基于卷积神经网络与可视图像的类滑动放电模式识别

作者：潘如政; 李怀宇; 崔巍; 曾鑫; 张帅; 邵涛

来源：高电压技术, 2024, 50(01): 423-431.

DOI：10.13336/j.1003-6520.hve.20222053

• 类滑动放电
• 可视图像
• 卷积神经网络
• 机器学习
• 模式识别
• 参数调控

为了提高机器学习算法对类滑动放电模式识别的准确率，提出了一种基于卷积神经网络(convolutional neuralnetworks,CNN)与可视图像识别电晕放电、弥散放电和类滑动放电等模式的方法。通过选取气体体积流量0～16 L/min、电极间隙2～10 mm、脉冲频率0.5～3 kHz等不同条件下的类滑动放电图像构建图像库，搭建CNN模型并优化影响CNN识别性能的超参数，包括网络层数、全连接层(full connected layer, FC)神经元数、卷积核尺寸以及激活函数类型，最后比较了CNN与决策树(decision tree, DT)算法和随机森林(random decision forests, RF)算法的识别效果。结果表明，CNN识别准确率为100%，高于传统机器学习方法。此外，本文还给出了放电模式及条件参数，通过基于反向传播神经网络(back propagation neural networks, BPNN)的聚类分析算法识别弥散放电和类滑动放电，并且准确率为100%。

• 单位
  中国科学院大学; 空军工程大学; 中国科学院电工研究所; 河北工业大学