卷积神经网络迁移学习在局部放电类型诊断中的应用

• 作者: 唐志国 曹智 何宁辉
• 来源期刊: 高压电器
• 关键词: 卷积神经网络 深度学习 GIS 局部放电 模式识别
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 技术讨论
• 页码范围: 158-164
• 页数: 6页
• 语种: 中文
• DOI: 10.13296/j.1001⁃1609.hva.2022.04.022

摘要

气体绝缘金属封闭开关设备的局部放电具有随机性，即使同一类型缺陷仍有较多表观变化形式，传统模式识别构造的特征难以适应其多变性；近年来兴起的卷积神经网络虽具有自适应提取特征的能力，但训练得到性能更好的网络模型一方面需要增加网络深度，另一方面需要更多的数据样本作为支撑。鉴于此，提出了基于在ImageNet数据集上训练的VGG、InceptionV3、Resnet50 3种网络模型迁移学习的GIS局部放电模式识别方法，并将网络提取的特征应用于在小数据集下表现良好的经典分类器SVM，实现卷积神经网络深度学习和机器学习的结合。实验表明，该方法能够有效提升GIS局部放电模式识别的准确率。