科研之友
微信
新浪微博
Facebook
分享链接
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。
- 单位
