基于CNN-LSTM-Attention神经网络的高压电缆局部放电预测方法研究

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.