用深度學(xué)習(xí)算法識(shí)別開關(guān)柜的局部放電故障
用深度學(xué)習(xí)算法識(shí)別開關(guān)柜的局部放電故障詳細(xì)資料由專業(yè)的低壓開關(guān)柜、低壓配電柜、低壓配電箱報(bào)價(jià)廠家為您提供。
江蘇省電力有限公司南京工程學(xué)院、鎮(zhèn)江供電分公司研究員王菲菲、阮愛民、魏剛、孫海波在2019年第4期《電氣技術(shù)》上撰文指出,目前的局部放電故障分類算法大多是淺層學(xué)習(xí)算法,人工提取的特征直接影響分類結(jié)果。與淺層學(xué)習(xí)算法相比,深層學(xué)習(xí)具有更深層的結(jié)構(gòu),能夠自動(dòng)從樣本中學(xué)習(xí)特征。卷積神經(jīng)網(wǎng)絡(luò)是一種典型的深度學(xué)習(xí)算法。
本文的目的是研究卷積神經(jīng)網(wǎng)絡(luò)在開關(guān)柜局部放電中的應(yīng)用,證明深度學(xué)習(xí)結(jié)構(gòu)能有效提高識(shí)別率。在本實(shí)驗(yàn)中,采集了正常和故障聲音信號(hào),經(jīng)過特征提取后,將上述兩種聲音信號(hào)分為SVM模型和卷積神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的SVM方法相比,卷積神經(jīng)網(wǎng)絡(luò)提高了語音識(shí)別的準(zhǔn)確性。
在電力系統(tǒng)中,10kV金屬封閉型開關(guān)柜是直接面向用戶的電力設(shè)備。電力系統(tǒng)的安全運(yùn)行與開關(guān)柜狀態(tài)密切相關(guān)。根據(jù)相關(guān)數(shù)據(jù),絕緣劣化和接觸不良是開關(guān)柜的主要故障。在這些故障發(fā)生之前,會(huì)有局部放電。因此,通過對(duì)局部放電信號(hào)的有效監(jiān)測(cè),可以在開關(guān)柜的絕緣層劣化之前采取措施降低事故率。
目前,高電壓開關(guān)柜的故障檢測(cè)方法包括電氣測(cè)量和非電氣測(cè)量。電學(xué)測(cè)量方法主要有脈沖電流法、超高頻檢測(cè)法和無線電干擾電壓法。非電測(cè)量方法主要包括聲發(fā)射檢測(cè)法、光學(xué)測(cè)量法和紅外檢測(cè)法。與電測(cè)量方法相比,非電測(cè)量方法具有更強(qiáng)的抗電磁干擾能力。在非電測(cè)量方法中,超聲波應(yīng)用范圍較廣,但超聲波衰減速度快,難以穿透設(shè)備的金屬外殼。因此,我們檢測(cè)的是聲音信號(hào)的低頻帶,即聽覺聲音信號(hào)的故障檢測(cè)?;诼晫W(xué)特征量的診斷技術(shù)不需要觸摸設(shè)備,不干擾設(shè)備的正常運(yùn)行,可以隨時(shí)采集信號(hào),安裝方便。
與國(guó)外目前的研究狀況相比,我國(guó)的音頻在線監(jiān)測(cè)技術(shù)起步較晚,但發(fā)展迅速。文學(xué)
圖1正常工作信號(hào)的時(shí)域波形和頻譜圖
圖2放電過程中信號(hào)的時(shí)域波形和頻譜圖
2個(gè)分類器(略)
目前,故障檢測(cè)中的分類主要基于成熟的淺層學(xué)習(xí)算法,如SVM算法。淺層學(xué)習(xí)是一種隱含層較少的神經(jīng)網(wǎng)絡(luò),算法結(jié)構(gòu)簡(jiǎn)單。深度學(xué)習(xí)的概念提出后,各行各業(yè)的學(xué)者開始將其應(yīng)用到各個(gè)領(lǐng)域。本文嘗試將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于深度學(xué)習(xí)算法中的開關(guān)柜局部放電檢測(cè)領(lǐng)域,證明深度學(xué)習(xí)比淺學(xué)習(xí)算法具有更高的識(shí)別率。與淺層學(xué)習(xí)相比,深層學(xué)習(xí)具有更深層的結(jié)構(gòu)和更復(fù)雜的計(jì)算層次,因此在處理特征方面具有明顯的優(yōu)勢(shì)。
圖3卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖
3實(shí)驗(yàn)與分析(略)結(jié)論
實(shí)驗(yàn)結(jié)果表明,與SVM相比,卷積神經(jīng)網(wǎng)絡(luò)的故障識(shí)別率提高了1.81%,具有明顯的優(yōu)勢(shì)。輸入相同的樣本數(shù)據(jù),卷積神經(jīng)網(wǎng)絡(luò)具有較高的識(shí)別率,證明了卷積神經(jīng)網(wǎng)絡(luò)提取的特征比SVM提取的特征具有更高的識(shí)別率和更有效的分類。
實(shí)驗(yàn)中選取的樣本數(shù)量較少,而卷積神經(jīng)仍然達(dá)到了較高的分辨率,有效地證明了深度學(xué)習(xí)框架不依賴于樣本數(shù)量來提取特征。因此,可以得出結(jié)論,這種卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)結(jié)構(gòu)在開關(guān)柜 PD故障檢測(cè)系統(tǒng)中具有研究意義。
然而,上述故障診斷系統(tǒng)仍然存在一定的缺陷,例如局部放電故障沒有詳細(xì)分類。將來,可以建立一個(gè)實(shí)驗(yàn)平臺(tái)來模擬各種故障,并且可以使用各種檢測(cè)方法來進(jìn)行聯(lián)合檢測(cè)。通過上位機(jī)對(duì)數(shù)據(jù)進(jìn)行特征約簡(jiǎn)和特征值優(yōu)化,較后利用多分類器的結(jié)果進(jìn)行信息融合。根據(jù)上述方法,可以進(jìn)一步提高分類精度。
更多選型規(guī)格報(bào)價(jià)定制等問題可及時(shí)聯(lián)系廠家,以上就是用深度學(xué)習(xí)算法識(shí)別開關(guān)柜的局部放電故障全部?jī)?nèi)容。