基于参数优化VMD-CBAM-BiLSTM的低压电气线路超温异常状态诱因辨识方法

潘红光; 张靖荷; 李利; 李方伟

doi:10.12404/j.issn.1671-1815.2505814

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (13) :5531-5540 DOI: 10.12404/j.issn.1671-1815.2505814

电工技术

基于参数优化VMD-CBAM-BiLSTM的低压电气线路超温异常状态诱因辨识方法

潘红光 ¹ ,
张靖荷 ¹ ,
李利 ¹ ,
李方伟 ²

作者信息 +

Parameter-optimized VMD-CBAM-BiLSTM Based Identification Method for Overheating Anomaly Causes in Low-voltage Electrical Lines

Author information +

文章历史 +

摘要

在低压电气线路中过载、谐波、非周期扰动以及直流分量等异常电流状况频发,这些异常情况是导致电气线路温升的主要诱因,进而增加了电气线路发生火灾的风险。为实现低压电气线路超温异常状态诱因的精准辨识,提出一种基于融合参数优化变分模态分解(variational mode decomposition, VMD)、卷积块注意力模块(convolutional block attention module, CBAM)、双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)的辨识方法。该方法采用金豺优化算法(golden jackal optimization, GJO)优化VMD关键参数,对电流信号进行多模态分解,并从最相关的本征模态函数(intrinsic mode functions, IMFs)中提取多维熵特征,构建时序特征数据集;同时引入CBAM模块增强对异常关联特征的响应,提升BiLSTM对复杂扰动下时序特征的建模能力,最终实现对4种低压电气线路超温异常状态诱因的精确分类。实验结果表明:诱因辨识准确率达到95.87%,显著优于LSTM、BiLSTM、CNN-LSTM以及极限梯度提升算法(extreme gradient boosting, XGBoost)4种主流模型,具有较强的分类性能与鲁棒性。可见该研究为电气线路火灾隐患的早期预警提供了有效的技术路径,具有良好的实际应用前景。

Abstract

Abnormal current conditions such as overload, harmonics, non-periodic disturbances, and direct current (DC) components frequently occur in low-voltage electrical lines. These anomalies are the primary causes of temperature rise in conductors, significantly increasing the risk of electrical fires. To achieve accurate identification of overheating causes in low-voltage lines, a method integrating parameter-optimized variational mode decomposition (VMD) with a bidirectional long short-term memory (BiLSTM) enhanced by the convolutional block attention module (CBAM) was proposed. The golden jackal optimization (GJO) algorithm was employed to jointly optimize the key parameters of VMD for multi-modal decomposition of current signals. Multi-dimensional entropy features were subsequently extracted from the most relevant intrinsic mode functions (IMFs) to construct a time-series feature dataset. The CBAM module was incorporated to enhance the model’s sensitivity to relevant abnormal features, improving the BiLSTM’s capability to model time-series patterns under complex disturbances. Experimental results demonstrate that the proposed method achieves an identification accuracy of 95.87%, significantly outperforming four mainstream models: LSTM, BiLSTM, CNN-LSTM, and extreme gradient boosting (XGBoost). This confirms the superior classification performance and robustness of the method. It is concluded that the study provides an effective technical path for early warning of electrical fire hazards and shows promising potential for practical applications.

Graphical abstract

关键词

电气线路 / 超温诱因 / 金豺优化算法 / BiLSTM / CBAM

Key words

electrical lines / overheating cause / golden jackal optimization / BiLSTM / CBAM

引用本文

引用格式 ▾

潘红光, 张靖荷, 李利, 李方伟. 基于参数优化VMD-CBAM-BiLSTM的低压电气线路超温异常状态诱因辨识方法[J]. 科学技术与工程, 2026, 26(13): 5531-5540 DOI:10.12404/j.issn.1671-1815.2505814

PAN Hong-guang, ZHANG Jing-he, LI Li, LI Fang-wei. Parameter-optimized VMD-CBAM-BiLSTM Based Identification Method for Overheating Anomaly Causes in Low-voltage Electrical Lines[J]. Science Technology and Engineering, 2026, 26(13): 5531-5540 DOI:10.12404/j.issn.1671-1815.2505814

