文献类型：期刊文章

作　　者：陈艳霞[1] 林涛[2] 吕立平[1] 邹晴[2] 曹亮[2] 王宁[1] 袁方[3]

CHEN Yanxia;LIN Tao;LU Liping;ZOU Qing;CAO Liang;WANG Ning;YUAN Fang(Beijing Electric Power Research Institute,State Grid Beijing Electric Power Company,Beijing 100075,China;State Grid Beijing Electric Power Company,Beijing 100031,China;School of Power and Mechanical Engineering,Wuhan University,Wuhan 430072,China)

机构地区：[1]国网北京市电力公司北京电力科学研究院,北京100075 [2]国网北京市电力公司,北京100031 [3]武汉大学动力与机械学院,湖北武汉430072

出　　处：《武汉大学学报（工学版）》

基　　金：国网公司科技项目(编号:52022319003Y);科技部重点研发计划(编号:2020YFB1709700)。

年　　份：2023

卷　　号：56

期　　号：9

起止页码：1124-1130

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：由于制造工艺和现场环境的影响,环网柜运行时会存在局部放电的现象。为深入研究局部放电的类型,提出了一种局部放电信号的特征识别方法。首先,搭建了电晕放电、沿面放电、悬浮放电3种放电模型的实验平台,采集了大量实验数据;然后,结合边际谱和卷积神经网络(convolutional neural networks,CNN),通过模型参数寻优的方法建立了神经网络训练模型,开展了不同局部放电信号的特征识别研究;最后,与传统的特征识别方法进行了对比研究。研究结果表明:相对于VGG(visual geometry group)Net和AlexNet,ResNet34网络模型识别的准确率最高;边际谱图像提高了典型局部放电信号的辨识度,所提方法的准确率高达97%,明显优于CNN和支持向量机(support vector machine,SVM)。所提方法可为环网柜局部放电信号的研究提供技术支撑。

关 键 词：环网柜 局部放电 边际谱  深度学习  准确率

分 类 号：TM855]