用深度學習算法識別開關柜的局部放電故障詳細資料由專業(yè)的低壓開關柜、低壓配電柜、低壓配電箱報價廠家為您提供。

江蘇省電力有限公司南京工程學院、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習算法，人工提取的特征直接影響分類結(jié)果。與淺層學習算法相比，深層學習具有更深層的結(jié)構(gòu)，能夠自動從樣本中學習特征。卷積神經(jīng)網(wǎng)絡是一種典型的深度學習算法。

本文的目的是研究卷積神經(jīng)網(wǎng)絡在開關柜局部放電中的應用，證明深度學習結(jié)構(gòu)能有效提高識別率。在本實驗中，采集了正常和故障聲音信號，經(jīng)過特征提取后，將上述兩種聲音信號分為SVM模型和卷積神經(jīng)網(wǎng)絡。實驗結(jié)果表明，與傳統(tǒng)的SVM方法相比，卷積神經(jīng)網(wǎng)絡提高了語音識別的準確性。

在電力系統(tǒng)中，10kV金屬封閉型開關柜是直接面向用戶的電力設備。電力系統(tǒng)的安全運行與開關柜狀態(tài)密切相關。根據(jù)相關數(shù)據(jù)，絕緣劣化和接觸不良是開關柜的主要故障。在這些故障發(fā)生之前，會有局部放電。因此，通過對局部放電信號的有效監(jiān)測，可以在開關柜的絕緣層劣化之前采取措施降低事故率。

目前，高電壓開關柜的故障檢測方法包括電氣測量和非電氣測量。電學測量方法主要有脈沖電流法、超高頻檢測法和無線電干擾電壓法。非電測量方法主要包括聲發(fā)射檢測法、光學測量法和紅外檢測法。與電測量方法相比，非電測量方法具有更強的抗電磁干擾能力。在非電測量方法中，超聲波應用范圍較廣，但超聲波衰減速度快，難以穿透設備的金屬外殼。因此，我們檢測的是聲音信號的低頻帶，即聽覺聲音信號的故障檢測。基于聲學特征量的診斷技術(shù)不需要觸摸設備，不干擾設備的正常運行，可以隨時采集信號，安裝方便。

與國外目前的研究狀況相比，我國的音頻在線監(jiān)測技術(shù)起步較晚，但發(fā)展迅速。文學

圖1正常工作信號的時域波形和頻譜圖

圖2放電過程中信號的時域波形和頻譜圖

2個分類器(略)

目前，故障檢測中的分類主要基于成熟的淺層學習算法，如SVM算法。淺層學習是一種隱含層較少的神經(jīng)網(wǎng)絡，算法結(jié)構(gòu)簡單。深度學習的概念提出后，各行各業(yè)的學者開始將其應用到各個領域。本文嘗試將卷積神經(jīng)網(wǎng)絡應用于深度學習算法中的開關柜局部放電檢測領域，證明深度學習比淺學習算法具有更高的識別率。與淺層學習相比，深層學習具有更深層的結(jié)構(gòu)和更復雜的計算層次，因此在處理特征方面具有明顯的優(yōu)勢。

圖3卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)圖

3實驗與分析(略)結(jié)論

實驗結(jié)果表明，與SVM相比，卷積神經(jīng)網(wǎng)絡的故障識別率提高了1.81%，具有明顯的優(yōu)勢。輸入相同的樣本數(shù)據(jù)，卷積神經(jīng)網(wǎng)絡具有較高的識別率，證明了卷積神經(jīng)網(wǎng)絡提取的特征比SVM提取的特征具有更高的識別率和更有效的分類。

實驗中選取的樣本數(shù)量較少，而卷積神經(jīng)仍然達到了較高的分辨率，有效地證明了深度學習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)絡的深度學習結(jié)構(gòu)在開關柜 PD故障檢測系統(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分類。將來，可以建立一個實驗平臺來模擬各種故障，并且可以使用各種檢測方法來進行聯(lián)合檢測。通過上位機對數(shù)據(jù)進行特征約簡和特征值優(yōu)化，較后利用多分類器的結(jié)果進行信息融合。根據(jù)上述方法，可以進一步提高分類精度。

更多選型規(guī)格報價定制等問題可及時聯(lián)系廠家，以上就是用深度學習算法識別開關柜的局部放電故障全部內(nèi)容。