基于复合电流特征与时序窗口建模的智能电网多故障分类方法

《Algorithms》:Robust Deep Learning for Multiclass Power System Fault Diagnosis Using Edge Deployment Rakesh Sahu, Pratap Kumar Panigrahi, Deepak Kumar Lal, Rudranarayan Pradhan and Chandrakanta Mahanty

【字体: 大 中 小 】 时间:2026年04月13日 来源:Algorithms 2.1

编辑推荐:

  研究人员提出了一种面向智能电网的多故障检测与分类方法,通过提取三相电流信号的复合特征并结合时序窗口建模,实现了对正常工况及多种故障类型的高效识别。该方法首先基于三相电流信号计算相电流差值(differential current)、三相电流之和(summati

  
研究人员提出了一种面向智能电网的多故障检测与分类方法,通过提取三相电流信号的复合特征并结合时序窗口建模,实现了对正常工况及多种故障类型的高效识别。该方法首先基于三相电流信号计算相电流差值(differential current)、三相电流之和(summation current)及总电流幅值(resultant current magnitude),形成包含8个特征的特征向量;随后采用固定长度的时间窗口将连续特征序列分段,以捕捉故障发生过程中的暂态特性。研究人员设计了一种轻量化的一维卷积神经网络(1D CNN)模型,在RTDS(Real-Time Digital Simulator)仿真环境及实际硬件平台上完成了模型训练与验证。实验结果表明,该方法的整体分类准确率达到96.15%,在噪声干扰及动态负载条件下仍保持较高鲁棒性。此外,研究人员将训练后的模型部署于Raspberry Pi 5边缘计算设备,结合NodeMCU ESP32实现实时数据采集与推理,验证了其在资源受限环境下的可行性。该研究有效结合了特征工程与时序建模优势,为智能电网的实时监测与保护提供了一种高效、低延迟的解决方案。
研究背景方面,现代电力系统对可靠性与安全性的要求不断提高,传统故障检测方法在应对复杂多故障场景时存在响应速度慢、准确性不足等问题,尤其在实时边缘计算环境下难以兼顾精度与效率。因此,研究人员亟需开发一种能够同时处理多种故障类型、适应动态工况并支持实时部署的智能检测方法。
关键技术方法上,研究人员首先在RTDS仿真平台构建了包含正常、LG、LL、LLG及LLL五种工况的数据集,通过特征提取获得相电流、差分电流、总和电流及幅值特征,并利用时序窗口技术形成输入序列;随后设计了包含多层卷积、池化及全连接层的1D CNN模型,采用Adam优化器与交叉熵损失函数进行训练;最终在Raspberry Pi 5与ESP32硬件平台上完成模型部署与实时测试。
研究结果部分,在特征提取与建模中,研究人员通过复合电流特征显著提升了故障敏感性,时序窗口有效捕捉了暂态变化规律。性能评估显示,模型在测试集上准确率达96.15%,LL、LLG及LLL故障实现完全正确分类,仅正常与LG工况存在少量混淆。鲁棒性分析中,模型在高斯噪声(方差0.15)及低信噪比(5 dB)条件下分别保持94.12%与89.1%的F1分数,且对故障电阻变化具有良好适应性。混淆矩阵分析进一步证实,误分类主要源于正常与LG工况的电流波形相似性。波形分析表明,故障状态下电流幅值与相位失衡特征明显,为分类提供了可靠依据。实时硬件测试中,系统在Raspberry Pi 5上单样本推理时间约3.97 ms,LCD与终端输出均验证了实时检测的准确性。计算性能分析指出,模型参数量约237万,TensorFlow Lite格式下仅占9.07 MB内存,适合边缘部署。与现有方法对比,本研究首次在RTDS仿真与实际硬件环境中同步验证了深度学习模型的实用性与实时性。
讨论与结论部分,研究人员指出该方法成功解决了传统方案在实时性与多故障识别精度上的局限,通过特征工程与时序建模的结合,在边缘设备上实现了接近仿真环境的分类性能。未来工作将探索分布式混合边缘学习架构(如CoCFL与Hybrid Zone)以提升全局扩展性,并进一步在公开数据集上验证CNN-LSTM及Transformer等模型的适用性。该研究为智能电网的实时监测与保护提供了一种可扩展、低成本的实用化技术路径。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号