基于LSTM和多头注意力的气体绝缘开关柜局部放电检测框架

• Published in: 河南理工大学学报（自然科学版） Vol. 44; no. 2; pp. 108 - 115
• Main Authors: 杨正盛, 刘芳
• Format: Journal Article
• Language: Chinese
• Published: 国网吉林省电力有限公司,吉林 长春 130000%合肥工业大学 电气与自动化工程学院,安徽 合肥 230009 01.03.2025
• Subjects: 多头注意力; 长短时记忆网络; 局部放电相位分析; multi-head attention; 气体绝缘开关柜; long short term memory; anomaly detection; phased-resolved partial discharge; gas insulated switchgear; 异常检测
• ISSN: 1673-9787
• DOI: 10.16186/j.cnki.1673-9787.2023020042

TM855; 目的 为了实现电器设备的长期稳定运行,方法 提出基于长短时记忆(long short-term memory,LSTM)网络和多头注意力机制的气体绝缘开关柜(gas insulated switchgear,GIS)局部放电检测分类框架.首先,将局部放电相位(phase resolved partial discharge,PRPD)分析作为输入序列,利用LSTM学习PRPD信号中的时间关联;其次,将LSTM的结果输入到多头注意力模块中,通过结合多头自注意力和LSTM网络,重点分析与PRPD的不同相位集相对应的不同表征子空间的信息,其中,自注意力机制可识别输入和输出序列之间的重要信息,利用多头自注意力网络捕捉故障PRPD的高阶特征;最后,利用分类层在GIS中进行故障检测.结果 结果表明:线性SVM的性能最差,传统的机器学习分类算法不能很好地捕捉到数据中的微小差异;CNN+LSTM实现了对多元时序数据的时间依赖性捕捉,性能比SVM方法显著提高;AL+DCNN通过对抗学习框架提高了对数据集不平衡性的处理能力,并改善了提取出特征的通用性;所提方法比AL+DCNN方法的F1 分数提升了2.96%,证明结合LSTM和多头注意力机制,能够有效提高GIS中局部放电故障的识别性能,在精度、召回率和F1分数指标上均取得了最好性能.这是因为所提方法通过结合LSTM与注意力网络实现了有效的性能互补,取得了优于其他先进方法的开关柜异常检测性能.结论 所提方法可以有效检测局部放电故障,有助于确保电力设备的长期稳定运行.