李潮静

低压配电系统安全稳定运行直接决定电力供应可靠性与电能质量，受多种因素影响，其故障特征呈现非线性、非平稳及耦合性，传统方法难以精准识别。本文开展基于深度学习的故障特征提取与分类研究，分析故障类型及特征演化规律，构建融合卷积神经网络与双向长短期记忆网络的模型，优化数据预处理流程，设计多尺度特征融合机制，通过理论案例验证方法有效性。结果表明，所提方法分类准确率达96.8%，较传统方法提升8.3%～11.7%，抗干扰能力强，可满足复杂工况下故障快速精准诊断需求，为低压配电系统智能运维提供支撑。

深度学习；低压配电；故障特征提取；故障分类；智能诊断

[1] 徐静.基于 VMD 特征增强及深度学习的复杂支路串联故障电弧检测研究[D].河南:河南理工大学,2022. [2] 南通大学.基于深度迁移学习的低压配电网单相接地故障选线方法：CN202510016488.5[P].2025-04-15. [3] 金娜.低压配电网常见故障及处理技术与方法探讨[J].消费电子,2025(21):170-172. [4] 方祖春.基于深度学习的小电流接地系统单相接地故障选线方法研究[D].湖北:湖北工业大学,2024. [5] 胡从强,曲娜,张帅,等.连续小波变换和具有注意力机制的深度残差收缩网络在低压串联电弧故障检测中的应用[J].电网技术,2023,47(5):1897-1904.

点击下载PDF