基于多尺度卷积时序模型的局部放电现象检测

吉林大学学报(信息科学版) ›› 2023, Vol. 41 ›› Issue (1): 145-150.

基于多尺度卷积时序模型的局部放电现象检测

田旭¹ , 张桂红¹ , 李红霞¹ , 梁国勇¹ , 陈庆文² , 许广远³ , 王征³

(1. 国网青海省电力公司经济技术研究院, 西宁 810000;2. 中国电建集团西北勘测设计研究院有限公司, 西安 710065; 3. 天津大学智能与计算学部, 天津 300150)

收稿日期:2021-03-12 出版日期:2023-02-08 发布日期:2023-02-09
作者简介:田旭(1990— ), 男, 陕西长武人, 国网青海省电力公司工程师, 主要从事电力系统规划设计、新能源并网发电研究,(Tel)86-13897640106(E-mail)13897640106@ 163. com。

Partial Discharge Detection Based on Multi-Scale Convolution Time Series Model

TIAN Xu ¹ , ZHANG Guihong ¹ , LI Hongxia¹ , LIANG Guoyong ¹ , CHEN Qingwen ² , XU Guangyuan ³ , WANG Zheng ³

(1. Research Institute of Economy and Technology, Qinghai Electric Power Company, State Grid, Xining 810000, China; 2. Northwest Engineering Corporation Limited, China Power Construction Group, Xi'an 710065, China; 3. College of Intelligence and Computing, Tianjin University, Tianjin 300150, China)

Received:2021-03-12 Online:2023-02-08 Published:2023-02-09

摘要/Abstract

摘要： 为了能及时检测出高压电力线路在供电过程中发生的局部放电现象, 提出了一种用于局部放电现象检测的多尺度全卷积时序深度学习模型。其以从高压电力线路中收集的电力信号数据为基础, 使用多尺度全卷积时序模型进行训练, 并可根据训练得到的模型, 对未来的连续信号进行监视, 检测其是否产生了局部放电现象。实验结果表明, 该模型在所用数据集上具有较好的精确度。

关键词: 高压电力线路, 长短期记忆网络, 多尺度, 全卷积, 深度学习, 局部放电

Abstract: A multi-scale full-convolution timing model is proposed in order to detect the partial discharge phenomenon of high-voltage power lines in a timely manner. This method uses a multi-scale fully convolutional timing model to train the power signal data collected in high-voltage power lines. The trained model can be used to monitor the future continuous signal to detect whether it has a partial discharge phenomenon. The experimental results show that the model proposed has good accuracy on the used data set.

Key words: high-voltage power line, long short-term memory ( LSTM), multi-scale, full convolution, deep learning, partial discharge

中图分类号:

TP391. 41

田旭, 张桂红, 李红霞, 梁国勇, 陈庆文, 许广远, 王征. 基于多尺度卷积时序模型的局部放电现象检测[J]. 吉林大学学报(信息科学版), 2023, 41(1): 145-150.

TIAN Xu , ZHANG Guihong , LI Hongxia , LIANG Guoyong , CHEN Qingwen , XU Guangyuan , WANG Zheng . Partial Discharge Detection Based on Multi-Scale Convolution Time Series Model[J]. Journal of Jilin University (Information Science Edition), 2023, 41(1): 145-150.

[1]	葛延良, 孙笑笑, 王冬梅, 王肖肖, 谭爽. 基于循环生成对抗网络的人脸素描合成网络设计[J]. 吉林大学学报(信息科学版), 2023, 41(1): 76-83.
[2]	李晓峰 , 王妍玮 , 卫晋. 基于深度学习的三维乳腺超声影像自适应分割[J]. 吉林大学学报(信息科学版), 2023, 41(1): 84-92.
[3]	王玉, 张燕红, 周昱洲, 林鸿斌. 基于深度残差收缩网络的校园垃圾图像分类[J]. 吉林大学学报(信息科学版), 2023, 41(1): 186-192.
[4]	姜建国, 万成德, 陈鹏, 郭晓丽, 佟麟阁. 基于 1DCNN-LSTM 和迁移学习的短期电力负荷预测[J]. 吉林大学学报(信息科学版), 2023, 41(1): 124-130.
[5]	董添, 李广, 杨振宇, 张博, 于波, 王巍. 基于Transformer的电网企业文件密级分类系统[J]. 吉林大学学报(信息科学版), 2022, 40(6): 1039-1044.
[6]	赵杰, 郭东. 基于平行注意力机制的对抗样本防御方法[J]. 吉林大学学报(信息科学版), 2022, 40(5): 846-855.
[7]	李丁园, 李晓杰. 基于多尺度残差卷积自编码器的图像聚类方法[J]. 吉林大学学报(信息科学版), 2022, 40(4): 684-687.
[8]	杜睿山, 刘文豪, 孟令东, 付晓飞. 基于卷积神经网络的地震随机噪声压制方法[J]. 吉林大学学报(信息科学版), 2022, 40(4): 531-538.
[9]	王秀芳, 李月明 . 基于 MSDS-CNN 的滚动轴承故障诊断方法[J]. 吉林大学学报(信息科学版), 2022, 40(3): 354-361.
[10]	任爽, 田振川, 林光辉, 杨凯, 商继财. 改良 GoogLeNet 的电机滚动轴承故障诊断[J]. 吉林大学学报(信息科学版), 2022, 40(3): 371-378.
[11]	杨雨航, 刘铭, 王新民, 肖志成, 蒋扬. 基于 DenseNet 和迁移学习的乳腺癌图像识别[J]. 吉林大学学报(信息科学版), 2022, 40(2): 213-218.
[12]	董添, 李广, 杨振宇, 张博, 于波, 王巍. 基于 Transformer 的电网企业文件密点标注系统[J]. 吉林大学学报(信息科学版), 2021, 39(6): 720-725.
[13]	孙晖, 杨艾炯, 李康博, 孟浩楠, 牛立刚. 基于深度学习的眼角膜图像自动化分析研究[J]. 吉林大学学报(信息科学版), 2021, 39(5): 609-616.
[14]	石鑫鑫, 鱼昕, 刘铭. FCNN 深度学习模型及其在动物语音识别中的应用[J]. 吉林大学学报(信息科学版), 2021, 39(1): 60-65.
[15]	王玉, 王梦佳, 张伟红. 基于 CNN 和 Group Normalization 的校园垃圾图像分类[J]. 吉林大学学报(信息科学版), 2020, 38(6): 744-750.