基于TrellisNet和注意力机制的电力设备故障检测模型OA北大核心CSTPCD
电力设备故障检测模型的性能受到多种因素的影响,如故障种类的多样性、故障特征的复杂性和图像质量的差异等.为此,本文提出一种基于TrellisNet和注意力机制的新型电力设备故障检测模型.首先,将长短期记忆(Long Short-Term Memory,LSTM)网络和卷积神经网络(Convolutional Neural Network,CNN)进行融合,构建LSTM-CNN来获取图片中的故障特征,以有效区分不同故障类型的特征,并减少噪声和干扰因素的影响.然后,将LSTM-CNN获得的特征数据作为输入,并将注意力机制嵌入到TrellisNet中,构建具有高分辨能力的AT-TrellisNet网络来检测不同电力设备的故障类型.最后,选取5种常见的电力设备故障进行模型验证.实验结果显示,本文模型与一些现有的检测模型相比,检测精确率较高,最高可达90%以上,可满足实际电力设备故障检测需求.
罗金满;叶思琪;王海彬;黎玉青;封祐钧
广东电网有限责任公司东莞供电局信息中心,东莞523120 广东电网有限责任公司东莞供电局物流服务中心,东莞523120广东电网有限责任公司东莞供电局信息中心,东莞523120南京信息工程大学软件学院,南京210044广东电网有限责任公司东莞供电局物流服务中心,东莞523120广东电网有限责任公司东莞供电局信息中心,东莞523120
计算机与自动化
故障检测TrellisNet长短期记忆网络卷积神经网络注意力机制图像识别
《南京信息工程大学学报》 2024 (6)
P.810-816,7
南方电网公司信息化重点项目(031900HK42200008)江苏省自然科学基金(BK20171458)。
评论