基于CNN+D-S证据理论的多维信息源局部放电故障识别

摘要：

基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义.文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚-特高频(V-UHF)法以及脉冲电流法(PCM)采集不同放电类型产生的局放信号.首先利用深度卷积神经网络(CNN)算法对不同传感器测量数据进行训练,之后利用Dempster-Shafer(D-S)证据理论对多维信息源识别结果进行融合,并作出最终决策.结果表明,相比于基于单一信息源的故障识别模式,基于多维信息源的故障识别模式准确率更高,且当多维信息源中某一信息源出现误判时仍能正确识别放电类型,对信息源的容错性更好,识别效果良好.

关键词：局部放电、故障识别、深度卷积神经网络(CNN)、Dempster-Shafer(D-S)证据理论、多维信息源、信息融合

所属期刊栏目：41

分类号：TM591(电器)

资助基金：国家电网有限公司总部科技项目5400-202024-116A-0-0-00

在线出版日期：2022-10-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：172-179