基于深度稀疏降噪自编码网络的局部放电模式识别.docx

基于深度稀疏降噪自编码网络的局部放电模式识别
标题：基于深度稀疏降噪自编码网络的局部放电模式识别
摘要：
局部放电是电力设备中一种重要的隐患问题，对电力系统的稳定性和安全运行造成了严重威胁。因此，准确地进行局部放电模式识别对于实现电力设备的状态监测和预警具有重要意义。本文提出了一种基于深度稀疏降噪自编码网络的局部放电模式识别方法。首先，采集局部放电信号，并使用小波变换将其转换为频域信号，以提取局部放电的特征。然后，利用深度稀疏降噪自编码网络对特征进行学习和降噪处理，并提取出高级特征表示。最后，通过支持向量机（SVM）进行分类，实现局部放电模式的识别。实验结果表明，所提方法在局部放电模式识别方面表现出较高的准确性和鲁棒性。
关键词：局部放电；模式识别；深度学习；自编码网络；支持向量机
1.引言
局部放电是电力设备中一种常见的故障形式，会产生高频脉冲和脉冲群，在电力设备内部局部区域发生放电现象。局部放电不仅导致电力设备损坏，还会引发火灾等严重事故。因此，对局部放电进行准确的模式识别具有重要意义，可以实现对电力设备状态的实时监测和预警，提高电力系统的安全性和稳定性。
2.相关工作
过去的研究中，基于信号处理和特征提取的方法是主要的局部放电模式识别手段。然而，这些方法通常依赖于领域知识和人工提取的特征，存在一定的局限性。近年来，深度学习技术在模式识别领域取得了显著的成果，有望解决传统方法的不足之处。深度学习以其强大的非线性建模能力和自动特征学习能力在图像、语音等领域取得了令人瞩目的成果。
3.方法
本文提出了一种基于深度稀疏降噪自编码网络的局部放电模式识别方法。该方法首先采集局部放电信号，并使用小波变换将其转换为频域信号。通过对频域信号的高频成分分析，可以提取局部放电的特征。然后，利用深度稀疏降噪自编码网络对特征进行学习和降噪处理，并提取出高级特征表示。最后，通过支持向量机（SVM）进行分类，实现局部放电模式的识别。
4.实验结果
本研究使用了一个实际的局部放电数据集进行验证。实验结果表明，所提方法在局部放电模式识别方面表现出较高的准确性和鲁棒性。相比于传统的基于信号处理和特征提取的方法，所提方法能够自动学习输入数据中的有用特征，并实现更好的分类性能。
5.结论
本文提出了一种基于深度稀疏降噪自编码网络的局部放电模式识别方法，并成功应用于实际数据集。实验结果表明，所提方法在局部放电模式识别方面具有较优的性能，并具备了一定的泛化能力。未来的研究可以进一步探索深度学习在局部放电模式识别中的应用，并寻求更有效的特征表示和优化方法，以进一步提高识别准确性和鲁棒性。
参考文献：
[1]ChenQ,NiuL,ZhangL,etal.Applicationsofdeeplearninginbigdataofpowersystems[J].HighVoltage,2016,1(2):93-103.
[2]XuB,YangS,JiangY,etal.Faultdetection,classificationandlocationoftransmissionlinesbasedonwaveletpacketdecompositionandsupportvectormachine[J].ElectricPowerSystemsResearch,2018,164:224-234.
[3]DengL,YuD.Deeplearning:Methodsandapplications[J].FoundationsandTrendsinSignalProcessing,2014,7:197-387.