激光雷达和光学图像的联合处理技术用于配电
Liangshuai Liu1, Ze Chen2, Zhenfei Huo2
1State Grid Hebei Electric Power Research Institute, Shijiazhuang, 050000, Hebei, China. liuliangshuai214@163.com.
Scientific reports
|January 13, 2026
概括
一个新的多模深度特征混合深度学习模型 (MDF-HDL) 准确地使用各种数据识别电网故障. 这种先进的系统可以提高复杂电网中的故障管理效率和可靠性.
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:
- 传统的配电系统因不可预测的负载和复杂的故障传播而难以识别故障,导致错误报警和缓慢的响应时间.
- 现有的方法缺乏在现代复杂的电网环境中高效维护规划所需的精度.
研究的目的:
- 为配电网络开发先进的故障识别和定位系统.
- 通过提高准确性,减少响应时间和提高精度来克服传统系统的局限性.
主要方法:
- 多模式深度特征混合深度学习模型 (MDF-HDL) 集成LiDAR,光学图像和传感器数据,用于全面的故障识别.
- 深度学习层创建多式模式特征表示,通过卡尔曼过来增强特征融合.
- 用Adam算法优化的决策树可以完善分类结果,而GIS映射可以帮助精确地定位故障.
主要成果:
- 该MDF-HDL模型实现了高性能指标:98.91%的准确性,98.7%的精度,98.3%的回忆和98.5%的F1-score.
- 该系统展示了12.5毫秒的快速推断时间,表明了高效率.
- 地理信息系统映射集成促进了精确的故障识别,以有效地规划维护.
结论:
- 在复杂的电网环境中,MDF-HDL模型为故障管理提供了可靠和有效的解决方案.
- 通过利用多式联运数据和先进的算法,该系统在故障识别和本地化方面超越了传统的限制.
- 该模型的低计算复杂性和高精度使其成为现代化发电基础设施的宝贵工具.
