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
发布时间：2021-03-28 13:12
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。
【文章来源】：高压电器. 2020,56(09)北大核心CSCD
【文章页数】：7 页
【部分图文】：
卷积神经网络结构图
迁移学习不同于传统的机器学习算法，它是根据已经学习的相关任务中迁移权重参数等知识信息来改进新任务的学习[18]。传统的机器学习算法基于一个基本假设，即训练数据和未来数据必须在同一个特征空间中并且必须具有相同的分布，因为这些算法使用统计数据对未来数据进行预测[19]。知识信息转移如果能够完成，则可以大大提高学习效果，而无需昂贵的数据标记工作。通常，在迁移学习中以监督方式训练整个网络之后，训练或使用所得特征提取器来进行特定的目标任务。这种网络虽然物理意义不明确，却在许多数据集上取得了最先进的结果。通过迁移学习获得的深度卷积特征提取器能够提取可用于不同任务的通用卷积特征，见图2。因此，迁移学习通常不仅可以实现良好的分类结果，而且还可以大大减少训练所需时间。这种方法为GIS局部放电缺陷的模式识别分类提供了理想的特征提取器。3 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过程
GIS在制造、运输、安装和运行过程中会产生绝缘缺陷，其类型主要有金属微粒缺陷、金属尖端缺陷、悬浮电极缺陷、绝缘子气隙缺陷以及绝缘子表面脏污等[20]，在GIS中的分布情况见图4。文中采用时域有限差分法(finite-difference timedomain,FDTD)对4类典型缺陷进行仿真，通过改变特高频传感器位置来代替缺陷位置的变换，每类缺陷均获取1 250组数据，进而构造GIS局部放电模式识别分类数据集。仿真模型见图5。中心导体直径120 mm，筒体直径400 mm，筒壁厚度10 mm，筒长2.2 m[21-23]。
【参考文献】：
期刊论文
[1]基于无监督特征对齐的变负载下滚动轴承故障诊断方法[J]. 康守强,邹佳悦,王玉静,谢金宝,V.I.MIKULOVICH. 中国电机工程学报. 2020(01)
[2]基于卷积神经网络综合模型和稳态特征量的电力系统暂态稳定评估[J]. 田芳,周孝信,史东宇,陈勇,黄彦浩,于之虹. 中国电机工程学报. 2019(14)
[3]不同电压等级GIS局部放电UHF信号传播特性仿真研究[J]. 任志刚,李伟,徐兴全,王飞,段大鹏,唐志国. 高压电器. 2019(05)
[4]基于深度残差网络的GIS局部放电模式识别技术研究[J]. 贾勇勇,邓敏,李玉杰,艾春,杨景刚,刘成宝. 高压电器. 2018(11)
[5]运行条件下GIS局部放电严重程度评估方法[J]. 宋辉,代杰杰,李喆,罗林根,盛戈皞,江秀臣. 中国电机工程学报. 2019(04)
[6]基于卷积神经网络的变压器振动信号分析[J]. 苏世玮,郭盛,高伟,杨涛,赵家毅. 广东电力. 2018(06)
[7]气体绝缘组合电器中局部放电特高频信号S参数特性仿真与实验研究[J]. 王彦博,朱明晓,邵先军,钱平,邓军波,张冠军. 高电压技术. 2018(01)
[8]相关概率小波变换在局部放电检测中的应用[J]. 贾嵘,赵佳佳,武桦,马喜平,党建. 高电压技术. 2017(09)
博士论文
[1]气体组合电器绝缘状态评估与故障诊断技术研究[D]. 李莉苹.重庆大学 2015
[2]气体绝缘电器局部放电联合检测的特征优化与故障诊断技术[D]. 卓然.重庆大学 2014
硕士论文
[1]GIS局部放电混频随机窄带干扰抑制及特征提取方法研究[D]. 樊雷.重庆大学 2014
