基于改进VMD-CNN电缆短路电流预测研究

作     者：李练兵 代亮亮 李静鹏 李光杰 杨鹏伟 

作者机构：国网山东省电力公司沂水县供电公司 国网冀北电力有限公司张家口供电公司 河北工业大学电气工程学院(国家重点实验室) 

出 版 物：《中国测试》 (China Measurement & Test)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：河北省省级科技计划资助(20312102D) 

主　　题：短路预测 变分模态分解 信号滤波 卷积神经网络 注意力机制 

摘      要：电力系统日趋复杂，电缆短路电流由于夹杂着不同的噪声分量使数据预测与提取变得更加困难。卷积神经网络（CNN）作为一个可以识别二维形状的多层感知器，可以提取并识别短路电流，但是短路电流中的非周期分量较多，非线性度强，会使识别时间长，误差较大。传统的经验模态分析（EMD）数据信号预处理方法已不适用于这种复杂的场景，而注意力机制（SE）会降低内部信号的综合性，形成局部最优。所以文章提出一种改进的变分模态分解（VMD）的方法可有效分离无关信号，实现固有信号的模态分量（IMF）的精确提取，并对最终提取出来的信号滤波，减少噪声干扰，且不会减少数据的信息。将提取出来的IMF分量之和作为卷积网络（CNN）的输入，有效提高识别的精度，减少冗余时间。最后分析电缆短路层漏电的原因，将改进的VMD-CNN方法运用到具体的电缆短路的场景中。根据实验结果表明，所提出改进方法的效果远大于传统的EMD方法和SE注意力机制。