BP神经网络和支持向量机相结合的电容器介损角辨识
针对电力电容器介质损耗的计算方法稳定性较差,频率波动对介损角的辨识有较大影响的问题,提出了BP神经网络和支持向量机(support vector machine,SVM)相结合(BP-SVM)的辨识方法,并且首次应用于电容器介损角的辨识.在辨识过程中,首先,对电容器工作一段时间的信号进行采样和预处理,预处理后的信号作为训练集训练BP-SVM模型;然后,使用训练好的BP-SVM模型对预处理后新的采样信号进行辨识,判断介损角的变化量.此外,给出了基于BP-SVM模型的介损角表示信号Dδ(f)的计算过程,同时分析了在讨论域内信号Dδ(t)的幅值即是介损角δ.仿真分析结果表明,提出的BP神经网络和SVM相结合的电容器介损角辨识方法比基于深度学习的辨识方法具有更高的辨识准确率,并且频率变化对BP-SVM方法的辨识性能无明显影响.
电容器、介质损耗、正向求解、频率、介损角、BP神经网络、支持向量机、深度学习
14
TP18(自动化基础理论)
中央高校基本科研业务专项资金项目2014MS131
2019-03-08(万方平台首次上网日期,不代表论文的发表时间)
共7页
134-140