基于TCNN-MADLSTM的全并联AT牵引网多元信号融合故障定位

摘要：

全并联AT牵引供电系统上下行线路并入自耦变压器,致使故障信号多路径传播,且牵引网导线阻抗不连续,传统方法很难实现牵引网故障准确定位.基于AT牵引网结构,推导牵引网上下行导线故障电流幅值与故障距离的非线性关系;基于改进的卷积神经网络(Transformer-based CNN,TCNN)和记忆注意力解耦长短期记忆神经网络(Memory Attended Decoupled LSTM,MADLSTM),通过增加注意力机制和残差连接,增强多导线电流幅值与故障距离的非线性函数关系,从而提高牵引网故障定位的精度;将前述方法与传统的卷积神经网络(CNN)和长短期记忆神经网络(LSTM)进行不同噪声条件下的对比验证.结果表明:基于TCNN+MADLSTM算法进行故障定位时,可自适应构建故障距离与多导线电流幅值的非线性函数关系,以及自适应计算故障距离,无须考虑波速影响;相较于传统的CNN+LSTM算法,TCNN+MADLSTM算法故障定位精度更高,故障区段识别精度可达100％,故障定位精度达72.100 m,均方误差为0.016 km2.

关键词：全并联AT牵引供电系统、故障定位、改进的卷积神经网络、记忆注意力解耦长短期记忆神经网络

所属期刊栏目：44

分类号：U226.5(电气化铁路)

资助基金：国家自然科学基金51467004

在线出版日期：2023-08-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：206-218