科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对目前油浸式变压器纸质绝缘件内部缺陷导致局部放电进而造成绝缘劣化的问题，在实验室制备了三种典型缺陷纸板并获得了局放图谱，并提出一种基于局部放电信号及深层神经网络（Deep Neural Networks，DNN）的识别方法。首先获得并提取不同试样局部放电图谱的统计特征量作为待识别输入量。对比深层神经网络不同参数对识别效果的影响，寻找最优的深层神经网络结构。再用已训练的深层神经网络测试样本的局部放电类型识别。最后以深层神经网络对比KNN、支持向量机与BP神经网络的识别结果进行比较。研究结果表明：运用Adam算法使损失函数能迅速下降并收敛，在识别变压器纸质绝缘件局部放电信号时的准确率高于梯度下降法和RMSProp算法;当学习率设置为0.001时使用Adam损失函数能迅速下降并收敛；当深层神经网络隐含层结构为64–32–32–32–16时，神经网络性能达到最优且未出现过拟合；经优化后的深层神经网络的局部放电识别率达到91.6%，高于运用KNN、支持向量机（SVM）与BP神经网络的识别结果。
- 单位
