Print

基于深度学习的变压器局部放电模式识别研究

论文摘要

针对传统PD模式识别用统计特征量需要依赖专家经验而缺乏一定的泛化性问题和卷积神经网络（CNN）模式识别算法缺乏PD图谱时序特征信息的问题,文中构建了基于CNN-LSTM深度学习的PD PRPD图谱模式识别模型,该模型综合了CNN善于挖掘PRPD图谱局部空间信息的优点和长短时记忆网络（LSTM）善于挖掘PD图谱时序特征信息的优点,可同时提取PRPD图谱的局部空间特征和时序特征,利用变压器典型绝缘缺陷放电图谱对构建的网络进行性能测试,并与CNN和LSTM对比,结果表明,对于PD图谱稳定的悬浮电位缺陷,CNN-LSTM和CNN的识别能力均为100%,但是对于金属突出物缺陷、油纸气隙缺陷和沿面放电缺陷,CNN-LSTM的识别能力优于CNN,CNN-LSTM网络的整体识别性能优于CNN和LSTM。

论文目录

  • 0 引言
  • 1 基于CNN和LSTM的深度学习算法
  •   1.1 CNN深度学习算法
  •   1.2 LSTM深度学习算法
  •   1.3 CNN-LSTM深度学习算法
  •     1.3.1 网络架构
  •     1.3.2 算法流程
  • 2 实验
  •   2.1 实验电路
  •   2.2 变压器典型局放缺陷模型的构建
  •   2.3 局放实验结果的分析
  • 3 算法性能的对比分析
  •   3.1 算法参数的设置
  •   3.2 性能对比结果
  • 4 结论

    • 文章来源

    类型: 期刊论文

    作者: 周秀,朱洪波,马云龙,刘威峰,高博,田天,罗艳,李秀广,何宁辉

    关键词: 局部放电,模式识别,混合网络

    来源: 高压电器 2019年12期

    年度: 2019

    分类: 工程科技Ⅱ辑

    专业: 电力工业

    单位: 国网宁夏电力有限公司电力科学研究院

    分类号: TM855

    DOI: 10.13296/j.1001-1609.hva.2019.12.014

    页码: 98-105

    总页数: 8

    文件大小: 2548K

    下载量: 398

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/d9d7b4e1bae44d8559491e37.html