登录浏览全文

4963

注册一个新账户忘记密码

随着电力系统的不断发展,低压电气线路在保障电能安全、稳定输送方面发挥着至关重要的作用^[1]。据应急管理部消防救援局最新统计,2024年全国电气火灾事故占总火灾事故的42.3%,其中低压电气线路故障引发的火灾占比高达65%,造成直接经济损失超过50亿元。传统保护装置存在显著的技术缺陷,如热磁断路器对谐波电流的识别准确率不足60%,对复合故障的响应时间普遍超过120 s,难以满足现代电气线路对安全防护的需求。然而随着分布式能源和电力电子设备的广泛应用,线路中过载、谐波、非周期扰动、直流分量等超温异常状态诱因特征日益突出,而电气线路在异常状态长期作用下会引发导体发热、绝缘退化,最终导致故障乃至火灾^[2]。因此,实现低压电气线路超温异常诱因的早期精准辨识对提升电气线路火灾预防能力及电网安全性具有重要意义。

异常电流作为反映电气线路潜在故障的重要信号,已成为学界和工程界研究的重点^[3]。Wang等^[4]采用时间序列去噪自动编码器的统计学方法来提取有区别的高维特征来表示数据点,方法简单且计算效率较高,但由于高度依赖数据分布假设,面对非平稳、多噪声环境时鲁棒性不足,容易出现误报和漏报。随着深度学习的发展,丁茜等^[5]使用支持向量机(support vector machines, SVM)和随机森林(random forest, RF)对异常问题进行分类,然而其对特征工程依赖较大,限制了模型的泛化能力;周平等^[6]提出一种基于卷积神经网络(convolutional neural network, CNN)和长短期记忆网络(long short-term memory, LSTM)的局部放电模式识别模型,从CNN模型中捕获学习到隐层特征,将其输入LSTM模型,该方法充分利用了时序特征,显著提升了异常分类的精度。但这些模型在处理多种异常耦合的复杂工况时,往往难以聚焦关键特征,导致辨识性能下降^[7]。

此外,在信号预处理和特征提取方面,变分模态分解(variational mode decomposition, VMD)因其良好的自适应分解能力受到广泛关注。然而VMD分解效果受模态数和惩罚因子的影响,通常很难根据经验选择最优参数组合^[8]。为了优化VMD参数,文献[9]使用基于峰值频谱聚类和中心频率的方法确定了模式数和惩罚因子最优范围,但该方法依赖于预先设定的聚类阈值,且对噪声较为敏感,导致参数选取的稳定性和准确性不足。康永红等^[10]基于信噪比(signal-to-noise ratio, SNR)准则对VMD参数进行自适应优化,在一定程度上提升了信号分解效果的稳定性与精度,但该方法在复杂工况或高噪声信号情况下,模式数选择仍依赖经验,优化结果的自适应性有限。伍忠东等^[11]提出基于改进VMD与双树复小波变换(dual-tree complex wavelet transform, DTCWT)的局部放电信号去噪方法,通过峭度值准则和阈值优化实现信号降噪和特征保真,但在不同信号类型和参数设置下仍需手动调整阈值,参数依赖性较强。

针对上述问题,现聚焦于低压电气线路中产生过载、谐波、非周期扰动和直流分量4种超温异常状态诱因及其组合的辨识研究,提出一种基于参数优化VMD-BiLSTM结合CBAM注意力机制的诱因辨识方法。该方法首先采用基于金豺优化算法(golden jackal optimization, GJO)优化VMD关键参数,然后对电流信号进行模态分解,并计算功率谱熵、排列熵与模糊熵多维特征,构建多维特征数据集;随后引入通道与空间维度联合的CBAM模块对特征进行动态加权,引导BiLSTM网络重点关注与异常状态关联性强的关键特征信息,增强模型对复杂时序电流数据的辨识能力。研究结果将对提升电气线路火灾预防能力具有重要意义,具有较强的工程应用潜力。

1 低压电气线路数据采集和分析

1.1 实验平台

为采集低压电气线路早期超温异常状态诱因数据,搭建实验平台。该平台主要由谐波电流源、通用电子负载、2.5 mm²实验电气线路、电流传感器和PC终端组成。其设计目的是采集不同诱因条件下的电流信号,为后续特征提取、诱因辨识提供数据支持。为确保实验数据具有工程代表性,平台的异常诱因配置参考了实际低压配电系统中常见的典型工况:电流过载通常与大功率负载集中接入或持续超额运行有关;谐波畸变主要来源于变频调速器、整流装置等非线性电力电子设备;非周期扰动常与电焊机及大型感性负载的冲击式启停行为相关;直流分量一般与整流链路不平衡或相关故障有关。上述工况在居民楼、商业建筑及中小型工业现场均较为普遍,且平台的电流量程与负载配置与实际场景保持一致,因此采集的数据能够较为真实地反映电气线路中的潜在超温异常诱因。实验平台如图1所示。

