基于深度信念网络的高压断路器故障识别算法

论文摘要

针对高压断路器故障现有故障诊断算法中,特征提取不准确导致分类正确率较低的问题,提出了基于深度信念网络的高压断路器故障识别方法。深度信念网络(Deep Belief Network,DBN)是非监督的深度神经网络,由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加起来组成。首先使用无标签的数据样本自下而上的对各RBM层逐层训练,得到各层最优参数;再以此为初始参数将DBN展开成反向传播的结构,使用带标签的数据样本进行全局的参数微调;最后得到DBN分类网络。这一过程中,有效避免了特征提取的人工操作,解决了网络训练的局部最优问题,使断路器故障诊断更加智能化。通过试验结果可知,该方法可准确、可靠地用于诊断断路器主要机械故障。

论文目录

• 0 引言
• 1 深度学习理论
•   1.1 DBN网络原理
• 2 深度学习的高压断路器故障诊断方法
•   2.1 选取样本数据
•   2.2 数据样本预处理
•   2.3 断路器状态编码
•   2.4 基于深度信念网络的高压断路器故障诊断模型与
• 3 算例验证
•   3.1 隐含层层数对识别效果的影响
•   3.2 微调迭代次数对识别效果的影响
•   3.3 不同算法之间的比较
• 4 结束语

文章来源

类型: 期刊论文

作者: 朱萌,梅飞,郑建勇,沙浩源,戴永正,顾宇锋

关键词: 断路器,故障诊断,深度信念网络,受限玻尔兹曼机

来源: 电测与仪表 2019年02期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 电力工业

单位: 东南大学电气工程学院,河海大学能源与电气学院,江苏南瑞泰事达电气有限公司

基金: 中国博士后科学基金(2015M571654),江苏省重点研发计划(BE2017030)

分类号: TM561

DOI: 10.19753/j.issn1001-1390.2019.02.002

页码: 10-15+46

总页数: 7

文件大小: 560K

下载量: 317