文献类型：期刊文章

作　　者：马向南[1] 杨涛[1] 王云龙[1] 袁虎强[1] 刘志坚[2] 何蔚[2]

MA Xiangnan;YANG Tao;WANG Yunlong;YUAN Huqiang;LIU Zhijian;HE Wei(CSG EHV Transmission Company Kunming Bureau,Kunming 650000,China;Faculty of Electric Power Engineering,Kunming University of Science and Technology,Kunming 650000,China)

机构地区：[1]中国南方电网有限责任公司超高压输电公司昆明局,云南昆明650000 [2]昆明理工大学电力工程学院,云南昆明650000

出　　处：《供用电》

基　　金：国家自然科学基金项目(51007034)。

年　　份：2023

卷　　号：40

期　　号：5

起止页码：84-91

语　　种：中文

收录情况：JST、RCCSE、ZGKJHX、普通刊

摘　　要：针对深度学习不能直接读取一维数据的问题,提出了基于连续小波变换的数据维度转换方法,将一维故障样本转换为二维特征图像,使其满足故障诊断方法的数据输入需求。针对现有深度学习模型参数多以及结构复杂的特点,提出了基于轻量化神经网络及模型压缩的方法,通过卷积层与批量归一化层(batch normalization,BN)融合与减少深度学习模型参数的位宽,实现了模型的压缩。基于变压器油色谱数据开展的数值分析实验和性能评估表明,该方法在几乎不损失模型精度的前提下实现了深度学习模型的压缩和故障识别效率的提升,并能有效部署于边缘计算平台。

关 键 词：变压器油色谱分析  连续小波变换 轻量化模型 卷积与批量归一化融合  模型量化  

分 类 号：TM721.3]