基于数据清洗及LSTM神经网络的CVT故障诊断

摘要

电容式电压互感器(capacitive voltage transformer, CVT)在电网设备监测工作中有着重要作用。传统的CVT异常检测方法存在物理建模复杂，模型参数和故障数据难以获取等问题。为此提出了一种基于数据清洗及长短期记忆(long short-term memory neural network, LSTM)神经网络的CVT故障诊断方法。针对容易陷入局部最优和无时间维度等缺点，引入滑动窗口策略检测序列中的缺失值以及异常点，提出基于K-means聚类算法的清洗流程。根据清洗后电力系统的电压历史数据，利用LSTM得到电压预测值，通过比较预测值与实际值来判断CVT是否故障。通过某变电站实际运行数据对本算法进行验证，结果表明该方法能够对由于运行状态改变而导致的数据异常进行实时在线监控，有效提高了CVT故障诊断的准确率。

关键词

电容式电压互感器 / 数据清洗 / K-means聚类算法 / 长短期记忆 / 故障诊断