基于CNN-LSTM-Attention神经网络的高压电缆局部放电预测方法研究 |
| |
引用本文: | 李彬,邓力凡,彭丽.基于CNN-LSTM-Attention神经网络的高压电缆局部放电预测方法研究[J].湖南城市学院学报(自然科学版),2023(4):67-72. |
| |
作者姓名: | 李彬 邓力凡 彭丽 |
| |
作者单位: | 湖南城市学院机械与电气工程学院 |
| |
基金项目: | 湖南省重点研发计划项目(2021GK2020);;湖南省自然科学基金项目(2021JJ30077,2021JJ30079);;湖南省教育厅科研项目(19C0349); |
| |
摘 要: | 为了更迅速、准确地识别出高压电缆的局部放电故障,本文提出一种基于卷积长短期注意力(convolutional long short-term attention, CNN-LSTM-Attention)神经网络的高压电缆局部放电预测方法.首先,对高压电缆局部放电信号进行实时监测,并用小波分析将其离散,把长信号切分成多段信号且提取每段信号的统计特征量;其次,根据特征量构建神经网络分类模型,其由能够提取轮廓特征的卷积层、提取信号时序特征的长短期记忆层以及具有时序重要部分捕捉能力的注意力层构成;最后,通过实际数据进行仿真.结果表明:所提方法能准确识别较高采样率的异常放电信号,且相比传统神经网络,CNN-LSTM-Attention神经网络的故障识别准确率有明显提高,其马修斯相关系数(Matthews correlation coefficient, MCC)为0.871 03.
|
关 键 词: | 高压电缆 局部放电 CNN-LSTM-Attention 故障识别 |
|
|