一个基于自适应集成分解和跨模式注意力融合的电网故障诊断框架
Jiangxun Liu1, Zhu Duan1, Hui Liu1
1Institute of Artificial Intelligence and Robotics (IAIR), Key Laboratory of Traffic Safety on Track of Ministry of Education, School of Traffic & Transportation Engineering, Central South University, Changsha 410075, Hunan, China.
概括
这项研究引入了一个新的深度学习框架,用于准确的电网故障诊断. 该方法通过整合多式联运数据来增强故障分类,在电力系统中实现高精度.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 在大型电力系统中,准确的故障诊断至关重要,但具有挑战性.
- 现有的方法在数据限制和从单模信号中提取足够的特征方面扎.
研究的目的:
- 通过深度学习开发用于电网故障诊断的先进框架.
- 通过利用多式联运数据和新的特征提取技术,克服现有方法的局限性.
主要方法:
- 提出了一个深度残余卷积神经网络 (DRCNN) 框架.
- 设计了一个综合信息值 (CIEV) 度量,结合了模糊 (FuzEn) 和相互近似 (MutEn).
- DRCNN和异质图形变压器 (HGT) 用于多模式特征提取,结合了交叉模式注意力融合 (CMAF) 机制.
主要成果:
- 拟议的方法在三相输电线数据集上实现了高诊断准确率99.4%,在VSB电力线数据集上达到99.0%.
- 与经典和最先进的故障诊断方法相比,该框架显示出更高的性能.
结论:
- 开发的基于DRCNN的框架有效地解决了电网故障诊断方面的挑战.
- 多式联网功能和先进的融合机制的整合大大提高了诊断的准确性和可靠性.
