基于迁移学习的电磁暂态识别数据驱动方法及其在智能电网中的应用

《CSEE Journal of Power and Energy Systems》：Data-Driven Approach for Electromagnetic Transient Recognition Using Transfer Learning

　　本文提出了一种创新的迁移学习识别网络（TLRN），通过结合特征提取器、电磁暂态（EMT）识别器、域识别器和最大均值差异（MMD）模块，有效解决了电力系统中因训练与测试数据分布差异导致的EMT识别性能下降问题。该方法采用无监督学习策略，利用源域（DS）标注数据和目标域（DT）未标注数据，实现跨变电站的域不变特征提取，显著提升了EMT识别的准确性和泛化能力。实验基于不同变电站的实际EMT数据集，验证了TLRN在分布偏移场景下的优越性能（识别准确率最高达98.16%），为智能电网的实时故障监测与保护提供了可靠技术支撑。

　　

引言

电磁暂态（EMT）是电力系统中因故障、开关操作或雷击引发的常见电能质量问题，可能导致绝缘故障、电力电子设备损坏等严重后果。传统EMT识别方法依赖训练与测试数据同分布的假设，但实际中不同变电站或随时间变化的EMT数据分布存在差异，限制了识别模型的泛化能力。本文提出一种基于迁移学习的识别网络（TLRN），通过域不变特征学习实现跨分布场景的精准EMT识别。

迁移学习驱动的EMT识别方法

TLRN网络架构

TLRN由四部分构成：

1. 1.
   特征提取器：采用5层卷积神经网络（CNN）模块，每层包含卷积层（卷积核窗口长度m=5）和最大池化层（池化长度l=5或4），自动提取EMT波形特征。输入为三相电压矩阵（维度10,000×3），通过ReLU激活函数和池化操作降维。
2. 2.
   EMT识别器：包含3个全连接层（FC1-FC3）和Softmax分类器，根据特征输出EMT类别（如雷击、电容投切、铁磁谐振等）。
3. 3.
   域识别器：通过全连接层（FC4-FC6）和逻辑回归层判断数据来源（源域或目标域），驱动特征提取器学习域不变特征。
4. 4.
   最大均值差异（MMD）：量化源域（DS）与目标域（DT）特征分布差异，通过核函数（如高斯核）计算分布距离，优化特征对齐。

无监督学习策略

TLRN的训练结合源域标注数据（如变电站A的EMT）和目标域未标注数据（如变电站B的EMT），通过最小化复合损失函数E实现：

• •
  L₁（EMT分类损失）：采用交叉熵损失优化特征提取器和EMT识别器。
• •
  L₂（域分类损失）：通过对抗训练最大化域分类误差，促使特征提取器混淆域特征。
• •
  L₃（MMD损失）：直接减小DS与DT特征分布差异。
  超参数λ和μ随训练进度动态调整（公式λ=μ=2/(1+e^-10p)-1，p为训练进度），使用随机梯度下降（SGD）优化，学习率ε=0.001，批量大小256。

数据集与实验设计

实验数据来自两个实际变电站（A和B）的EMT监测系统，采样频率200kHz，包含雷击、电容投切、基波/次谐波/谐波铁磁谐振、单相接地等6类EMT。数据集规模差异显著（变电站A数据量更丰富），用于验证分布偏移下的TLRN鲁棒性。设计5种场景实验：

• •
  场景I（同分布）：DS与DT来自同一变电站，验证基础网络性能（准确率>94%）。
• •
  场景II（跨分布）：仅使用特征提取器+EMT识别器，准确率降至79-83%。
• •
  场景III-V：逐步添加域识别器和MMD模块，TLRN在目标域识别准确率提升至90%以上（最高98.16%）。
  额外实验引入第三变电站（C）数据，进一步验证TLRN的泛化能力（准确率>93%）。

结果与讨论

1. 1.
   跨分布识别性能：TLRN在目标域数据比例（M%）增加时表现稳健，即使M%=10%时准确率仍快速提升，显著优于传统方法（如SVM+手工特征、自编码器）。
2. 2.
   特征可视化：t-SNE图谱显示，TLRN学习的特征在源域与目标域间分布重叠更紧密，且同类EMT聚类更清晰，证明域不变特征的有效性。
3. 3.
   模块贡献分析：单独使用域识别器或MMD可提升性能，但联合使用效果最优，凸显多模块协同的必要性。
4. 4.
   实际应用潜力：TLRN可嵌入智能电网监测系统，通过定期更新未标注数据，实现EMT实时识别与故障预警，支撑电力设备保护与数字化转型。

结论

TLRN通过迁移学习解决了EMT识别中的分布偏移瓶颈，其无监督学习策略适配实际电网数据标注稀缺的场景。实验证明该方法在跨变电站任务中具有高准确性、强泛化性和工程应用价值，为电力系统智能监测提供了新范式。