绝缘纸板典型缺陷局放特征的CNN识别

作者：赵京鹤; 修大元; 王金龙; 池明赫^*

来源：哈尔滨理工大学学报, 2022, 27(05): 79-88.

DOI：10.15938/j.jhust.2022.05.011

• 油纸绝缘
• 局部放电
• 卷积神经网络

及时发现变压器中局部放电从而避免故障，是提高变压器质量保障电网安全运行的重要手段。为快速识别变压器绝缘纸板缺陷类型以便排除故障，在实验室中模拟变压器绝缘纸板中常见的三种绝缘缺陷，并进行了局部放电试验，结果表明，三种试样的局部放电分别具有独特的特征。无缺陷纸板试样的局部放电多在0°～120°、180°～300°的相位上发生；气隙缺陷试样则在60°～160°、240°～330°相位上发生放电；金属颗粒缺陷试样则在80°～160°、260°～340°间呈脉冲状放电。在此基础上，针对部分局部放电实验仪只能导出图片数据需要二次提取文本数据对分析带来不便的问题，基于实验所得PRPD(phase resolved partial discharge)图构建数据集，并以其80%作为训练集、20%作为测试集采用卷积神经网络(convolutional neural networks, CNN)与K-邻近法(K-nearest neighbors, KNN)、支持向量机(support vector machine, SVM)及BP神经网络的识别结果进行对比。所构建并优化的卷积神经网络，在训练集与测试集上分别取得了约96.5%、89.9%的正确率，高于传统识别方法。成功将卷积神经网络用于以PRPD图像为基础的局部放电识别。

• 单位
  哈尔滨理工大学; 长春光华学院