电力科学与技术学报2021，Vol.36Issue(4) ：157-164.DOI:10.19781/j.issn.1673-9140.2021.04.020

基于复合神经网络的GIS局放故障类型识别

Partial discharge fault type identification of GIS based on composite neural network

袁文海 刘彪 徐浩 王喆 董小顺 汪沨 钟理鹏 司羽飞 夏鑫
电力科学与技术学报2021，Vol.36Issue(4) ：157-164.DOI:10.19781/j.issn.1673-9140.2021.04.020
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于复合神经网络的GIS局放故障类型识别

Partial discharge fault type identification of GIS based on composite neural network

袁文海 1刘彪 1徐浩 1王喆 1董小顺 1汪沨 2钟理鹏 2司羽飞 2夏鑫2
扫码查看

作者信息

  • 1. 国网新疆电力有限公司乌鲁木齐供电公司,新疆维吾尔自治区 乌鲁木齐 830011
  • 2. 湖南大学电气与信息工程学院,湖南 长沙 410082
  • 折叠

摘要

气体绝缘金属封闭开关设备(GIS)局部放电故障类型识别是故障预警和制定检修计划的重要基础,对维护电力设备的安全稳定运行意义重大.在此背景下,首先分析常见的几种GIS故障类型;然后,在超高频传感器采集到的图谱信号处理和分类上,由于卷积神经网络(CNN)和深度置信网络(DBN)融合而成的复合神经网络模型可以快速实现有效特征信号的提取和故障类型准确分类,因此该文融合CNN和DBN,建立复合神经网络的主体结构,并利用该网络进行GIS局部放电故障类型识别;最后进行实验验证.结果表明该复合神经网络模型识别故障的准确性最高可达99％.

关键词

GIS设备/特征图像/卷积神经网络/深度置信网络/模型训练

引用本文复制引用

基金项目

出版年

2021
电力科学与技术学报
长沙理工大学

电力科学与技术学报

CSTPCD北大核心
影响因子：0.85
ISSN：1673-9140
被引量29
参考文献量26
段落导航相关论文