基于改进Shapley特征优选及ResNet50深度学习模型的继电保护状态评估研究

摘要

随着智能电网的发展,继电保护系统接入数据更为全面,而传统算法难以给出兼顾精度与效率的状态评估方法。提出了改进沙普利(Shapley)理论的特征优选模型,通过熵值法与Shapley理论综合分析各指标的重要性。构建了基于具有50个卷积层的残差网络(residual network-50,ResNet50)的继电保护状态评估的深度学习算法,介绍了算法的网络结构。选取上海某公司1796台继电保护装置的数据对算法进行测试,采用改进合成少数类过采样技术对不平衡数据进行处理,算法准确率高达96.7%,召回率达82.9%。与卷积神经网络和随机森林算法进行了对比分析,测试结果表明,ResNet50算法在准确率、召回率和精度方面都表现出明显的优势,可为现场巡检策略优化和故障排除提供支撑。