东北石油大学研究者提出一种小电流接地故障选线新方法，可实现高精度选线，鲁棒性较强！
配电网的结构复杂、支路多，运行环境不确定，容易产生各种故障。通过单相接地故障选线，维护人员可以快速处理故障，减少故障的影响，提高供电质量。然而，现有配电自动化设备普遍缺乏对单相接地故障的有效识别，配电自动化主站也无法对单相接地故障进行有效定位。因此，如何充分利用配电网的电压、电流等信息实现小电流接地系统单相接地故障的智能选线成为未来发展趋势。
深度学习能够从原始数据中自动提取更深层次的信息，无需信息处理技术，利用海量的数据实现了对物体特征的自动学习和提取，可有效克服人工提取目标特征的困难。然而，基于深度学习的选线方法依赖大量数据样本，主要基于一维信号序列的分类，在二维角度进行特征提取的研究较少。
针对小电流系统发生单相接地故障时特征信息不明显、现有选线方法易受故障情况和环境噪声影响的问题，东北石油大学三亚海洋的油气研究院、东北石油大学电气信息工程学院刘伟、杨东风、王洪志、闫文迪，在《电气技术》上撰文，提出一种基于格拉姆角场（GAF）和改进残差网络（PrResNet）的小电流接地故障选线新方法。
首先搭建仿真模型采集零序电流等数据，利用格拉姆角场变换将一维零序电流时序信息转换成二维图像信息；然后对残差网络（ResNet）进行改进，提出PrResNet用于提取图片特征；最后通过Softmax输出选线结果。
通过测试GAF-PrResNet在配电网不同运行工况和故障条件下的选线效果，证明了该故障选线模型能够在强噪声干扰场景下实现不同故障位置和过渡电阻条件下的高精度选线，且具有较强的鲁棒性。
研究者指出，该方法的主要特点在于：①在批量处理数据集时，将一维数据转换成二维图片进行存储；②通过深度学习自动提取特征，避免人工提取特征的不足；③该方法选线准确率高、抗噪性能好：④采用深层网络，模型的学习能力相应增强，泛化性能得到提高。
本工作成果发表在《电气技术》，论文标题为“基于格拉姆角场-改进残差网络的小电流接地系统故障选线”，作者为刘伟、杨东风等。
