基于稀疏自编码和极限学习机的局部放电模式识别-高压电器.PDF

第54卷 第11期：0295-0300 Vol.54，No.11：0295-0300 2018年11月16日 HighVoltageApparatus Nov.16，2018 DOI:10.13296/j.1001-1609.hva.2018.11.043 基于稀疏自编码和极限学习机的局部放电模式识别 何 金， 曹 梦， 王 伟， 朱旭亮， 邢向上， 陈 荣 （国网天津市电力公司电力科学研究院，天津 300384） 摘要：传统的局部放电模式识别方法识别正确率低，或者训练时间长。文中提出了一种新的局部放电模式 识别算法，绘制局部放电信号的PRPS图谱作为输入数据，采用基于稀疏自编码器（sparseautoencoder，SAE） 实现对PRPS图谱的特征提取和降维，得到能高度表达原始数据的低维特征空间。利用极限学习机（extreme learningmachine，ELM）网络作为分类器，实现对局部放电的分类。利用实验得到的数据样本测试该算法，结 果表明该算法不仅模式识别正确率高，并且训练速度快。 关键词：局部放电；稀疏自编码器；ELM；模式识别 PartialDischargePatternRecognitionAlgorithmBasedonSparseSelf⁃coding andExtremeLearningMachine HEJin，CAOMeng，WANGWei，ZHUXuliang，XINGXiangshang，CHENRong （ElectricPowerResearchInstituteofTianjinPowerSupplyCompanyofStateGrid，Tianjin300384，China） Abstract: Toimprovetherecognitionaccuracyandshortentrainingtimeoftraditionalpartialdischarge(PD)pattern recognitionmethod,anewPDpatternrecognitionmethodisproposed.ThePRPSmapofthePDsignalisextractedas theinputdata.ThefeatureextractionanddimensionreductionofthePRPSmaparerealizedbasedonthesparseauto⁃ encoder（SAE）toobtainlow⁃dimensionalfeaturespacethatcanexpresstheoriginaldatasufficiently.Theextreme learningmachine（ELM）networkisusedasaclassifiertorealizetheclassificationofPD.Experimentalresultsshow thattheproposedalgorithmhasahighaccuracyofpatternrecognitionwithfasttrainingspeed. Keywords:PD；SAE；ELM；patternrecognition SAE网络可以提取原始数据的有效特征信息，同时 0 引言 降低维数。文[5]利用稀疏自编码器用于图像预处 中国电网正朝着复杂化、信息化、自动化和智 理，获得图像样本本质特征。由于PRPS包含信息 能化的方向发展，这也为电力系统的安全可靠运行 量大，难以直接分析。文中提出用SAE网络对PRPS 带来了更高的要求和更大的挑战。高电压设备由 图谱降维，并提取特征量。 于内部缺陷引起局部放电，从而引起故障，对电力 在高电压设备局部放电的模式识别和故障诊