基于EEMD融合BAS-CNN的高压电缆故障诊断

来源：电子测量技术杂志2022年第4期北京时间：

作者：肖旰，周莉，李敬兆，刘泽朝，张珂

单位：安徽理工大学电气与信息工程学院 淮南 232000

摘要：针对高压电缆故障复杂程度高，实时监测成本过高的问题，提出一种基于集合经验模态分解（EEMD）和天牛须搜索算法优化卷积神经网络（CNN）的组合诊断方法。将电缆护层电流数据经EEMD分解为若干个本征模态分量（IMF），结合相关系数选取与原信号相关度最大的分量，作为CNN网络的输入。为了提高网络模型的分类精度，使用天牛须算法（BAS）优化CNN诊断模型的超参数。以淮南某煤矿高压电缆电流数据为例，实验结果表明，EEMD有效的将电流信号进行分解，所设计的BAS-CNN网络与2组人为确定CNN超参数的网络对比，BAS-CNN具有最高的分类精度，监测准确率达到96.95%。

关键词：护层电流;EEMD;BAS-CNN;故障检测

基金资助：国家自然科学基金项目（51874010，61170060）；北京理工大学高精尖机器人开放性研究项目（2018IRS16）；物联网关键技术研究创新团队(201950ZX003)资助