电缆作为输电线路重要一环,其运行状态对电力系统影响重大,当电缆结构发生异常时,由于电力电缆敷设环境较为复杂,难以对不均匀结构的电缆进行详细分析。该文以数据驱动的信息融合处理技术为基础,提出了一种基于卷积神经网络(convolution...电缆作为输电线路重要一环,其运行状态对电力系统影响重大,当电缆结构发生异常时,由于电力电缆敷设环境较为复杂,难以对不均匀结构的电缆进行详细分析。该文以数据驱动的信息融合处理技术为基础,提出了一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short term memory,LSTM)混合模型的电力电缆故障诊断方法,将CNN强大的局部特征提取能力和LSTM处理长序列的方法相结合,有效解决了因电缆参数变化致使原始数据多源性和异构性的问题。使用CNN-LSTM(convolutional neural network-long short term memory)对9种不同类型的电缆状态进行分类,平均识别率为95.9%。所提方法与传统的反向传播神经网络(back propagation neural network,BPNN)、LSTM等方式进行对比,结果表明,提出的电缆故障诊断方法的检测效果优于传统方法,具有更高的可靠性和稳定性。展开更多
文摘电缆作为输电线路重要一环,其运行状态对电力系统影响重大,当电缆结构发生异常时,由于电力电缆敷设环境较为复杂,难以对不均匀结构的电缆进行详细分析。该文以数据驱动的信息融合处理技术为基础,提出了一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short term memory,LSTM)混合模型的电力电缆故障诊断方法,将CNN强大的局部特征提取能力和LSTM处理长序列的方法相结合,有效解决了因电缆参数变化致使原始数据多源性和异构性的问题。使用CNN-LSTM(convolutional neural network-long short term memory)对9种不同类型的电缆状态进行分类,平均识别率为95.9%。所提方法与传统的反向传播神经网络(back propagation neural network,BPNN)、LSTM等方式进行对比,结果表明,提出的电缆故障诊断方法的检测效果优于传统方法,具有更高的可靠性和稳定性。
