基于LSTM-TCN的综采工作面顶板压力预测

顶板压力预测大多都使用1台液压支架的压力数据,缺乏相邻支架的压力相关性,基于相邻多台液压支架信息融合的LSTM-TCN模型预测一支架下一时刻的压力值。实验结果表明,该模型相比LSTM和TCN单支架预测模型,RMSE压力误差分别减小了12.3%和13.4%,MAE压力误差减小了10.3%和26.6%。

基于LSTM网络的矿山压力时空混合预测

矿山压力失衡引起的顶板事故是矿山重大事故之一,超前感知综采工作面矿山压力的变化对保证煤层安全高效具有重要意义。为了提高矿压预测准确性,文中提出了一种基于LSTM网络的时空混合预测模型。该模型采用两个独立的LSTM网络分别提取采空区侧和支架移架侧的压力特征,然后将得到的数据通过全连接层融合,从而实现对矿压的共同预测。文中以MSE和MAE来评估基于LSTM的时空混合模型的预测效果,实验结果表明MSE和MAE分别下降了24.49%和35.24%,说明基于LSTM的时空混合预测模型优于传统LSTM预测模型,且时空混合模型预测方法较传统模型具有更高的可靠性和准确性,能够实现工作面推进过程中对矿压变化的有效预测。

基于AlexNet深度学习网络的串联故障电弧检测方法

在家用交流供配电系统中,接触松动等原因可能会导致故障电弧的发生,威胁用电系统的安全。线路发生串联故障电弧时的电流基本与正常运行时的电流大小一致,具有很强的隐蔽性。对此,首次提出用深度学习检测电流信号的方法来检测串联故障电弧,该方法只需将电流信号输入深度学习网络,由网络自主挖掘隐含在电流信号数据背后的特征,实现对串联故障电弧的识别。搭建实验平台,并用开关模拟发生正常电弧,分别采集电阻性负载、电感性负载和阻感性负载正常运行和发生串联故障电弧时的电流数据共7 200组。构建AlexNet卷积神经网络并做相应改进,用采集到的数据训练网络并测试,结果显示辨识平均准确率在85%以上,表明该方法能够较好的实现对串联故障电弧的检测。

基于小波特征及深度学习的故障电弧检测

由线路绝缘层老化破损、电气接触不良等原因产生的串联故障电弧严重威胁着低压配电系统的电力安全。其电流小、温度高、隐蔽性强等特点更是给检测和识别带来了困难。基于此,提出一种基于小波特征及深度学习的串联故障电弧检测方法。通过搭建串联故障电弧实验平台,采集了典型阻性、阻感性、感性负载下的电流信号,对电流信号进行小波变换构造了训练集和测试集,通过改进的AlexNet模型识别故障电弧并输出检测结果。实验结果表明,采用该方法进行串联故障电弧识别的准确率约为95.58%,比利用AlexNet模型要高出约10.58%。

基于深度长短时记忆网络的多支路串联故障电弧检测方法

针对低压配电系统中,实际配电网负载端的负载串并联形式的多样化和多变性特点,研究干路点检测支路发生的故障电弧具有十分明显的实际意义,提出了一种基于深度长短时记忆(LSTM)网络的多支路串联故障电弧检测方法。首先,构建实验平台,采集支路发生不同串联故障情况下的干路电流信号共计72000组;然后,将电流信号分为训练集和测试集;最后,通过Python平台优化深度LSTM网络模型结构以识别故障电弧,并输出检测结果。实验结果显示改进的LSTM网络对于每组实验单独分类检测准确率最低为96.8%,最高可达99.0%,多组实验统一进行检测准确率达94.88%。该方法能够有效识别多支路负载下的串联故障电弧,为低压串联故障电弧的准确检测提供了新的思路和有益探索。

基于CNN_LSTM模型的复杂支路故障电弧检测

在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用以采集不同负载在不同支路下发生故障时和正常工作时的干路电流数据;然后,构建CNN_LSTM模型并做出相应改进,将电流数据直接输入到模型中,由模型自主提取波形特征并进行分类。研究结果表明:该方法可以快速、准确地识别出电弧故障,准确率达99.04%以上,且能够较为准确地检测出是哪类负载所在的支路发生电弧故障,准确率达97.90%,可为复杂支路下的电弧故障识别研究提供参考。

绝对值激活深度神经网络的串联故障电弧检测

串联故障电弧具有隐蔽性和随机性,发生时线路电流波形受负载类型的影响而具有复杂性,检测难度大,严重威胁用电系统安全。鉴于电流数据具有大量负值的特点,提出用绝对值函数作为激活函数改进AlexNet深度学习网络检测串联故障电弧,并分析了激活函数特性对串联故障电弧检测效果的影响。把实验采集的三类负载分别在正常和发生串联故障电弧状态下的共7200组电流数据制作成训练集和测试集,并分别对使用四种激活函数的AlexNet网络进行训练和测试。实验结果显示,ELU激活的网络最高检测正确率为95.5%;而绝对值激活的网络效果最好,其平均检测正确率最高为97.25%,最低为93%,比ReLU激活的AlexNet网络最高88.75%的平均准确率高出最少4.25个百分点;而使用Sigmoid函数的网络不收敛。分析结果表明线性的激活数据特征有助于提高网络的检测准确率。

低压交流串联故障电弧检测概述

在低压交流配电线路中,故障电弧是造成电气火灾的主要原因,给电力系统运行带来很大的安全隐患。为保护用电安全,介绍了故障电弧类型,分析了串联故障电弧的检测难点及其在配电线路中的电流波形特征;叙述了以电弧数学模型、电弧物理特征、电弧电流/电压波形为依据的检测方法各自具有的优势和不足;列举了几个国内外故障电弧检测专利,并分析了其在实际应用中存在的缺点;探讨了低压串联故障电弧检测方法的未来发展方向,进一步研究基于多特征信息融合、深度学习、自适应保护的高精度辨识算法。