1.2 电气参量数据采集

电气线路中的超温异常状态越严重,电流信号的变化越显著,其频率成分也会发生相应变化。因此,本文研究通过安装电流传感器来采集连续的电流信号,实验电气线路额定电流为25 A,长度为2 m。详细步骤如下。

(1)参数配置。在数据采集过程中,供电电压固定为220 V,环境温度维持在约25 ℃,电流传感器的灵敏度为1 mV/A。

(2)实验设计。考虑到过载、谐波、非周期扰动和直流分量对线路的影响:采集1.1~1.6倍过载的电流数据;设置峰峰值28 A非周期扰动电流数据:设计包含不同含量、比例的奇次谐波和偶次谐波的谐波电流数据;引入0.1~3 A直流分量。实验设计及其场景标签设置如表1所示。

(3)电流数据采集。电流信号采样率为10 kHz,并以0.4 s为间隔采集数据。在电路运行的初始阶段,平台在正常条件下运行,负载稳定且散热良好,采集1 000组数据作为代表正常运行的样本;其次,基于4种类型的超温异常状态及其组合情况得到15种不同的异常场景,采用间隔采样方法,每种场景条件采集200组数据。

图2展示了电气线路在正常场景和4种超温诱因下异常场景及其组合情况下采集到的电流波形。尽管这些异常状态在波形表现上存在一定差异,但仍存在特征重叠或变化微弱的情况,仅依赖原始电流信号难以实现准确辨识。因此,有必要进一步从电流数据中提取更具代表性和区分性的特征,为诱因辨识提供数据特征支撑。

2 VMD-CBAM-BiLSTM电气线路超温异常状态诱因辨识模型

设计了一种基于参数优化VMD-BiLSTM结合注意力机制的诱因辨识模型。如图3所示,该模型主要包括3个阶段:数据获取、特征提取与模型训练/识别。首先,针对每组时序电流数据,利用GJO优化VMD方法提取得到多尺度本征模态函数(intrinsic mode functions, IMFs)分量,并从关键IMF分量中提取功率谱熵、排列熵和模糊熵特征,构建了多维特征数据集。其次为增强特征之间的表达能力在BiLSTM网络前引入了CBAM注意力模块。经过注意力增强的特征被输入BiLSTM网络,以同时捕捉电流序列在时间上的前向与后向依赖关系,从而提升模型对电气线路超温异常状态诱因的辨识能力。最终,使用全连接层与Softmax函数实现对4种超温异常状态诱因的辨识。

2.1 基于参数优化VMD的多维特征提取

2.1.1 VMD算法原理

VMD是一种自适应、完全非递归的模态变分和信号处理的方法,其自适应性表现在根据实际情况确定所给序列的模态分解数量,随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽,并且可以实现IMF的有效分离、信号的频域划分,进而得到给定信号的有效分量,最终获得变分问题的最优解^[12]。VMD模型表达式为

(1)

$\underset{\left\{{\mathit{u}}_{\mathit{k}}\right\},\left\{{\mathit{\omega }}_{\mathit{k}}\right\}}{\mathit{m}\mathit{i}\mathit{n}}\left(\sum _{\mathit{k}=1}^{\mathit{K}}{‖{\partial }_{\mathit{t}}\left\{\left[\mathit{\delta }\left(\mathit{t}\right)+\frac{\mathit{j}}{\mathit{\pi }\mathit{t}}\right]\mathit{*}{\mathit{u}}_{\mathit{k}}\left(\mathit{t}\right)\right\}{\mathit{e}}^{-\mathit{j}{\mathit{\omega }}_{\mathit{k}}\mathit{t}}‖}_{2}^{2}\right)$

(2)s.t.$\sum _{\mathit{k}=1}^{\mathit{k}}$u_k=f(t)

式中:K为分解过程中总模态数;{u_k}={u₁,u₂,…,u_k}为分解过程中IMF分量;{ω_k}={ω₁,ω₂,…,ω_k}为对应的中心频率;∂_t为梯度计算;t为时间;δ(t)为狄拉克函数;f(t)为输入信号;*表示卷积计算。

