基于特高频和CNN-LSTM-Attention算法的高压电缆故障诊断方法

随着高压电缆的加速发展和老化,由局部放电(partial discharge, PD)引起的故障问题亟须解决。为此,提出了一种基于特高频(UHF)局放技术与CNN-LSTM-Attention算法的高压电缆故障在线智能诊断方法。首先,对高压电缆的PD产生机理,以及UHF局放技术的实现过程进行描述。其次,利用巴特沃斯(Butterworth)对PD信号进行高通滤波,采用小波变换对信号进行去噪,IPLR算法对PD信号进行降维处理,进而实现特征量的准确提取。最后,建立由CNN-LSTM-Attention算法构成的智能诊断模型。模型中卷积层(CNN)提取轮廓特征,长短期记忆层(LSTM)提取信号时序特征,注意力层(Attention)学习信号重要时序部分。通过实际数据仿真表明：相比传统神经网络方法,CNN-LSTM-Attention神经网络检测方法能够准确识别高采样率的异常放电信号特征,且故障识别准确率明显提高。     

基于自适应线性神经元的高压电缆状态监测及故障定位方法研究

高压电缆的早期故障往往是由电应力过大和电缆老化造成的。如果这种故障在短时间内以电流尖峰的形式出现,则可能出现永久性故障。为了检测高压电缆中的早期故障,提出了一种基于累积和算法以及自适应线性神经元的监测策略,从而检测单相瞬变和区分早期故障。累积和算法对噪声具有鲁棒性。在仿真中对所提出的方法进行测试,结果显示所提出方法可实现高精度和高速故障定位,验证了其有效性。