典型文献
基于多通道卷积双向长短时记忆网络的输电线故障分类
文献摘要：
针对单通道故障分类器不能全面表达三相故障特征信息引起分类精度不高的问题,提出了一种基于多通道卷积双向长短时记忆神经网络(MCCNN-BiLSTM)的输电线故障分类方法.该方法可同时输入故障三相信号,并能有效提取故障信号的空间和时间特征,实现了三相故障信号特征的全面提取,有效地提高了神经网络的分类的精度.基于735 kV三相串联补偿输电线模型大量故障数据分析,对三相故障电压信号不采用任何特征提取算法,仅截取故障周期的三相电压幅值数据作为基本故障特征信号输入.仿真实验结果表明:该网络能快速准确地分类识别11种故障,并且不易受故障时刻、过度电阻等因素的影响,具有良好的鲁棒性和适应性.
文献关键词：
输电线;多通道卷积神经网络;双向长短时记忆神经网络;故障分类
中图分类号：
作者姓名：
沈银;席燕辉;陈子璇
作者机构：
长沙理工大学电气与信息工程学院,湖南 长沙 410004
文献出处：
引用格式：
[1]沈银;席燕辉;陈子璇-.基于多通道卷积双向长短时记忆网络的输电线故障分类)[J].电力系统保护与控制,2022(03):114-120
A类：
MCCNN
B类：
双向长短时记忆网络,输电线,单通道,故障分类器,故障特征,特征信息,分类精度,双向长短时记忆神经网络,BiLSTM,分类方法,相信,有效提取,故障信号,空间和时,时间特征,信号特征,kV,串联补偿,线模,故障数据分析,电压信号,特征提取算法,截取,三相电压,电压幅值,特征信号,快速准确,分类识别,多通道卷积神经网络
AB值：
0.276788
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
