基于深度学习的牵引网短路电流辨识方法研究

来源：机械与电子杂志2025年第11期北京时间：

作者：李喆;李向学;马贵荣;白亚栋;常宇健

单位：1. 国能朔黄铁路发展有限责任公司,山西 原平 034100 ;

摘要：为解决牵引网传统保护装置因难以辨识远端故障电流与列车最大负荷电流导致的误判问题,提出一种融合卷积神经网络( CNN )、双向长短期记忆网络( BiLSTM )和多头注意力机制( MHA )的模型。构建了空间 时序 频谱三阶段特征学习框架:首先利用 CNN 同步提取负荷电流的宽频谐波与故障电流的高频暂态分量;其次采用 BiLSTM 建模故障电流的双向传播时延特性;最后引入 MHA 模块,通过多模态特征融合与动态权值分配,自适应重构特征空间,有效解耦负荷平稳特征与故障冲击特征,并抑制谐波分量与随机噪声干扰。实验结果表明:在 TR / FR 短路故障下,分类准确率达到 98.73% ;在 30~100 dB 噪声环境下,准确率保持在 93.11% 及以上,为牵引网智能保护提供了一种兼具高精度与实时性的解决方案。

关键词：牵引网;短路电流辨识;卷积神经网络;双向长短期记忆网络;多头注意力机制

基金资助：国能朔黄铁路发展有限责任公司科研课题( SHTL-24-32 )