LSTM-CNN网络在同步电机励磁绕组匝间短路故障预警中的应用

发布时间：2021-03-22 20:13

　　人工智能与电力系统的结合日渐紧密,深度学习在实现电网智能化中起到了重要的作用。为了实现隐极同步电机励磁绕组匝间短路早期故障的在线预警,提出一种基于LSTM-CNN的神经网络预测模型。模型以同步电机正常运行时多个可测量物理量和励磁电流为网络输入、输出,利用历史数据进行网络训练,并根据拟合输入量与输出量之间的函数关系确定故障预警阈值。以相同的实验数据训练相同层数的LSTM网络、CNN网络与LSTM-CNN网络,结果证明LSTM-CNN网络在训练速度和拟合精度上的综合表现最佳。 

【文章来源】：华北电力大学学报(自然科学版). 2020,47(04)北大核心

【文章页数】：10 页

【部分图文】：

LSTM原理图

CNN由多层感知机演变而来，隶属于前馈神经网络。CNN所具有局部连接和权值共享的特性，使得该网络需要的参数更少，进而降低了模型的复杂度，提高了训练速度。CNN由若干个卷积层(Convolution Layer,CL)，池化层(Pooling Layer,PL)和全连接层(Fully Connected Layer,FCL)组成。其中，CL和PL的数目不固定，存在多种排列方式，如CL与PL交替排列或多层CL叠加一个PL。根据对输入数据的处理方式不同，CNN可以分为一维CNN、二维CNN和三维CNN。一维CNN的网络输入为三维结构(样本个数，与过去相关时刻，特征维数)，其原理如图3所示。

一维卷积神经网络原理图

【参考文献】：
期刊论文
[1]基于LSTM算法的电力谐波监测数据预测[J]. 刘启斌,尹温硕,胡卫华,陶顺.  电力电容器与无功补偿. 2019(05)
[2]深度学习在电机故障诊断中的应用研究[J]. 王惠中,贺珂珂,房理想.  计算机仿真. 2019(10)
[3]基于深度学习的永磁同步电机故障诊断方法[J]. 张周磊,李垣江,李梦含,魏海峰.  计算机应用与软件. 2019(10)
[4]基于多源信息融合的同步发电机转子绕组匝间短路故障识别[J]. 李永刚,王罗,李俊卿,马明晗.  电力系统自动化. 2019(16)
[5]基于一维卷积神经网络的电力系统暂态稳定评估[J]. 高昆仑,杨帅,刘思言,李向伟.  电力系统自动化. 2019(12)
[6]基于GBDT的电力计量设备故障预测[J]. 刘金硕,刘必为,张密,刘卿.  计算机科学. 2019(S1)
[7]人工智能在电力系统暂态问题中的应用综述[J]. 汤奕,崔晗,李峰,王琦.  中国电机工程学报. 2019(01)
[8]核电四极汽轮发电机转子典型故障温度场分析[J]. 马明晗,武玉才,李永刚.  哈尔滨工程大学学报. 2019(05)
[9]水轮发电机励磁绕组匝间短路转子温度场计算[J]. 李俊卿,王罗,李永刚.  华北电力大学学报(自然科学版). 2018(04)
[10]基于连续小波变换和卷积神经网络的无刷直流电机故障诊断[J]. 王骁贤,张保华,陆思良.  机械与电子. 2018(06)

博士论文
[1]大型发电机励磁绕组匝间短路故障的在线监测与定位[D]. 张广韬.北京交通大学 2018



本文编号：3094406