基于CNN-LSTM的海底电缆故障识别方法

• 作者: 闫循平 丛贇 李渊 孙璐 国网浙江省电力有限公司舟山供电公司
• 来源期刊: 海洋技术学报
• 学科: 地球科学
• 关键词: 故障识别;CNN-LSTM;海缆故障;深度学习
• 年，卷（期）: 2025,（6）
• 页码范围: 68-76
• 页数: 9页
• 语种: 中文

摘要

海底电缆在电能传输和跨洋通信中扮演着重要的角色，而海缆故障识别技术则是确保电力系统和通信系统稳定运行的关键。传统的海缆故障识别方法主要依赖人工经验，存在识别精度差效、识别率低下的问题。为此，本文提出了一种基于卷积神经网络（Convolutional Neural Networks,CNN）长短期记忆网络（Long Short Term Memory,LSTM）级联网络的故障识别方法，以解决这一问题。该方法将故障的海缆磁场数据作为输入，通过CNN对故障进行浅层特征提取，再利用LSTM对深层故障特征进行提取，从而实现对海缆常见故障类型（内芯部分断路、铠装层脱落和内芯劣化）的精准识别。为了验证该方法的优势，本文还基于CNN-LSTM网络模型与单一CNN网络模型和单一LSTM网络模型进行对比。实验结果表明：三种网络模型均具有良好的收敛特性，但是基于CNN-LSTM网络的识别准确率高达98.75%，比单一CNN网络准确率高11.86%，比单一LSTM网络准确率高17.75%，该方法在海缆故障识别方面具有一定的应用前景。