Page 69 - 电力与能源2024年第四期

周 平，等：基于 CNN-LSTM 模型的绝缘架空导线局部放电识别研究 463

取数据序列信息能力的加强，CNN，BiLSTM 等
深度学习模型的准确度得到一定程度的提高。在
对比算法中，除 FNN 外，其余深度学习算法对正
常类型数据的检测准确度均更高，一方面原因是
PD 活动的类型多样，检测难度较大，另一方面原
因是数据集中正常类型的数据占比接近 90.39%，

训练得到的神经网络模型的分类结果往往倾向多
数类。 图 7 BiLSTM 分类结果可视化
表 1 算法准确性比较 %
算法 Non PD PD 准确度平均值
MLP 68.80 65.30 67.05
SVM 76.00 74.67 75.34
FNN 80.80 84.00 82.40
CNN 85.60 82.67 84.14
BiLSTM 89.60 88.00 88.80
CNN LSTM 90.44 90.33 90.39
图 8 CNN-LSTM 分类结果可视化
使 用 T-SNE 算 法 分 别 对 各 个 对 比 算 法 在
学习模型在检测与识别 PD 活动能力上的提升。
ENET 整体数据集上的分类结果进行可视化，结
5 结语
果如图 5~图 8 所示。
本 文 提 出 了 一 种 基 于 CNN-LSTM 模 型 的
PD 活动检测方法，该方法针对采集数据中存在大
量背景噪声的问题，将降噪后的数据作为 CNN 的

输入，完成对历史绝缘导线电压数据序列特征的
提取，利用 LSTM 网络对所提特征进行动态时序
建模，完成 PD 活动检测。与 MLP，FNN，SVM，
CNN，BiLSTM 等模型相比，本文所提出的检测
图 5 FNN 分类结果可视化 模型能够获得更高的 PD 活动检测精度且准确度

标准差最小，这表明本文所提的算法具有优异的
检测性能和良好的稳健性，也具有更广泛的实际
应用潜力。制约本文所提模型准确度进一步提高
的部分原因是数据类型之间存在严重的不均衡问
题，未来可对消除数据集间不均衡的问题进行研
究。同时，还可以研究该方法与其他检测方法相

图 6 CNN 分类结果可视化 结合，进一步提高 PD 活动检测模型的普适性和处
由 图 5~图 8 可 见 ，对 于 传 统 的 机 器 学 习 模 理大规模数据的能力，从而提升其实际应用价值。
型，由于其提取特征能力有限，导致 ENET 数据集 参考文献：

上的 PD 活动与非 PD 活动界限模糊，分类结果较 ［1］ HASHMI G，LEHTONEN M，NORDMAN M. Model⁃

ing and experimental verification of on-line PD detection in
差。随着提取和表达特征能力的提升，深度学习
.
MV covered-conductor overhead networks ［J］ IEEE
模型的分类结果相较于传统模型，有了较大的提
Transactions on Dielectrics and Electrical Insulation，2010，

升，不同类别之间的界限更加清晰，这反映了深度 17（1）：167–180.