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（stockedsparse 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（stackedsparseauto-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（backpropagation,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。
类型: 期刊论文
作者: 高佳程,朱永利,郑艳艳,贾亚飞
关键词: 局部放电,模式识别,变分模态分解,分布,堆栈稀疏自编码网络
来源: 中国电机工程学报 2019年14期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 新能源电力系统国家重点实验室(华北电力大学)
分类号: TM855
DOI: 10.13334/j.0258-8013.pcsee.181214
页码: 4118-4129
总页数: 12
文件大小: 931K
下载量: 293
本文来源: https://www.lunwen90.cn/article/a1677ef1da36b0ce31287bd9.html