基于改进长短期记忆网络的柱上变压器故障预测

摘要

针对如何预测柱上变压器故障问题，本文提出了一种改进的长短期记忆（LSTM）网络模型，通过引入双向LSTM（BiLSTM）、注意力机制和增强的门控机制提升模型在时序数据中的表现。实验结果表明：改进的LSTM模型在准确率、精确率、召回率、F₁分数和受试者工作特征-曲线下面积（AUC-ROC）等多个指标上均优于传统LSTM、门控循环单元（GRU）和卷积神经网络（CNN）等模型，尤其在处理复杂故障模式时展现出更强的预测能力。改进的LSTM通过优化信息选择与遗忘策略，显著提升了故障预测精度，尤其在故障发生时刻表现优异。本研究为电力系统中柱上变压器的故障检测提供了一种新的解决方案，具有较强的实际应用价值。

关键词

长短期记忆(LSTM)网络 / 故障预测 / 深度学习 / 柱上变压器