数据融合在能源互联网故障诊断中的应用.pdfVIP

计算机应用,2024,44(S2):309-315http：//www.joca.cn

文章编号：1001-9081（2024）S2-0309-07DOI：10.11772/j.issn.1001-9081.2024010081

数据融合在能源互联网故障诊断中的应用

11*2223

郭秋亚，张兆功，胡本然，彭宇，孙迪，关心

（1.黑龙江大学计算机科学技术学院，哈尔滨150080；2.国网黑龙江省电力有限公司，哈尔滨150080；

3.黑龙江大学数据科学与技术学院，哈尔滨150080）

（∗通信作者电子邮箱2013010@hlju.edu.cn）

摘要：针对能源互联网故障诊断时存在的模型训练时间长、故障特征提取不充分以及在训练样本数量有限的情况下

诊断准确率低等问题，提出一种基于层次聚类和多头注意力的多任务卷积神经网络（HCMHC）模型。该模型通过采用新颖

的层次聚类（HC）模型有效减少数据的冗余；同时结合了卷积神经网络（CNN）和多头注意力，更准确地提取出更全面的故障

特征；此外，采用对比学习模型来在训练样本数量有限时增强特征间的互补性，进而提升模型对新数据的泛化处理能力和诊

断准确度。在具有39条母线和10台发电机的新英格兰测试系统上进行的实验结果表明，HCMHC模型在两个不同的数据集

上分别实现了99.8%和99.5%的准确率，相较于多输入CNN（MI-CNN）模型分别提高了约4.3和4.5个百分点。此外，即使

在训练集与验证集的比例为20/80时，该模型仍然在两个数据集上分别达到了98.3%和95.8%的准确率。可见，所提模型

在故障诊断领域中具有显著的有效性和优越性。

关键词：故障诊断；数据融合；对比学习；多头注意力；互补故障特征

中图分类号：TP274文献标志码：A

ApplicationofdatafusioninfaultdiagnosisofenergyInternet

11*2223

GUOQiuya，ZHANGZhaogong，HUBenran，PENGYu，SUNDi，GUANXin

（1.SchoolofComputerScienceandTechnology，HeilongjiangUniversity，HarbinHeilongjiang150080，China；

2.StateGridHeilongjiangProvincialElectricPowerCompanyLimited，HarbinHeilongjiang150080，China；

3.SchoolofDataScienceandTechnology，HeilongjiangUniversity，HarbinHeilongjiang150080，China）

Abstract:AimingattheissuesinfaultdiagnosisofenergyInternets