基于分形维数及改进极限学习机的电力电缆缺陷识别研究

• 作者: 周泽民 彭彦军 蒋伟
• 来源期刊: 数字技术与应用
• 学科: 工学
• 关键词: 短时分形维数 多重分形维数 局部放电 极限学习机
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 应用研究
• 页码范围: 31-35
• 页数: 5页
• 分类号: TM715
• 字数: 4026字
• 语种: 中文
• DOI: 10.19695/j.cnki.cn12-1369.2020.04.17

摘要

针对电力电缆局部放电检测,本文提出了基于分形维数及改进极限学习机的缺陷识别方法,首先介绍了基于盒维数计算方式的短时分形维数集多重分形维数计算方式,使用短时分形维数、多重分形维数进行特征提取做为样本特征集,为了解决传统分类算法中参数多及难以确定的问题、学习速度慢等缺点,引入改进的极限学习机(Accurate Online Sequential ELM)对电力电缆缺陷进行识别.本文基于高频电流法在电缆本体上进行局放实验,并获得大量实验数据.将本文提取的方法与传统极限学习机、支持向量机(SVM)和BPNN的识别效果和性能进行比对.结果表明本文提出的方法正确率平均可提高10％.调整训练样本集的大小,本文方法识别结果波动明显小于BPNN和SVM,说明本文方法有更好的泛化能力,且准确在线连续极限学习机的训练时间远远小于SVM及BPNN,仅为0.0156s.因此,该方法更适合大数据样本的工程应用.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周泽民		10	1	1.0	1.0
2	彭彦军		9	0	0.0	0.0
3	蒋伟		4	5	1.0	2.0