基于深度学习的电力设备状态识别方法与应用研究

发布时间：2023-12-26 19:15

　　电力设备是关系到国计民生的重要设备,其运行状态的稳定对经济、安全影响严重。所以对电力设备运行状态的监测与故障诊断具有重要意义。由于电力设备现场环境复杂,在判断上存在较大困难。如何提取故障特征成为判断的关键。这些描述特征需要人为提取,适应性很差,并且在识别中需要丰富的信号处理专业知识,并且要求技术人员有较强的与设备故障相关的专业知识。另外,大量随机因素的存在导致误判可能性加大。为了提高识别率,减少故障诊断对人为因素的依赖,本文采用了卷积神经网络的Faster R-CNN,对电力设备信号直接进行特征提取和识别,并且对设备不同运行状态的故障进行测试,优于传统方法。主要研究工作和成果归纳如下:(1)针对信号采集中的噪声信号处理问题,本论文采用了一种交叉小波变换的提取方法。在时频域内获得了描述交叉谱图特性的特征参数,降低了噪声信号对识别的影响。(2)在Faster R-CNN的框架基础上研究了卷积神经网络,掌握其结构组成及卷积池化操作的过程和意义,实现一维时间序列的卷积操作。卷积池化结构稀疏连接,提取到更细致的故障特征表达。(3)传统训练方法需要样本数量大时间长,因此通过对训练方法进行改进,改善...

【文章页数】：49 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 状态监测国内外研究现状
        1.2.1 状态监测技术的研究现状
        1.2.2 设备状态识别研究现状
        1.2.3 实验检测方法
    1.3 目前研究存在的问题
    1.4 本文内容安排
第2章 实验平台搭建与信号采集
    2.1 变压器数据采集
        2.1.1 油中放电模型
        2.1.2 采样装置
        2.1.3 变压器局部放电特征提取
        2.1.4 放电信号的交叉小波变换
    2.2 振动数据采集
        2.2.1 振动传感器
        2.2.2 数据采集卡
    2.3 本章小结
第3章 引入中心损失函数的Faster R-CNN
    3.1 卷积神经网络概述
    3.2 Faster R-CNN的发展
    3.3 Faster R-CNN的改进
    3.4 本章小结
第4章 基于Faster R-CNN的设备状态识别
    4.1 基于BPNN和PNN的状态识别
        4.1.1 BP神经网络
        4.1.2 概率神经网络
        4.1.3 BPNN神经网络的结构设计
    4.2 基于主动学习SVM的状态识别
        4.2.1 多分类SVM
        4.2.2 核函数选择
        4.2.3 参数选择
        4.2.4 主动学习SVM
        4.2.5 基于主动学习SVM的状态识别
    4.3 基于改进Faster R-CNN的状态识别
        4.3.1 中心损失函数概述
        4.3.2 局部放电状态识别
        4.3.3 转子振动状态识别
    4.4 本章小结
第5章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
作者简介



本文编号：3875392