电力系统日趋复杂，电缆短路电流由于夹杂着不同的噪声分量使数据预测与提取变得更加困难。卷积神经网络（CNN）作为一个可以识别二维形状的多层感知器，可以提取并识别短路电流，但是短路电流中的非周期分量较多，非线性度强，会使识别时间长，误差较大。传统的经验模态分析（EMD）数据信号预处理方法已不适用于这种复杂的场景，而注意力机制（SE）会降低内部信号的综合性，形成局部最优。所以文章提出一种改进的变分模态分解（VMD）的方法可有效分离无关信号，实现固有信号的模态分量（IMF）的精确提取，并对最终提取出来的信号滤波，减少噪声干扰，且不会减少数据的信息。将提取出来的IMF分量之和作为卷积网络（CNN）的输入，有效提高识别的精度，减少冗余时间。最后分析电缆短路层漏电的原因，将改进的VMD-CNN方法运用到具体的电缆短路的场景中。根据实验结果表明，所提出改进方法的效果远大于传统的EMD方法和SE注意力机制。
