Print

基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法

论文摘要

提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先,以变分模态分解(VMD)对PD信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次,以PD信号的Hilbert边际谱为输入数据,利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次,利用SAE的训练结果初始化DNN,再以大量训练样本进行分类器的训练。同时,为了加快SAE和DNN学习过程的收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数。最后,用训练好的DNN完成测试样本的PD类型的识别。此外,以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明,所采用的识别方法具有更高的正确识别率。

论文目录

  • 0 引言
  • 1 Hilbert边际谱
  • 2 SAE-DNN原理
  •   2.1 SAE原理
  •   2.2 自适应步长的学习率
  •   2.3 基于SAE的DNN原理
  •   2.4 通用数据集识别分析
  • 3 基于Hilbet边际谱和SAE-DNN的PD类型的识别方法
  • 4 PD样本的识别及结果分析
  •   4.1 PD样本的采集
  •   4.2 PD样本的Hilbert边际谱
  •   4.3 DNN网络结构的确定
  •   4.4 识别结果及分析
  • 5 结语
  • 文章来源

    类型: 期刊论文

    作者: 高佳程,朱永利,郑艳艳,张科,刘帅

    关键词: 局部放电,模式识别,边际谱,稀疏自编码器,深度神经网络

    来源: 电力系统自动化 2019年01期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    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)

    基金: 国家自然科学基金资助项目(51677072),中央高校基本科研业务费专项资金资助项目(2017XS118)~~

    分类号: TM855

    页码: 87-97

    总页数: 11

    文件大小: 1203K

    下载量: 335

    相关论文文献

    本文来源: https://www.lunwen90.cn/article/ddd0a6b9dbc31c222e439b64.html