深度學習在局部放電模式識別中的應用.pdf

1、局部放電是電力設備運行中的常見現(xiàn)象，它不僅表征著設備的絕緣強度、運行情況等重要信息，而且長期的放電也會擴大缺陷導致?lián)舸?。因此，對局部放電進行正確有效的種類識別，對于設備監(jiān)測和故障診斷有著非常重要的意義。
　　目前，在局放識別中經(jīng)常使用的BP神經(jīng)網(wǎng)絡算法，可以從一定程度上實現(xiàn)有效判別，但是由于其訓練機制上的限制，其識別能力有限，改進的空間并不大。而近年來在模式識別領域出現(xiàn)的深度學習方法，從一定程度上克服了BP神經(jīng)網(wǎng)絡的上述缺點，已經(jīng)

2、越來越廣泛地應用到各類識別領域，并得到了較好的效果。為了改進神經(jīng)網(wǎng)絡在局放模式識別的應用現(xiàn)狀，本文主要研究引入深度學習機制來實現(xiàn)局部放電模式識別。
　　具體來說，為了研究各類局部放電的特性，建立用于識別研究的樣本庫，本文搭建了基于脈沖電流法的局放測試平臺。針對局部放電中常見的內部放電、沿面放電和電暈放電三個基本類別，設計實驗模型并進行了油紙絕緣、合成絕緣材料氣隙、空氣中沿面、SF6中沿面、空氣中針板、SF6中針板6個細分組別的測試

3、。分別采集了各組實驗的放電發(fā)展期特征數(shù)據(jù)，整理成每個組別的典型樣本集，用于訓練和測試。為了優(yōu)化網(wǎng)絡性能，避免輸入維度過高帶來的過擬合，本文又提出了基于參量分布的蒙特卡洛方法，作為對局放實驗的補充。通過對放電量和放電相位兩個維度進行統(tǒng)計分布研究求取二維隨機變量的聯(lián)合概率分布。并設計了模擬實驗，可以實現(xiàn)參數(shù)可控、統(tǒng)計分散的樣本擴容。
　　基于以上樣本，本文對局部放電三個類別、6個組別分別進行了識別。研究對比了BP神經(jīng)網(wǎng)絡和基于自動編碼