基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法

摘要：

提出了一种基于Hilbert边际谱和稀疏自编码器 (SAE) —深度神经网络 (DNN) 的局部放电 (PD) 信号的模式识别方法.首先, 以变分模态分解 (VMD) 对PD信号进行分解, 对所得各分量进行Hilbert变换构建相应的Hilbert边际谱.其次, 以PD信号的Hilbert边际谱为输入数据, 利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数.再次, 利用SAE的训练结果初始化DNN, 再以大量训练样本进行分类器的训练.同时, 为了加快SAE和DNN学习过程的收敛速度, 以自适应步长的学习速率对网络进行调优, 更新权值参数.最后, 用训练好的DNN完成测试样本的PD类型的识别.此外, 以基于BP神经网络和支持向量机的识别结果与文中结果进行比较.实验结果证明, 所采用的识别方法具有更高的正确识别率.

关键词：局部放电、模式识别、Hilbert边际谱、稀疏自编码器、深度神经网络

所属期刊栏目：43

资助基金：国家自然科学基金资助项目51677072;中央高校基本科研业务费专项资金资助项目2017XS118 This work is supported by National Nature Science Foundation of China51677072;Fundamental Research Funds for the Central Universities2017XS1l8

在线出版日期：2019-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：87-94