基于深度学习的输电线路雷击过电压识别方法
杨智博
王嘉琛
东北电力大学 电气工程学院,吉林 吉林 132012
摘要：[目的]强雷电活动区域的输电线路运行时易遭雷击,同塔双回线路因结构紧凑、电磁耦合效应显著,雷击故障率一直偏高.现有防雷措施多依赖统计经验,无法有效区别绕击、反击等不同类型的雷击故障,难以实现精准防护,导致线路跳闸事故仍时有发生,严重威胁电网安全稳定运行.为此,本文提出一种基于深度学习的雷击故障识别方法,可实现绕击与反击的高精度自动识别,为输电线路的差异化防雷设计及运行维护提供有效的技术支撑.[方法]采用电磁暂态仿真软件ATP-EMTP,构建220 kV同塔双回输电线路雷击故障仿真模型,获取不同雷电流幅值、接地电阻条件下的过电压响应数据.针对雷击信号的非平稳性及模态混叠问题,引入集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法,通过加入高斯白噪声抑制模态混叠,提取前4 阶本征模态函数(intrinsic mode function,IMF)以保留主要特征成分.随后采用频率切片小波变换(frequency slice wavelet transform,FSWT)计算多频段能量比,并与雷电流幅值、接地电阻共同构建多维特征集.在分类模型方面,提出CNN-LSTM-Attention深度学习架构:利用CNN提取空间特征,通过LSTM捕捉时序依赖特征,借助Attention机制聚焦关键信息,从而实现复杂信号特征的有效融合与识别.[结果]实验结果表明,本文方法在绕击与反击识别任务中表现优异.模型整体识别准确率达98.6%,查准率与查全率均超过98.5%,F1 分数最低为0.99.与SVM、CNN等基准模型相比,该方法在识别精度上具有明显优势.10 次独立对照实验结果显示,模型平均准确率达到99.7%,方差为0.00093,充分验证了该模型的稳定性和可靠性.[结论]基于EEMD-FSWT特征提取与CNN-LSTM-Attention融合模型的雷击故障识别方法,能有效表征同塔双回输电线路雷击信号的时频特性,实现绕击与反击的高精度区分.该方法不仅提升了故障诊断的准确性和实时性,更为电网差异化防雷策略的制定提供了重要数据支持.研究成果对降低输电线路雷击跳闸事故率、保障电力系统安全稳定运行具有重要工程应用价值与良好推广前景.
关键词：双回输电线路雷电绕击与反击识别集合经验模态分解频率切片小波变换CNN-LSTM-Attention模型能量比特征ATP-EMTP仿真故障诊断
分类号：TM732(输配电工程、电力网及电力系统)
资助基金：吉林省自然科学基金面上项目(20230101340JC)
论文发表日期：2026-01-25
在线出版日期：2026-03-17（本平台首次上网日期，不代表文献的发表时间）
页数：10( 19-28 )
英文信息