基于TrellisNet和注意力机制的电力设备故障检测模型

来源：南京信息工程大学学报·自然科学版杂志2024年第6期北京时间：

作者：罗金满，叶思琪，王海彬，黎玉青，封祐钧

单位：罗金满,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,叶思琪,广东电网有限责任公司 东莞供电局信息中心, 东莞, 523120,王海彬,南京信息工程大学 软件学院, 南京, 210044,黎玉青,广东电网有限责任公司 东莞供电局物流服务中心, 东莞, 523120,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

摘要：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.

关键词：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

基金资助：南方电网公司信息化重点项目(031900HK42200008);江苏省自然科学基金(BK20171458)