基于多尺度卷积时序模型的局部放电现象检测  

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

作　　者：田旭 张桂红 李红霞 梁国勇 陈庆文 许广远 王征[3] TIAN Xu;ZHANG Guihong;LI Hongxia;LIANG Guoyong;CHEN Qingwen;XU Guangyuan;WANG Zheng(Research Institute of Economy and Technology,Qinghai Electric Power Company,State Grid,Xining 810000,China;Northwest Engineering Corporation Limited,China Power Construction Group,Xi'an 710065,China;College of Intelligence and Computing,Tianjin University,Tianjin 300150,China)

机构地区：[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

出　　处：《吉林大学学报（信息科学版）》2023年第1期145-150,共6页Journal of Jilin University（Information Science Edition）

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。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.

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 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术]