杨雯，尹康涌，鲍奕宇，尹项根，徐彪

(1.国网江苏省电力有限公司检修分公司，江苏 南京 211106；2.强电磁工程与新技术国家重点实验室(华中科技大学)，湖北 武汉 430074；3.国网江苏省电力有限公司电力科学研究院，江苏 南京 211103)

0 引言

现有电网故障分类方法主要有工频量和暂态量2种。工频量分类方法易受接地电阻、系统运行方式的影响；暂态量分类方法利用行波[1—2]和故障暂态量[3—4]等，能有效摆脱工频因素限制。许多学者将新兴的数据分析方法与暂态量选相方法相结合，提出了基于模糊理论[5— 6]、分形理论[7—8]、小波变换[9—10]、人工神经网络(artificial neural networks，ANN)[11—12]等的故障类型辨识方法。其中ANN等人工智能方法由于其在非线性映射、自学习和自适应、泛化和容错等方面的优势而备受关注。文献[13]利用提升小波和神经网络构造了小波神经网络故障识别模型；文献[14]提出多小波包系数熵和ANN相结合的输电线路故障分类方法。

随着电力大数据的发展，反映设备状态的数据越来越大，以ANN为代表的浅层学习方法主要存在以下缺陷：(1) 对复杂数据分布的映射能力有限且可能出现“维数灾”；(2) 太依赖于信号处理技术和人工诊断经验，在故障特征不明显或者出现复杂连锁故障时容易漏判或误判，无法满足现代大电网的诊断需求。

深度学习的发展为解决上述问题提供了机遇。作为其典型代表，深度置信网络(deep belief network，DBN)具有良好的数据特征提取和映射能力[15—17]，可以通过多隐层网络从原始数据中学习，特别适用于求解复杂的高维分类问题[18]。……