进一步,引入拉格朗日乘法算子λ(t)和二次惩罚因子a,目的是将原本含有约束条件的变分问题转化为无约束问题,简化求解过程。构造的增广拉格朗日函数如下。

(3)$\begin{array}{c} L\left(\left\{u_{k}\right\},\left\{\omega_{k}\right\}, \lambda\right)=a \sum_{k=1}^{K} \| \partial_{t}\left\{\left[\delta(t)+\frac{\mathrm{j}}{\pi t}\right] *\right. \\ \left.\boldsymbol{u}_{k}(t)\right\} \mathrm{e}^{-\mathrm{j} \omega_{k^{t}}}\left\|_{2}^{2}+\right\| \boldsymbol{f}(t)-\sum_{k=1}^{K} \boldsymbol{u}_{k}(t) \|_{2}^{2}+ \\ \left\langle\lambda(t), \boldsymbol{f}(t)-\sum_{k=1}^{K} \boldsymbol{u}_{k}(t)\right\rangle \end{array}$

之后确定惩罚因子a和分解模态数K,设置u_k、ω_k、λ的初始值。在第n次迭代过程中,依次更新各模态分量、中心频率以及拉格朗日乘子。

在频域中,第k个模态的更新公式为

(4)${\stackrel{\wedge }{\mathit{u}}}_{\mathit{k}}^{\mathit{n}+1}$(ω)=$\frac{\stackrel{\wedge }{\mathit{f}}\left(\mathit{\omega }\right)-{\sum }_{\mathit{i}\ne \mathit{k}}^{}{\stackrel{\wedge }{\mathit{u}}}_{\mathit{i}}\left(\mathit{\omega }\right)+\frac{\stackrel{\wedge }{\mathit{\lambda }}\left(\mathit{\omega }\right)}{2}}{1+2\mathit{a}(\mathit{\omega }-{\mathit{\omega }}_{\mathit{k}}{)}^{2}}$

在获得新的模态分量后,中心频率通过功率谱重心计算得

(5)${\mathit{\omega }}_{\mathit{k}}^{\mathit{n}+1}$=$\frac{{\int }_{0}^{\mathit{\infty }}\mathit{\omega }{\left|{\stackrel{\wedge }{\mathit{u}}}_{\mathit{k}}^{\mathit{n}+1}\left(\mathit{\omega }\right)\right|}^{2}\mathit{d}\mathit{\omega }}{{\int }_{0}^{\mathit{\infty }}{\left|{\stackrel{\wedge }{\mathit{u}}}_{\mathit{k}}^{\mathit{n}+1}\left(\mathit{\omega }\right)\right|}^{2}\mathit{d}\mathit{\omega }}$

随后更新拉格朗日乘子,其频域表达式为

(6)${\stackrel{\wedge }{\mathit{\lambda }}}^{\mathit{n}+1}$(ω)=${\stackrel{\wedge }{\mathit{\lambda }}}^{\mathit{n}}$(ω)+τ[$\stackrel{\wedge }{\mathit{f}}$(ω)-$\sum _{\mathit{k}=1}^{\mathit{K}}{\stackrel{\wedge }{\mathit{u}}}_{\mathit{k}}^{\mathit{n}+1}$(ω)]

式中:

${\stackrel{\wedge }{\mathit{u}}}_{\mathit{k}}^{\mathit{n}+1}$

(ω)、

$\stackrel{\wedge }{\mathit{f}}$

(ω)、

$\stackrel{\wedge }{\mathit{\lambda }}$

(ω)分别对应于

${\mathit{u}}_{\mathit{k}}^{\mathit{n}+1}$

(t)、f(t)、λ(t)的傅里叶变换;n为迭代次数;τ为噪声容忍度。其次,检测各IMF分量能否达到预设的误差精度ε的要求,其公式为

(7)$\sum _{\mathit{k}=1}^{\mathit{K}}\frac{={\stackrel{\wedge }{\mathit{u}}}_{\mathit{k}}^{\mathit{n}+1}-{\stackrel{\wedge }{\mathit{u}}}_{\mathit{k}}^{\mathit{n}}{=}_{2}^{2}}{={\stackrel{\wedge }{\mathit{u}}}_{\mathit{k}}^{\mathit{n}}{=}_{2}^{2}}$<ε

最后,若分解满足输出K个IMF,算法终止;否则继续迭代。

2.1.2 GJO优化VMD算法参数

GJO算法具有高寻优精度以及快速收敛特性^[13]。狩猎行为可以被划分为以下3个阶段:首先进行搜寻,确定并追踪猎物。然后稳步向猎物逼近。其次,实施包围,由两只豺狼协作将猎物团团围住,迫使猎物无法逃脱直至其静止不动。最后展开突袭,一旦猎物停止移动,便迅速扑向猎物,一举捕获。

