基于融合极限学习机的局部放电模式识别

基于融合极限学习机的局部放电模式识别
局部放电(PD)是配电设备绝缘故障早期的主要表现形式，放电类型的模式识别对于设备绝缘性能的判定具有重要意义。考虑到极限学习机(ELM)法结构简单、训练速度快，但初始参数选取随机性大，算法稳定性不够的特点，提出一种基于融合ELM算法的PD模式识别方法，综合考虑不同特征判断准确率的差异，采用自适应权值分配对子分类器输出结果实现决策级融合。文中设计了4种放电物理模型来模拟典型的设备绝缘缺陷，采用高频电流法对PD信号波形和相位-幅值谱图(PRPD)进行采集，获得足够样本的实验数据，提取时频域及统计特征值进行分类。结果表明融合ELM算法在保证训练速度的同时，在识别正确率和稳定性上均优于传统ELM算法和反向传播(BP)神经网络。

标题：
基于融合极限学习机的局部放电模式识别
Pattern recognition of partial discharge based on fusion extreme learning machine

作者：
潘志新，刘利国，钱程，王震，袁栋
PAN Zhixin, LIU Liguo, QIAN Cheng, WANG Zhen, YUAN Dong

关键词：
局部放电;模式识别;极限学习机;数据融合;配电设备
partial discharge;pattern recognition;extreme learning machine;data fusion;distribution equipment

2025-1-22 20:09 上传 基于融合极限学习机的局部放电模式识别.pdf

文件大小:

1.67 MB

下载次数:

60

高速下载