基于融合极限学习机的局部放电模式识别

• 作者: 刘利国 潘志新 王震 袁栋 钱程
• 来源期刊: 电力工程技术
• 学科: 工学
• 关键词: 局部放电 模式识别 极限学习机 数据融合 配电设备
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 人工智能在电力系统中的技术研究与应用专题
• 页码范围: 42-48
• 页数: 7页
• 分类号: TM855
• 字数: 3535字
• 语种: 中文
• DOI: 10.12158/j.2096-3203.2019.05.007

摘要

局部放电(PD)是配电设备绝缘故障早期的主要表现形式,放电类型的模式识别对于设备绝缘性能的判定具有重要意义.考虑到极限学习机(ELM)法结构简单、训练速度快,但初始参数选取随机性大,算法稳定性不够的特点,提出一种基于融合ELM算法的PD模式识别方法,综合考虑不同特征判断准确率的差异,采用自适应权值分配对子分类器输出结果实现决策级融合.文中设计了4种放电物理模型来模拟典型的设备绝缘缺陷,采用高频电流法对PD信号波形和相位-幅值谱图(PRPD)进行采集,获得足够样本的实验数据,提取时频域及统计特征值进行分类.结果 表明融合ELM算法在保证训练速度的同时,在识别正确率和稳定性上均优于传统ELM算法和反向传播(BP)神经网络.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	钱程	东南大学电气工程学院	8	13	2.0	3.0
2	袁栋		11	2	1.0	1.0
3	刘利国		5	0	0.0	0.0
4	潘志新		5	30	1.0	5.0
5	王震		3	7	1.0	2.0