电力科学与技术学报2023，Vol.38Issue(5) ：150-158.DOI:10.19781/j.issn.1673-9140.2023.05.015

基于RF特征优选的AEA-ResNet柱上断路器运行状态诊断

Operation status diagnosis of pole-mounted breakers based on RF feature optimization and AEA-ResNet

钟伟 杨欢红 赵恒亮 陈秉淞 陈荣 张雪强
电力科学与技术学报2023，Vol.38Issue(5) ：150-158.DOI:10.19781/j.issn.1673-9140.2023.05.015
✕
  • NETL
  • NSTL
  • 万方数据

基于RF特征优选的AEA-ResNet柱上断路器运行状态诊断

Operation status diagnosis of pole-mounted breakers based on RF feature optimization and AEA-ResNet

钟伟 1杨欢红 2赵恒亮 1陈秉淞 1陈荣 1张雪强1
扫码查看

作者信息

  • 1. 国网浙江义乌市供电有限公司,浙江义乌 322000
  • 2. 上海电力大学电气工程学院,上海 200090
  • 折叠

摘要

为实现柱上断路器运行状态的智能高效诊断,提出一种基于随机森林(random forest,RF)的特征优选算法,并利用遗传模拟退火算法(annealing evolution algorithm,AEA)优化残差神经网络(residual neural network,ResNet),实现设备状态的智能预测.首先构建包含22维特征的断路器运行状态数据库,通过RF算法计算各特征的重要度指标,并通过序列反向搜索的方式保留11维特征作为后续模型的输入.然后,利用AEA算法对ResNet的网络结构进行迭代优化,识别最优参数用于模型预测.最后,仿真结果表明,RF算法可有效避免特征冗余,提高模型的预测性能.与传统预测模型相比,AEA-ResNet模型可以显著提升预测准确率,尤其在少数类样本的召回率和精度方面优势明显.

关键词

柱上断路器/状态诊断/随机森林/遗传模拟退火算法/残差网络算法

Key words

pole-mounted breaker/status diagnosis/random forest/annealing evolution algorithm/residual neural network

引用本文复制引用

基金项目

国家自然科学基金(51777119)

出版年

2023
电力科学与技术学报
长沙理工大学

电力科学与技术学报

CSTPCDCSCD北大核心
影响因子：0.85
ISSN：1673-9140
参考文献量20
段落导航相关论文