化误差函数约束神经网络模型有效复杂度，并利用正则化误差率选择隐含层中心矢量，从而建立RRBF神经网络以改进神经网络泛化能力；然后针对PMU测量相量信息进行分类标签管理，根据有监督多模型残差生成分类学习规则提出基于RRBF神经网络的故障检测方法来识别配电系统中故障区域和故障相；最后将基于改进RBF神经网络的故障检测方法应用于IEEE 13节点电力系统末端线路中，对不同类型的短路故障进行故障检测实验，验证所提方法的检测率及适用范围。