基于VMD-WVD分布与堆栈稀疏自编码网络的局放类型识别

摘要：

针对目前常用的浅层模式识别方法对高维大容量样本处理困难的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)的Wigner Ville分布(Wigner-Ville distribution,WVD)和堆叠稀疏自编码网络(stocked sparse auto-encoder,SSAE)的局部放电(partial discharge,PD)信号的模式识别方法.首先,以VMD算法对PD信号进行分解,对所得各分量进行时频分析得到相应的WVD;然后,以PD信号的VMD-WVD分布为输入量,利用SSAE对样本集合进行训练,自主提取内在特征.此外,将SSAE与稀疏自编码器(stacked sparse auto-encoder,SAE)的输出特征进行比较,验证了SSAE网络特征提取能力的优越性;最后,用训练好的SSAE网络完成测试样本的局部放电类型的识别.同时,以基于反向传播(back propagation,BP)神经网络和支持向量机(support vector machine,SVM)的识别结果与该结果进行比较.结果表明,所采用的识别方法具有更高的正确识别率.

关键词：局部放电、模式识别、变分模态分解、Wigner-Ville分布、堆栈稀疏自编码网络

所属期刊栏目：39

分类号：TM835(高电压技术)

在线出版日期：2019-08-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：4118-4128