基于深度学习算法的电力变压器故障识别研究

来源 :微型电脑应用 | 被引量 : 0次 | 上传用户:yanhuo68
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
电力变压器故障识别具有重要的研究价值.当前电力变压器故障识别方法存在误差大、消耗时间长等缺陷,以提高电力变压器故障识别效果为 目标,提出了基于深度学习算法的电力变压器故障识别方法.首先对电力变压器故障识别的研究进展进行分析,指出各种方法存在的局限性,然后采集电力变压器故障识别数据,并提取电力变压器故障识别特征,最后将特征作为深度学习算法的输入,电力变压器故障识别作为输出,通过学习建立电力变压器故障识别分类器.还进行了电力变压器故障识别实例分析,分析结果表明,深度学习算法的电力变压器故障识别正确率超过95%,不仅误识率和拒识率控制在有效范围内,而且电力变压器故障识别时间更少,获得了更优的电力变压器故障识别实时性.
其他文献
CAN总线系统的媒体访问方式是载波监听多路访问/冲突检测形式,总线仲裁方式采用非破坏性仲裁技术,总线的优先权采用逐位仲裁规则,节点数据帧的编码成为判断数据优先级的依据,属于固定优先级调度算法.当总线的利用率和负载过大时,各个节点的实时性需要不能得到完全满足,因而提出使用最早截止期优先调度算法EDF对CAN总线通信系统的实时性能进行改进,并使用MATLAB/Simulink中的Stateflow工具箱建立基于EDF动态优先级调度算法的CAN总线仿真模型.通过仿真,将动态优先级调度算法引进前后不同负载率下各节
利用基于马赫-增德(Mach-Zehnder,简称M-Z)光纤干涉原理的光纤振动传感仪的模式识别技术,提升设备对电力地埋管廊物理入侵事件模式识别能力.通过对典型环境重点入侵事件的数据采集、分析、处理,建立振动事件数据库,利用相干光拍频技术、振动识别算法、机器学习技术,对不同振动信号的频域图和时域图进行分析判断,提取波形幅度、持续时间、波形密度等特征值.