基于深度学习的输电线路雷击过电压识别方法

杨智博; 王嘉琛

沈阳工业大学学报 ›› 2026, Vol. 48 ›› Issue (1) : 19 -28.

杨智博, 王嘉琛

作者信息 +

Author information +

文章历史 +

摘要

【目的】强雷电活动区域的输电线路运行时易遭雷击，同塔双回线路因结构紧凑、电磁耦合效应显著，雷击故障率一直偏高。现有防雷措施多依赖统计经验，无法有效区别绕击、反击等不同类型的雷击故障，难以实现精准防护，导致线路跳闸事故仍时有发生，严重威胁电网安全稳定运行。为此，本文提出一种基于深度学习的雷击故障识别方法，可实现绕击与反击的高精度自动识别，为输电线路的差异化防雷设计及运行维护提供有效的技术支撑。【方法】采用电磁暂态仿真软件ATP-EMTP，构建220 k V同塔双回输电线路雷击故障仿真模型，获取不同雷电流幅值、接地电阻条件下的过电压响应数据。针对雷击信号的非平稳性及模态混叠问题，引入集合经验模态分解（ensemble empirical mode decomposition,EEMD）方法，通过加入高斯白噪声抑制模态混叠，提取前4阶本征模态函数（intrinsic mode function,IM F）以保留主要特征成分。随后采用频率切片小波变换（frequency slice wavelet transform,FSWT）计算多频段能量比，并与雷电流幅值、接地电阻共同构建多维特征集。在分类模型方面，提出CNN-LSTM-Attention深度学习架构:利用CNN提取空间特征，通过LSTM捕捉时序依赖特征，借助Attention机制聚焦关键信息，从而实现复杂信号特征的有效融合与识别。【结果】实验结果表明，本文方法在绕击与反击识别任务中表现优异。模型整体识别准确率达98.6%，查准率与查全率均超过98.5%,F₁分数最低为0.99。与SVM、CNN等基准模型相比，该方法在识别精度上具有明显优势。10次独立对照实验结果显示，模型平均准确率达到99.7%，方差为0.000 93，充分验证了该模型的稳定性和可靠性。【结论】基于EEMD-FSWT特征提取与CNN-LSTM-Attention融合模型的雷击故障识别方法，能有效表征同塔双回输电线路雷击信号的时频特性，实现绕击与反击的高精度区分。该方法不仅提升了故障诊断的准确性和实时性，更为电网差异化防雷策略的制定提供了重要数据支持。研究成果对降低输电线路雷击跳闸事故率、保障电力系统安全稳定运行具有重要工程应用价值与良好推广前景。