Detecting Arcing Faults in Switchgear by Using Deep Learning Techniques

doi:10.3390/app13074617

Detecting Arcing Faults in Switchgear by Using Deep Learning Techniques

2023-04-05

0

OA

AI

DOI：10.3390/app13074617

原文链接

原文求助

摘要

En 中文

开关设备和控制设备易受电弧问题的影响，这些问题源于缓慢发展的缺陷，如局部放电、电弧以及连接故障引起的过热。这些问题现在可以通过现代技术进行检测和监控。本研究旨在探讨深度学习技术（具体包括1D-CNN模型、LSTM模型和1D-CNN-LSTM模型）在检测开关设备电弧问题方面的有效性。混合模型1D-CNN-LSTM因其同时在时域和频域表现出卓越性能，成为开关设备故障检测的首选模型，能够分析电弧事件期间产生的声波。为评估算法的有效性，进行了实验以定位开关设备中的电弧故障，并进行了性能的时域和频域分析。1D-CNN-LSTM模型在训练、验证和测试阶段均证明是区分电弧与非电弧情况的最有效模型。时域分析（TDA）显示，1D-CNN在训练、验证和测试阶段区分电弧与非电弧案例的成功率分别为99%、100%和98.4%；LSTM分别为99%、100%和98.4%；1D-CNN-LSTM分别为100%、100%和100%。此外，频域分析（FDA）也显示出1D-CNN在训练、验证和测试阶段的高准确率分别为100%、100%和95.8%；LSTM分别为100%、100%和95.8%；1D-CNN-LSTM分别为100%、100%和100%。因此，可以得出结论：开发的算法，特别是1D-CNN-LSTM模型在时域和频域中，能够有效识别开关设备中的电弧故障，为监测和检测开关设备及控制设备系统的故障提供了一种高效且有效的方法。

Detecting Arcing Faults in Switchgear by Using Deep Learning Techniques

摘要

期刊

机构

引用论文