利用GJO算法来确定VMD在分解线路电流时的K和a的值。设定金豺种群的大小为20,并且设定迭代寻优的次数为10次。其中,待优化的两个参数K和a的范围分别是[1,10]和[6,8 500]。GJO算法对VMD的两个参数进行优化,其结果如图4所示。

当运用GJO算法对VMD参数进行优化后,得到VMD算法中的两个关键参数:K=5和a=7 581。随后,利用标准VMD(K=3和a=2 000)和GJO-VMD算法分别对在谐波异常场景下的低压电气线路电流信号进行分解。

图5和图6展示了标准VMD与GJO优化VMD分解信号的时-频域特性。结果表明,采用GJO优化参数VMD方法后,电流信号被精确地分解为5个IMF分量,其频率分布呈现均匀特性,未出现模态混叠现象。因此,GJO-VMD方法能够实现有效且可靠的信号分解。

2.1.3 异常电流多维特征数据集构建

为确保提取的特征能准确反映信号异常,必须剔除噪声主导的IMF分量。采用皮尔逊相关系数法量化原始信号与各IMF分量之间的关联性,相关系数越高表明该IMF与原始信号关联越强,所含有效信息越丰富而噪声成分越少^[14]。计算公式为

(8)r=$\frac{\sum _{\mathit{i}=1}^{\mathit{C}}({\mathit{x}}_{\mathit{i}}-\overline{\mathit{x}}\left)\right({\mathit{y}}_{\mathit{i}}-\overline{\mathit{y}})}{\sqrt{\sum _{\mathit{i}=1}^{\mathit{C}}({\mathit{x}}_{\mathit{i}}{-\overline{\mathit{x}})}^{2}}\sqrt{\sum _{\mathit{i}=1}^{\mathit{C}}({\mathit{y}}_{\mathit{i}}{-\overline{\mathit{y}})}^{2}}}$

式(8)中:x_i为原始电信号;y_i为通过VMD提取的IMF分量;

$\overline{\mathit{x}}$

和

$\overline{\mathit{y}}$

分别为序列x和y的平均值;C为样本总数。

各IMF分量与原始电流信号之间的计算相关系数如表2所示。结果表明,IMF1、IMF2、IMF3的相关系数显著高于IMF4和IMF5,说明前3个IMF分量与原始电流波形相似度更高,且受噪声干扰较小。为进一步提升特征表征能力,过滤掉以噪声为主的IMF分量后,采用一种多特征提取策略,综合提取功率谱熵^[15]、排列熵^[16]与模糊熵^[17]3种基于熵的特征。功率谱熵反映频域能量分布,其值越低代表电气异常程度越高;排列熵能有效捕捉信号中的微小变化和动态突变,对早期异常具有较高敏感性;模糊熵用于度量信号波动的复杂性,能识别与异常相关的微小扰动。最终,从前3个优化后的IMF分量中提取上述特征,构建了一个4 000×9维的电气正常与异常状态多特征数据集。为了便于模型训练和评估,将80%的样本用于训练,剩余20%的样本用于测试。

2.2 基于CBAM-BiLSTM的诱因辨识

2.2.1 双向长短期记忆网络原理

LSTM是一种典型的循环神经网络结构,适用于处理具有时序依赖的序列数据^[18]。通过引入输入门、遗忘门和输出门机制,LSTM能有效控制信息流动,解决传统循环神经网络(recurrent neural network, RNN)中梯度消失或爆炸的问题,从而更好地捕捉长期依赖关系。在此基础上,BiLSTM进一步引入反向传播通道,如图7所示。

BiLSTM通过引入双向信息流使模型在处理当前时刻信号特征时,能够同时整合电气信号的历史演变与未来趋势,有效提升对异常诱因的动态感知能力^[19]。这种结构不仅增强了模型对关键时序特征的捕捉能力,也提高了其在复杂电气线路超温异常状态诱因辨识任务中的建模深度与鲁棒性。

2.2.2 CBAM注意力机制原理

受人类视觉系统选择性注意机制的启发,深度学习中的注意力机制通过模拟生物神经系统的信息筛选特性,实现对关键特征的动态聚焦。CBAM旨在克服传统卷积神经网络在处理不同尺度、形状和方向信息时的局限性^[20]。为此,CBAM引入了两种注意力机制:通道注意力和空间注意力。其整体结构如图8所示。

