用于局部放电模式识别的深度置信网络方法

被引：36

作者：

张新伯 ^{[1
]}

唐炬 ^{[1
]}

潘成 ^{[1
]}

张晓星 ^{[1
]}

金淼 ^{[1
]}

杨东 ^{[1
]}

郑建 ^{[2
]}

汪挺 ^{[2
]}

机构：

[1] 武汉大学电气工程学院

[2] 国网山东省电力公司电力科学研究院

来源：

电网技术 | 2016年 / 40卷 / 10期

关键词：

气体绝缘电器; 局部放电; 深度置信网络; 模式识别; 识别准确率;

D O I：

10.13335/j.1000-3673.pst.2016.10.048

中图分类号：

TM855 [绝缘的试验与检查];

学科分类号：

080803 ;

摘要：

气体绝缘电器(gas insulated switchgear,GIS)内部绝缘缺陷产生的局部放电(partial discharge,PD),特征表现较复杂,分散性大,易受运行环境影响,而基于PD统计特征模式识别的传统方法,特征量选取主观性较强,且容易丢失部分特征信息,尤其对自由金属微粒类型缺陷识别率较低。因此,提出了一种基于深度置信网络(deep belief nets,DBN)的GIS设备内部PD模式识别方法,DBN能从数据中自主学习出高阶特征,避免了特征量选取的主观影响,能较好识别自由金属微粒类型缺陷,且识别用时远低于支持向量机(support vector machine,SVM)和BP神经网络(back propagation neural networks,BPNN)算法,作为对GIS设备PD模式识别的新方法具有一定的实用价值。

引用

页码：3272 / 3278

页数：7

共 11 条

[1]

Study of Fault Diagnosis of Integrate of D-S Evidence Theory Based on Neural Network for Turbine.[J].Chunmei Xu;Hao Zhang;Daogang Peng;Yezi Yu;Chunmei Xu;Hao Zhang.Energy Procedia.2012,

[2] Training products of experts by minimizing contrastive divergence [J].