基于并联CNN-LSTM的弱受端直流输电系统故障诊断

TM721.1; 现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法.鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法.搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率.然后搭建了麻雀搜索算法(SSA)优化的并联CNN-LSTM 深度学习模型.通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别.仿真结果表明该模型相较于传统...

Full description

Saved in:
Bibliographic Details
Published in电机与控制应用 Vol. 49; no. 6; pp. 83 - 91
Main Authors 陈臣鹏, 陈仕龙, 毕贵红, 高敬业, 赵鑫, 李璐
Format Magazine Article
LanguageChinese
Published 昆明理工大学电力工程学院,云南昆明 650500 01.06.2022
Subjects
长短期记忆网络(LSTM)
麻雀搜索算法(SSA)
故障诊断
并联卷积神经网络(CNN)
弱受端直流输电系统
Online AccessGet full text

Cover

More Information
Summary:TM721.1; 现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法.鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法.搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率.然后搭建了麻雀搜索算法(SSA)优化的并联CNN-LSTM 深度学习模型.通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别.仿真结果表明该模型相较于传统方法具有更高的故障诊断精度.
ISSN:1673-6540
DOI:10.12177/emca.2022.022