(1)通道注意力模块:通过最大池化与平均池化并行提取通道统计特征,引导模型关注与目标任务相关的重要通道。通道注意力模块首先对输入特征图进行全局平均池化(global average pooling, GAP)和全局最大池化(global max pooling, GMP),分别获取每个通道的全局平均值和最大值,这两个池化操作的结果通过共享的全连接层(fully connected layer, FC)进行处理,生成通道注意力权重。

(2)空间注意力模块:基于通道聚合特征图利用卷积操作提取空间维度上的重要区域,进一步提升特征聚焦能力。具体而言,空间注意力模块首先对通道注意力模块的输出特征图进行通道池化,包括平均池化和最大池化。这两种池化方式分别对所有通道的特征图进行逐像素的平均和最大值提取,生成两个通道维度为1的特征图。将这两个特征图在通道维度上拼接后,通过一个卷积层进行处理,生成空间注意力权重。

2.2.3 CBAM-BiLSTM模型

为增强提取特征的表示能力,在BiLSTM层之前引入了CBAM注意力机制。CBAM通过通道注意力与空间注意力的联合作用,自适应地突出与电流异常相关的重要特征信息。经注意力机制增强后的特征被输入BiLSTM网络,从而在时间维度上同时建模前向与后向的依赖关系。CBAM-BiLSTM结构有效融合了空间与时间特征,有助于提升模型对低压电气线路超温异常状态诱因的精准辨识。

3 实验与性能分析

3.1 模型参数设置

模型中各模块的具体参数设置如表3所示,涵盖了注意力机制结构、BiLSTM层的神经元数量、Dropout比率及分类层设计等内容。采用Adam优化器进行模型训练,初始学习率设定为0.001,该值在多轮实验中展现出良好的收敛性和平衡的训练速度。所有参数均基于多组试验结果进行调优,最终配置在诱因辨识任务中表现出最佳的分类精度与鲁棒性。

3.2 辨识结果与分析

为评估GJO-VMD-CBAM-BiLSTM模型的训练稳定性与分类性能,绘制了其训练损失曲线及测试混淆矩阵。从图9可以看出,模型在训练初期的损失函数下降较快,随后逐渐趋于稳定,表明模型收敛良好且未出现明显的过拟合现象。并且如图10所示的混淆矩阵显示,模型在大多数类别上的分类准确率较高,尤其是在过载、谐波等单诱因分类时,并且整体准确率达到95.87%。

3.2.1 对比实验及结果分析

为验证所提方法的有效性,选取了4种当前主流的对比模型,包括LSTM、BiLSTM、CNN-LSTM和极限梯度提升算法(extreme gradient boosting, XGBoost)。LSTM通过引入遗忘门、输入门与输出门机制,有效缓解了传统RNN在长序列建模中存在的梯度消失问题,能够较好捕捉电流信号中的时序依赖关系;BiLSTM在此基础上进一步融合了前向与后向信息流,有助于获取更完整的时间特征;CNN-LSTM利用卷积层提取局部特征,再由LSTM进行序列建模,适用于同时具有局部模式与时序性的电流信号;XGBoost则具备强大的非线性建模和特征选择能力,常用于复杂场景下的分类任务。将上述模型与所提出的GJO-VMD-CBAM-BiLSTM模型在测试集上进行对比实验,结果如表4所示。

实验结果表明,GJO-VMD-CBAM-BiLSTM模型在低压电气线路超温异常状态诱因辨识中表现优异,准确率达95.87%,F₁为95.18%,均显著优于对比模型。相比次优的CNN-LSTM模型,准确率提升2.7%,推理时间缩短0.3 ms,实现了精度与效率的良好平衡。该模型96.03%的召回率表明其具备出色的异常分类能力,验证了其在辨识任务中的性能优势。

3.2.2 消融实验及结果分析

为评估各模块对模型辨识效果的影响,开展了消融实验,对比不同模型结构在4种电气线路超温异常状态诱因数据测试集中的性能表现。实验结果如表5所示。

实验结果表明,基础模型BiLSTM在不引入任何预处理和注意力机制的情况下,已具备一定的时序特征学习能力,准确率达到86.25%。在此基础上引入VMD分解后,信号的特征质量得以提升,准确率提高至87.25%。进一步加入CBAM注意力机制,使模型能聚焦于更关键的时序模式,准确率提升至91.37%。将GJO算法用于优化VMD分解,即使不使用CBAM,模型准确率也提升至88.87%,说明高质量分解能有效增强特征表达。最终,融合GJO优化、VMD分解、CBAM模块和BiLSTM结构的完整模型取得95.87%的最高准确率,验证了三者协同作用下模型辨识性能最佳。

