A deterioration classification framework for insulators using metaheuristic optimization and hybrid machine learning

Phuong Nguyen Thanh

doi:10.1007/s12530-026-09851-9

2026-06-30

PRE

Phuong Nguyen Thanh *

DOI：10.1007/s12530-026-09851-9

原文链接

原文求助

摘要

En 中文

高压绝缘体必须具有高度可靠性，因为故障可能导致电力传输网络中的严重运行问题和安全风险。本研究提出了一种基于元启发式优化算法和BiGRU-CNN深度学习模型的15 kV绝缘体退化分类框架。所提出的混合方法结合了双向门控循环单元（BiGRU）和卷积神经网络（CNN），以有效捕捉环境数据中的时间依赖性，在采用改进粒子群优化（IPSO）方法优化超参数时表现出更优的性能和更高的准确性。实验分析基于在真实现场条件下从15 kV聚合物绝缘体收集的环境和运行参数的全面数据集。通过多种评估指标，对所提出的IPSO-BiGRU-CNNs与其他最先进的深度学习技术（包括RNN、CNN、GRU、LSTM、BiRNN、BiGRU和CNN-BiGRU模型）的性能进行了全面比较分析。通过集成IPSO算法进行超参数调优，进一步提高了模型的性能。最显著的改进包括BCE提高23.28%、验证BCE提高19.26%、CP提高7.23%、验证CP提高11.54%、MAE提高24.72%、验证MAE提高22.62%、MSE提高26.28%、验证MSE提高21.98%、PRE提高5.61%、验证PRE提高5.89%、REC提高5.05%和验证REC提高5.88%。实验结果表明，IPSO-BiGRU-CNNs在准确性和可靠性方面显著优于其他模型，使其成为高压绝缘体状态监测和预测性维护的强大而高效的选择。

Keyword:

Bidirectional gated recurrent unit

Convolutional neural network

Insulator deteriorative classification

15 kV high-voltage insulators

Hyperparameter optimization

Improved particle swarm optimization

期刊

Evolving Systems

IF:

2.7

论文数:

243

被引数:

1.2K

机构

Faculty of Electrical and Electronic Engineering

学者数:

论文数: 3

被引数: 0

引用论文

Recent advances in convolutional neural networks 卷积神经网络的最新进展

PATTERN RECOGNITION

IF7.6

2018-05-01

3.8K

OAAI

Gu, Jiuxiang; Wang, Zhenhua; Kuen, Jason; Ma, Lianyang; Shahroudy, Amir; Shuai, Bing; Liu, Ting; Wang, Xingxing; Wang, Gang; Cai, Jianfei; Chen, Tsuhan

Convolutional neural networks: an overview and application in radiology 卷积神经网络: 概述及其在放射学中的应用

INSIGHTS INTO IMAGING

IF4.5

2018-06-22

2.3K

OAAI

Yamashita, Rikiya; Nishio, Mizuho; Do, Richard Kinh Gian; Togashi, Kaori

Contamination degree prediction of insulator surface based on exploratory factor analysis-least square support vector machine combined model

HIGH VOLTAGE

IF4.9

2020-11-03