【精彩论文】基于残差卷积神经网络的开关柜局部放电模式识别

观点凝练

摘要：传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低，难以在实际工程中应用。提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法，通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题，并综合利用开关柜局部放电数据的浅层与深层特征融合学习，实现模式识别。通过开关柜不同绝缘缺陷类别的局部放电模拟实验与配电站现场检测，构建了开关柜局部放电数据样本库，并进行了实验分析。实验结果表明：所提方法的识别正确率达96.06%，相比传统识别方法至少提高了20.22%，且随着训练集样本数量的增加，识别率有更大提升。综合使用特征层融合模块和残差模块，显著提升了模型的泛化性能，更适用于实际工程。
结论：本文通过局部放电模拟实验和配电站现场带电检测构建了开关柜局部放电数据样本库，提出了针对开关柜局部放电数据进行模式识别的方法。构建基于残差卷积神经网络模型，通过结合网络的低层特征与高层特征对PRPS图谱数据进行模式识别。该方法融入了残差模块，并且综合学习输入数据的浅层和深层特性，使识别率提升了20%以上，显著优于传统识别方法。随着样本数据的增加，本文提出的方法相比传统方法的识别率有更多提升，更适用于大数据背景下的工程应用。实验对比分析了残差模块与特征层融合对模型性能的影响，结果表明本文所提模型能够全面地学习样本特征，整体提升模型的泛化性能，可有效用于开关柜局部放电模式识别。

引文信息

黄雪莜, 熊俊, 张宇, 等. 基于残差卷积神经网络的开关柜局部放电模式识别[J]. 中国电力, 2021, 54(2): 44-51.HUANG Xueyou, XIONG Jun, ZHANG Yu, et al. Partial discharge pattern recognition of switchgear based on residual convolutional neural network[J]. Electric Power, 2021, 54(2): 44-51.

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

校对：张重实

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。