本文编号：3105618
【文章来源】：高压电器. 2020,56(09)北大核心CSCD
【文章页数】：7 页
【部分图文】：
卷积神经网络结构图
迁移学习不同于传统的机器学习算法，它是根据已经学习的相关任务中迁移权重参数等知识信息来改进新任务的学习[18]。传统的机器学习算法基于一个基本假设，即训练数据和未来数据必须在同一个特征空间中并且必须具有相同的分布，因为这些算法使用统计数据对未来数据进行预测[19]。知识信息转移如果能够完成，则可以大大提高学习效果，而无需昂贵的数据标记工作。通常，在迁移学习中以监督方式训练整个网络之后，训练或使用所得特征提取器来进行特定的目标任务。这种网络虽然物理意义不明确，却在许多数据集上取得了最先进的结果。通过迁移学习获得的深度卷积特征提取器能够提取可用于不同任务的通用卷积特征，见图2。因此，迁移学习通常不仅可以实现良好的分类结果，而且还可以大大减少训练所需时间。这种方法为GIS局部放电缺陷的模式识别分类提供了理想的特征提取器。3 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过程
GIS在制造、运输、安装和运行过程中会产生绝缘缺陷，其类型主要有金属微粒缺陷、金属尖端缺陷、悬浮电极缺陷、绝缘子气隙缺陷以及绝缘子表面脏污等[20]，在GIS中的分布情况见图4。文中采用时域有限差分法(finite-difference timedomain,FDTD)对4类典型缺陷进行仿真，通过改变特高频传感器位置来代替缺陷位置的变换，每类缺陷均获取1 250组数据，进而构造GIS局部放电模式识别分类数据集。仿真模型见图5。中心导体直径120 mm，筒体直径400 mm，筒壁厚度10 mm，筒长2.2 m[21-23]。
【参考文献】：
期刊论文
[1]基于无监督特征对齐的变负载下滚动轴承故障诊断方法[J]. 康守强,邹佳悦,王玉静,谢金宝,V.I.MIKULOVICH. 中国电机工程学报. 2020(01)
[2]基于卷积神经网络综合模型和稳态特征量的电力系统暂态稳定评估[J]. 田芳,周孝信,史东宇,陈勇,黄彦浩,于之虹. 中国电机工程学报. 2019(14)
[3]不同电压等级GIS局部放电UHF信号传播特性仿真研究[J]. 任志刚,李伟,徐兴全,王飞,段大鹏,唐志国. 高压电器. 2019(05)
[4]基于深度残差网络的GIS局部放电模式识别技术研究[J]. 贾勇勇,邓敏,李玉杰,艾春,杨景刚,刘成宝. 高压电器. 2018(11)
[5]运行条件下GIS局部放电严重程度评估方法[J]. 宋辉,代杰杰,李喆,罗林根,盛戈皞,江秀臣. 中国电机工程学报. 2019(04)
[6]基于卷积神经网络的变压器振动信号分析[J]. 苏世玮,郭盛,高伟,杨涛,赵家毅. 广东电力. 2018(06)
[7]气体绝缘组合电器中局部放电特高频信号S参数特性仿真与实验研究[J]. 王彦博,朱明晓,邵先军,钱平,邓军波,张冠军. 高电压技术. 2018(01)
[8]相关概率小波变换在局部放电检测中的应用[J]. 贾嵘,赵佳佳,武桦,马喜平,党建. 高电压技术. 2017(09)
博士论文
[1]气体组合电器绝缘状态评估与故障诊断技术研究[D]. 李莉苹.重庆大学 2015
[2]气体绝缘电器局部放电联合检测的特征优化与故障诊断技术[D]. 卓然.重庆大学 2014
硕士论文
[1]GIS局部放电混频随机窄带干扰抑制及特征提取方法研究[D]. 樊雷.重庆大学 2014
本文编号：3105618
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3105618.html
教材专著
