Un estudio sobre la identificación de fallos por descarga parcial en GIS basado en la arquitectura Swin Transformer-AFPN-LSTM
Autores: Li, Jiawei; Ma, Shangang; Jin, Fubao; Zhao, Ruiting; Zhang, Qiang; Xie, Jiawen
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un estudio sobre la identificación de fallos por descarga parcial en GIS basado en la arquitectura Swin Transformer-AFPN-LSTM
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Modelo de aprendizaje profundo propuesto
Fase
Temporización
Swin Transformer-AFPN-LSTM
Falla de aislamiento
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Con el objetivo de abordar el problema de la extracción manual de características y la insuficiente minería de información de características para el reconocimiento de patrones de descarga parcial bajo diferentes fallos de aislamiento en GIS, se propone un modelo de aprendizaje profundo basado en características de fase y temporización con una arquitectura Swin Transformer-AFPN-LSTM. En primer lugar, se construye una plataforma experimental de simulación de fallos de aislamiento en GIS, y se obtienen los datos de fase PRPD y los datos de temporización TRPD bajo diferentes fallos; en segundo lugar, los datos de temporización TRPD se convierten en MTF; luego, los datos de fase PRPD y los datos de temporización MTF se introducen en el modelo Swin Transformer-AFPN-LSTM y otros modelos de aprendizaje profundo para comparar su rendimiento. Los resultados experimentales muestran que el modelo Swin Transformer-AFPN-LSTM mejora el rendimiento en un 14.09-21.23% en comparación con el modelo CNN tradicional y el modelo LSTM. Además, utilizar este modelo para extraer características de fase y características de temporización simultáneamente mejora la precisión en un 10.67% y un 8.66%, respectivamente, en comparación con la extracción de características única, y la precisión general alcanza el 98.82%, lo que proporciona una nueva idea para la identificación de fallos de aislamiento en GIS.
Descripción
Con el objetivo de abordar el problema de la extracción manual de características y la insuficiente minería de información de características para el reconocimiento de patrones de descarga parcial bajo diferentes fallos de aislamiento en GIS, se propone un modelo de aprendizaje profundo basado en características de fase y temporización con una arquitectura Swin Transformer-AFPN-LSTM. En primer lugar, se construye una plataforma experimental de simulación de fallos de aislamiento en GIS, y se obtienen los datos de fase PRPD y los datos de temporización TRPD bajo diferentes fallos; en segundo lugar, los datos de temporización TRPD se convierten en MTF; luego, los datos de fase PRPD y los datos de temporización MTF se introducen en el modelo Swin Transformer-AFPN-LSTM y otros modelos de aprendizaje profundo para comparar su rendimiento. Los resultados experimentales muestran que el modelo Swin Transformer-AFPN-LSTM mejora el rendimiento en un 14.09-21.23% en comparación con el modelo CNN tradicional y el modelo LSTM. Además, utilizar este modelo para extraer características de fase y características de temporización simultáneamente mejora la precisión en un 10.67% y un 8.66%, respectivamente, en comparación con la extracción de características única, y la precisión general alcanza el 98.82%, lo que proporciona una nueva idea para la identificación de fallos de aislamiento en GIS.