文献类型：期刊文章

作　　者：胡从强[1] 曲娜[1] 张帅[1] 冮震[1]

HU Congqiang;QU Na;ZHANG Shuai;GANG Zhen(School of Safety Engineering,Shenyang Aerospace University,Shenyang 110136,Liaoning Province,China)

机构地区：[1]沈阳航空航天大学安全工程学院,辽宁省沈阳市110136

出　　处：《电网技术》

基　　金：国家自然科学基金项目(61901283)。

年　　份：2023

卷　　号：47

期　　号：5

起止页码：1897-1904

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视觉能力,提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先,使用连续小波变换提取电流信号特征信息,并转化为图像特征。其次,对提取到的图像特征进行数据增强和灰度化处理,并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后,构建了Attention-DRSN电弧故障检测模型,并采用K-折交叉验证方法对数据集进行划分,验证了所提方法的有效性。实验结果表明,该检测方法对串联电弧故障具有较高的检测精度,平均检测准确率为98.52%,对未来电弧故障检测装置设计具有重要的借鉴意义。

关 键 词：注意力机制  深度残差收缩网络  连续小波变换 PCA特征提取重构  串联电弧故障  

分 类 号：TM721]