[1]李喆,李向学,马贵荣,等.基于深度学习的牵引网短路电流辨识方法研究[J].机械与电子,2025,(11):54-60.
　LI Zhe,LI Xiangxue,MA Guirong,et al.Research on Deep Learning-based Short-circuit Current Identification Method for Traction Network[J].Machinery & Electronics,2025,(11):54-60.
点击复制

基于深度学习的牵引网短路电流辨识方法研究()

分享到：

《机械与电子》[ISSN:1001-2257/CN:52-1052/TH]

Title:: Research on Deep Learning-based Short-circuit Current Identification Method for Traction Network

作者:: 李喆 ¹; 李向学 ¹ ; 马贵荣 ¹ ; 白亚栋 ² ; 常宇健 ²; 1. 国能朔黄铁路发展有限责任公司,山西原平 034100 ;
2. 石家庄铁道大学电气与电子工程学院,河北石家庄 050043

Author(s):: LI Zhe¹ ; LI Xiangxue¹ ; MA Guirong¹ ; BAI Yadong² ; CHANG Yujian²; ( 1.Guoneng Shuohuang Railway Development Co. , Ltd. , Yuanping 034100 , China ;
2.School of Electrical and Electronic Engineering , Shijiazhuang Tiedao University , Shijiazhuang 050043 , China )

Keywords:: traction network ; fault current identification ; CNN ; BiLSTM ; MHA

摘要:: 为解决牵引网传统保护装置因难以辨识远端故障电流与列车最大负荷电流导致的误判问题,提出一种融合卷积神经网络( CNN )、双向长短期记忆网络( BiLSTM )和多头注意力机制( MHA )的模型。构建了空间时序频谱三阶段特征学习框架:首先利用 CNN 同步提取负荷电流的宽频谐波与故障电流的高频暂态分量;其次采用 BiLSTM 建模故障电流的双向传播时延特性;最后引入 MHA 模块,通过多模态特征融合与动态权值分配,自适应重构特征空间,有效解耦负荷平稳特征与故障冲击特征,并抑制谐波分量与随机噪声干扰。实验结果表明:在 TR / FR 短路故障下,分类准确率达到 98.73% ;在 30~100 dB 噪声环境下,准确率保持在 93.11% 及以上,为牵引网智能保护提供了一种兼具高精度与实时性的解决方案。

Abstract:: To resolve misjudgment in traction network protection due to challenges in distinguishing remote faults from maximum load currents , this paper proposes a CNN-BiLSTM-MHA model.The framework featuring space , time sequence and frequency spectrum integrates multimodal fusion and dynamic weighting : CNN concurrently extracts load current harmonics and fault transients ; BiLSTM captures bidirectional fault propagation delays ; MHA decouples steady state loads from transient faults while suppressing harmonics and noise.Experiments show 98.73% TR / FR fault identification accuracy and 93.11% robustness in 30~100 dB noise , demonstrating a high-precision and real-time protection solution for intelligent protection of traction networks.

[ 1 ] 谭秀炳 . 铁路电力与牵引供电系统继电保护[ M ] . 成都:西南交通大学出版社,2015.

[ 2 ] 黄硕,吴命利 . 电气化铁路牵引供电系统可靠性评价系统研究[ J ] . 机车电传动, 2020 , 272 ( 1 ): 85-90.

[ 3 ] 何亮,吴浩,李思文,等 . 基于 EMD (经验模态分解)奇异值熵的城市轨道交通直流牵引供电系统短路故障辨识[ J ] . 城市轨道交通研究, 2021 , 24 ( 9 ): 88-93.

[ 4 ] 陈彦初,高仕斌,韩正庆 . 基于瞬时功率理论的牵引供电系统短路故障辨识[ J ] . 电气化铁道, 2021 , 32 ( 4 ): 5-9.

[ 5 ] 刘永生,侯炜,王旭,等 . 基于馈线和电流的专用轨回流牵引供电系统接地故障保护[ J ] . 电气化铁道, 2024 , 35( 2 ): 53-56.

[ 6 ] 李练兵,代亮亮,李静鹏,等 . 基于改进 VMD-CNN 的电缆短路电流预测研究[ J ] . 中国测试, 2025 , 51 ( 8 ):137-146.

[ 7 ] 黄吕超,张露阳,胡源源,等 . 基于长短期记忆网络的短路电流过零点预测方法 [ J ] . 高电压技术, 2023 , 49( 12 ): 5022-5031.

[ 8 ] 许一凡,雪增红,程峰,等 . 基于特征增强时间序列和 Transformer-BiLSTM 的低速重载轴承故障诊断[ J ] .机电工程,2025 , 42 ( 9 ): 1659-1668.

[ 9 ] 崔吉强,高军伟,吴文凯,等 . 基于并行注意力机制的滚动轴承故障诊断方法[ J / OL ] . 控制工程,2025 : 1-8[ 2025-07-09 ] .https : ∥doi.org / 10.14107 / j.cnki.kzgc.20240841.

[ 10 ] 次凯旋,解绍锋,王辉,等 . 贯通同相供电系统建模及运行特性分析[ J ] . 电力自动化设备,2024 , 44 ( 10 ):201-207.

备注/Memo:: 收稿日期: 2025-06-26
基金项目:国能朔黄铁路发展有限责任公司科研课题( SHTL-24-32 )
作者简介:李喆 ( 1974- ),男,山西原平人,工程师,研究方向为电气化铁路运营管理与科研管理;白亚栋 ( 2001- ),男,河北邯郸人,硕士研究生,研究方向为牵引供电故障检测,通信作者, E-mail : 419213493@qq.com ;常宇健 ( 1972- ),女,山西太原人,博士,教授,研究方向为牵引供电故障检测。

更新日期/Last Update: 2025-12-15