.png){kind=icon}
返回
Improved 1DCNN arc detection algorithm for DC microgrid based on PSO-MRFO
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae024b.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
直流微电网中的电弧故障很容易升级为严重事故，例如火灾和其他危险灾害。因此，对直流电弧故障进行深入研究并及时检测是极其必要的。在电弧故障检测中，通常使用基于人工智能的检测技术。然而，该技术存在两个主要局限性，即缺乏多样的电弧电流数据以及超参数的优化不足。这些局限性可能导致电弧检测精度不足。最终，直流微电网中的电弧故障无法得到及时准确的检测。为解决此问题，本文提出了一种使用一维卷积神经网络（1DCNN）的电弧故障检测方法，并通过混合粒子群优化和蝠鲼觅食优化（PSO-MRFO）算法进行优化。首先，在广泛的运行条件下获取原始直流电弧故障数据，以丰富1DCNN的训练样本多样性，并采用Tsfresh库提取的电弧特征来丰富输入特征空间。其次，为显著提升1DCNN的性能，将粒子群优化（PSO）的快速局部搜索能力与蝠鲼觅食优化（MRFO）的强大全局探索能力相结合，并辅以局部最优逃逸机制，构建混合PSO-MRFO算法。通过概率机制动态选择PSO或MRFO来更新粒子位置，同时采用滚动觅食策略主动避免局部最优。实验结果表明，PSO-MRFO算法在全局搜索能力和收敛速度方面均优于其组成算法。此外，经PSO-MRFO优化的1DCNN在检测性能上显著超越其他替代模型。
Keyword:
1DCNN
series arc fault detection
PSO
MRFO
期刊
E
IF:
1.6
论文数:
2.1K
被引数:
0
机构
引用论文
Unknown Input Observer-Based Series DC Arc Fault Detection in DC Microgrids基于未知输入观测器的直流微网串联直流电弧故障检测
OAAI
OAAI分享收藏Advancing Electric Vehicle Charging Ecosystems With Intelligent Control of DC Microgrid Stability以直流微电网稳定性智能控制推进电动汽车充电生态系统OAAI
OAAI分享收藏Arc_EffNet: A Novel Series Arc Fault Detection Method Based on Lightweight Neural Network.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容