电力物联网下基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法研究

作者：杨为; 朱太云; 张国宝; 田宇; 柯艳国; 赵恒阳; 蔡梦怡; 王艳新; 闫静^*

来源：高压电器, 2020, 56(09): 20-32.

DOI：10.13296/j.1001-1609.hva.2020.09.003

• 卷积神经网络
• 迁移学习
• 局部放电
• 模式识别
• 电力物联网

随着电力物联网建设的快速推进,对实时监测气体绝缘金属封闭开关设备(GIS)内部局部放电信号的特高频法提出了新的和更高的要求。在充分利用表征GIS局部放电信息构建模型以提升模式识别准确率的同时,将模型移植到嵌入式系统,进而构成以边缘计算为支撑的物联网智能终端,成为亟待解决的一个关键问题。为此,文中深入研究了基于卷积神经网络和迁移学习的GIS局部放电模式识别分类方法,在多种典型缺陷下对比了不同模型在训练时间、准确率、参数量和存储花销等方面的性能。结果表明,Mobilenet模型具有最小的参数量和存储花销以及较短的训练时间,在电力物联网下基于智能终端的GIS局部放电模式识别中具有明显优势。

• 单位
  国网安徽省电力有限公司; 西安交通大学; 国网安徽省电力有限公司电力科学研究院; 电力设备电气绝缘国家重点实验室