4 结论

围绕低压电气线路中常见的过载、谐波、非周期扰动及直流分量等异常电流状态,提出了一种融合参数优化VMD与CBAM-BiLSTM模型的超温诱因辨识方法。通过系统实验与对比分析,得到以下结论。

(1)采用GJO算法有效提升了VMD分解参数选择的全局最优性与特征提取的区分能力,所构建的功率谱熵、排列熵与模糊熵等多维特征数据集能够全面刻画电流信号中的复杂扰动模式。

(2)引入CBAM注意力机制显著增强了BiLSTM模型对异常电流多模态的选择性表达与时序建模能力,使模型能够更敏感地捕获异常电流特征中的关键差异,从而进一步提升诱因辨识的精度与鲁棒性。

(3)所构建的基于GJO-VMD与CBAM-BiLSTM的辨识模型对4种超温异常状态诱因分类准确率达到95.87%,并能够在线路超温早期演化阶段实现稳定判别,从而显著提升预警提前量。未来,将扩展数据集至三相不平衡与中性线状态等更复杂工况,并在真实工业环境中开展验证,以进一步提升模型的稳健性、泛化能力和工程适用性。此外,将模型与线路温度预测相结合,可为温度监测系统提供详细线路诱因数据,减少超温警报的处理工作量,提高预警精度,从而增强电气线路的安全性和可靠性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	唐丹, 吴浩, 蔡源, 等. 基于改进深度残差收缩网络的电缆早期故障识别[J]. 科学技术与工程, 2024, 24(28): 12159-12168.

[2]	Tang Dan, Wu Hao, Cai Yuan, et al. Early fault identification of cables based on improved deep residual shrinkage network[J]. Science Technology and Engineering, 2024, 24(28): 12159-12168.

[3]	Deng J, Lin Q, Li Y, et al. Effect of overload current values on the fire characteristics of polyethylene (PE) copper wires[J]. Journal of Thermal Analysis and Calorimetry, 2023, 148(21): 11695-11705.

[4]	Amariya D, Thakkar A. A comprehensive survey of anomaly detection algorithms[J]. Annals of Data Science, 2023, 10(3): 829-850.

[5]	Wang F J, Li R, Wang H, et al. TS-PADM: anomaly detection model of wireless sensors based on spatial-temporal feature points[J]. Wireless Communications and Mobile Computing, 2021, 2021(1): 6656498.

[6]	丁茜, 赵晓东, 吴鑫俊, 等. 基于RBF核的多分类SVM滑塌易发性评价模型[J]. 中国安全科学学报, 2022, 32(3): 194-200.

[7]	Ding Qian, Zhao Xiaodong, Wu Xinjun, et al. Landslide susceptibility assessment model based on multi-class SVM with RBF kernel[J]. China Safety Science Journal, 2022, 32(3): 194-200.

[8]	周平, 徐梓源, 周楠, 等. 基于CNN-LSTM模型的绝缘架空导线局部放电识别研究[J]. 电力与能源, 2024, 45(4): 460-464.

[9]	Zhou Ping, Xu Ziyuan, Zhou Nan, et al. Research on partial discharge recognition of insulated overhead conductors based on CNN-LSTM model[J]. Power and Energy, 2024, 45(4): 460-464.

[10]	刘维, 刘辉. 改进变分模态分解-多尺度排列熵结合广义回归神经网络的高压直流输电线路故障辨识[J]. 科学技术与工程, 2022, 22(1): 211-219.

[11]	Liu Wei, Liu Hui. High voltage direct current transmission lines fault identification method based on improved VMD-MPE and general regression neural network[J]. Science Technology and Engineering, 2022, 22(1): 211-219.

[12]	万佳诚, 曾宪文, 李靖超. 基于参数优化VMD与宽卷积神经网络的齿轮箱故障诊断[J]. 电子测量技术, 2025, 48(10): 25-32.

[13]	Wan Jiacheng, Zeng Xianwen, Li Jingchao. Fault diagnosis for gearbox based on parameter optimization VMD combined with wide convolutional neural network[J]. Electronic Measurement Technology, 2025, 48(10): 25-32.

