基于LSTM神经网络的漏缆故障定位算法

作者：高文笃; 刘太君^*; 吴绍精; 叶焱; 许高明; 谢晋雄

来源：数据通信, 2022, (03): 45-49.

• 神经网络
• 漏缆监测
• 长短期记忆网络(LSTM)
• 时频域反射法(TFDR)

泄漏电缆会随着使用时间而老化导致传输性能下降，加之人为因素也会造成电缆受损，因此迫切需要对漏缆故障进行在线监测和故障高精度定位。本文提出了一种基于长短期记忆网络(long short-term memory, LSTM)的漏缆故障定位神经网络模型，该模型以时频域反射法(time-frequency domain reflectometry,TFDR)作为实验信号获取数据集，以LSTM网络增强对特征的提取。首先通过对漏缆进行等效电路建模实现数据集的获取，解决了数据来源少、模型训练困难的问题，以TFDR信号作为实验信号，特征更加丰富，并使用LSTM提取时频信号的特征。采用仿真数据与实际数据对模型进行验证测试。实验结果表明，该模型在故障定位上表现良好，定位误差优于TFDR、卷积神经网络(Convolutional Neural Networks, CNN)和全连接神经网络(fully connected neural network, FCN)。

• 单位
  深圳市检验检疫科学研究院; 宁波大学