用于局部放电模式的深度置信网络方法

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.

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

所属期刊栏目：40

分类号：TM85(高电压技术)

在线出版日期：2017-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：3272-3278