首页|基于CEEMD-MPE与SDAE的局部放电模式识别

基于CEEMD-MPE与SDAE的局部放电模式识别

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
针对变压器局部放电故障信息提取困难以及局部放电类型识别准确率低等问题,提出一种基于CEEMD-MPE 与SDAE相结合的局部放电模式识别算法.对局部放电原始信号进行CEEMD分解,得到多个固有模态分量(IMF),根据相关系数筛选出系数最大的IMF作为最优分量,计算其不同尺度下的排列熵值;将有效排列熵值作为特征数据集输入到SDAE中进行无监督学习训练;利用Softmax分类器输出放电类型.实验结果表明,该算法识别精准率为98％,召回率为96.67％,F1得分为97.17％,能够快速、准确地识别局部放电类型.
PARTIAL DISCHARGE PATTERN RECOGNITION BASED ON CEEMD-MPE AND SDAE
Aimed at the difficulties in extracting partial discharge fault information of transformers and low recognition rate of discharge types,a partial discharge pattern recognition method based on complementary ensemble empirical mode decomposition-multiscale permutation entropy(CEEMD-MPE)and stacked denoise auto-encoder(SDAE)is proposed.The CEEMD algorithm was used to decompose the original signals of partial discharge to obtain intrinsic mode functions(IMFs).According to the correlation coefficient,the IMF with the largest correlation coefficient was selected as the optimal component,and the permutation entropy(PE)value under different scales was calculated.The effective PE value was input as the feature dataset into SDAE for unsupervised learning.We use the Softmax classifier to output the discharge.The experimental results show that the algorithm recognition accuracy rate,recall rata and F1 score are 98％,96.67％and 97.17％respectively,which can quickly and accurately recognize partial discharge types.

CEEMDMPESDAEPartial dischargeFeature extractionPattern recognition

蒋伟、赵显阳、樊汝森、徐鹏、沈道义、杨俊杰

展开 >

上海电力大学电子与信息工程学院 上海 201306

国网上海市电力公司青浦供电公司 上海 201700

国网上海市电力公司电力科学研究院 上海 200437

上海格鲁布科技有限公司 上海 201210

上海电机学院 上海 201306

展开 >

互补集合经验模态分解 多尺度排列熵 栈式降噪自编码 局部放电 特征提取 模式识别

国家自然科学基金项目国家自然科学基金项目上海市科技创新行动计划地方院校能力建设项目上海市教育发展基金会和上海市教育委员会"曙光计划"项目上海市科委地方院校能力建设项目

61401269615723111702050090017SG5120020500700

2024

10.3969/j.issn.1000-386x.2024.08.025

计算机应用与软件
上海市计算技术研究所 上海计算机软件技术开发中心

计算机应用与软件

CSTPCD北大核心
影响因子：0.615
ISSN：1000-386X
年,卷(期)：2024.41(8)
  • 14