基于RMT-CNN的电网短路故障定位研究

随着我国智能电网的快速发展，电网监测数据呈现多元化、高速化、海量化的趋势.为了充分挖掘电力大数据的潜在价值，实现电网内异常区域的自动识别与定位，本文研究了基于随机矩阵理论（random matrix theory,RMT）和卷积神经网络（convolutional neural networks,CNN）的电网异常事件定位方法.首先根据电网内部联系将电网划分为若干子系统，分区构建监测矩阵；然后采用RMT作为数据挖掘的特征提取方法，提取分区矩阵特征向量作为输入，根据电网监测数据和异常识别需求的特点搭建CNN模型；最后基于分区矩阵特征向量构建数据集，训练获得有效的异常事件自动定位CNN模型.以IEEE39节点电网模型三相短路故障为例，分析表明通过RMT提取特征向量的预处理方法能有效降低数据维度，提高CNN模型的故障定位准确率，分区RMT-CNN模型能有效定位电网内异常事件的发生地点，定位精度可达97.96%，精确率可达98.65%.