文献类型：期刊文章

作　　者：杨帆[1] 王干军[2] 彭小圣[1] 文劲宇[1] 陈清江[2] 杨光垚[1] 李朝晖[1]

YANG Fan;WANG Ganjun;PENG Xiaosheng;WEN Jinyu;CHEN Qingjiang;YANG Guangyao;LI Zhaohui(State Key Laboratory of Advanced Electromagnetic Engineering and Technology,School of Electrical and Electronic Engineering, Huazhong University of Science and Technology, Wuhan 430074, China;Zhongshan Power Supply Bureau of Guangdong Power Grid Corporation ,Zhongshan 528400, China)

机构地区：[1]华中科技大学电气与电子工程学院强电磁工程与新技术国家重点实验室,湖北武汉430074 [2]广东电网公司中山供电局,广东中山528400

出　　处：《电力自动化设备》

基　　金：国家自然科学基金资助项目(51541705);湖北省自然科学基金资助项目(2016CFB536);中国南方电网公司科技项目资助(GDKJXM20172769)~~

年　　份：2018

卷　　号：38

期　　号：5

起止页码：123-128

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大,尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法,研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响,并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明,相比SVM和BPNN,CNN的总体识别精度分别提高了3.71%和4.06%,且能较好地识别具有高相似度的电缆缺陷类型。

关 键 词：高压电缆 局部放电 卷积神经网络 模式识别 深度学习  

分 类 号：TM761]