[14]	Zhou Z, Chen W, Yang C. Adaptive range selection for parameter optimization of VMD algorithm in rolling bearing fault diagnosis under strong background noise[J]. Journal of Mechanical Science and Technology, 2023, 37: 5759-5773.

[15]	康永红, 贺小星. SNR优化VMD-LSTM海洋环境参数长时序混合预测新模型[J]. 测绘科学, 2025, 50(10): 1-8.

[16]	Kang Yonghong, He Xiaoxing. A new model for long-term mixed prediction of marine environmental parameters using SNR optimized VMD-LSTM[J]. Science of Surveying and Mapping, 2025, 50(10): 1-8.

[17]	伍忠东, 王鹏波, 汤春阳, 等. 基于优化VMD-DTCWT的局放信号去噪方法[J]. 兰州交通大学学报, 2025, 44(5): 42-49.

[18]	Wu Zhongdong, Wang Pengbo, Tang Chunyang, et al. Denoising method for partial discharge signals based on optimized VMD-DTCWT[J]. Journal of Lanzhou Jiaotong University, 2025, 44(5): 42-49.

[19]	周照翔, 占春连. 基于优化VMD与斜率熵的目标辐射噪声特征提取方法[J]. 科学技术与工程, 2024, 24(28): 12188-12199.

[20]	Zhou Zhaoxiang, Zhan Chunlian. Feature extraction method for target radiated noise based on optimized VMD and slope entropy[J]. Science Technology and Engineering, 2024, 24(28): 12188-12199.

[21]	纪京生, 周莉, 马向阳. VMD结合小波包信息熵和GJO-SVM的电机轴承故障诊断[J]. 现代制造工程, 2024(2): 128-136.

[22]	Ji Jingsheng, Zhou Li, Ma Xiangyang. VMD combined with wavelet packet information entropy and GJO-SVM for motor bearing fault diagnosis[J]. Modern Manufacturing Engineering, 2024(2): 128-136.

[23]	Li S, Zhu X, Zhou D. Power quality disturbance signal denoising and detection based on improved DBO-VMD combined with wavelet thresholding[J]. Electric Power Systems Research, 2025, 238: 111193.

[24]	Wu N, Peng M, Wang J, et al. Research on voltage-current type series arc fault detection method based on composite multi-scale entropy[J]. Electric Power Systems Research, 2025, 242: 111445.

[25]	Li Y, Li J, Chen S. A new multi-domain entropy signal classification method[J]. Applied Acoustics, 2025, 231: 110521.

[26]	Liu S, Li X. New fuzzy entropy via class-consistent technology with applications to attribute reduction for heterogeneous data[J]. Journal of Supercomputing, 2025, 81(1): 167.

[27]	王宏伟, 孙文磊, 张小栋, 等. 基于优化VMD复合多尺度散布熵及LSTM的风力发电机齿轮箱故障诊断方法研究[J]. 太阳能学报, 2022, 43(4): 288-295.

[28]	Wang Hongwei, Sun Wenlei, Zhang Xiaodong, et al. Fault diagnosis method of wind turbine’s gearbox based on composite multiscale dispersion entropy of optimised VMD and LSTM[J]. Acta Energiae Solaris Sinica, 2022, 43(4): 288-295.

[29]	董绍江, 李洋, 梁天, 等. 基于CNN-BiLSTM的滚动轴承变工况故障诊断方法[J]. 振动、测试与诊断, 2022, 42(5): 1009-1016.

[30]	Dong Shaojiang, Li Yang, Liang Tian, et al. Fault diagnosis method of rolling bearing based on CNN-BiLSTM under variable working conditions[J]. Journal of Vibration, Measurement and Diagnosis, 2022, 42(5): 1009-1016.

[31]	巩炫麟, 陶庆, 苏娜, 等. 基于CNN-CBAM-LSTM的稳态视觉诱发电位脑电信号识别方法[J]. 科学技术与工程, 2025, 25(10): 4175-4182.

[32]	Gong Xuanlin, Tao Qing, Su Na, et al. A recognition method for steady-state visual evoked potential EEG signals based on CNN-CBAM-LSTM[J]. Science Technology and Engineering, 2025, 25(10): 4175-4182.

基金资助

国家重点研发计划(2023YFC3009800)

陕西省教育厅科学研究计划(23JK0152)

PDF (13308KB)

访问

被引

详细

导航

Received	Published	Revised
2025-07-31	2026-05-08	2025-11-26
Online Date
2026-08-06

摘要