遗传算法优化GMM的故障电弧识别方法

• 作者: 刘桂芬 李扬
• 来源期刊: 测控技术
• 学科: 工学
• 关键词: 故障电弧 小波变换 近似熵 高斯混合模型 遗传算法
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 77-81
• 页数: 5页
• 分类号: TP391|TM501
• 字数: 3498字
• 语种: 中文
• DOI: 10.19708/j.ckjs.2019.01.016

摘要

由于电气设备中正常电流信号和故障电流信号电流特性十分相似,故障电弧的正确识别十分困难,但非常重要.采用小波变换结合近似熵的方法对故障和正常电流特征进行提取,将特征用来训练混合高斯模型(GMM).但GMM的参数估计方法期望最大(EM),极易局部收敛,因此,引进遗传算法,提出遗传优化的高斯混合模型(GA-GMM).用经过特征提取后的特征数据来训练GA-GMM模型,模型根据其输入的数据特征得到最大的概率分类,即输出电流故障与否.大量实验表明采用GA-BMM能够快速准确地对故障电弧特征进行识别,达到了较好的识别效果,实现了准确识别故障电弧的操作.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李扬	辽宁工程技术大学电气与控制工程学院	9	85	4.0	9.0
2	刘桂芬	辽宁工程技术大学电气与控制工程学院	9	7	1.0	1.0