摘要：随着大数据平台的建立,数据中心积累了大量现场检测存储的图像等非结构化数据。传统的局部放电模式识别方法一般针对结构化数据,无法直接应用于非结构化数据。为解决该问题,提出一种基于一维卷积神经网络的局部放电时域波形图像的模式识别方法。利用图像处理技术对输入图像进行预处理,获取数据一维特性并进行线性归一化。基于深度学习,利用网络直接进行模式识别。通过变电站现场带电检测和实验室模拟实验,建立了 5种局放缺陷类型的时域波形图像数据集,并进行了对比实验。实验结果表明,使用一维卷积神经网络对局放缺陷进行模式识别的正确率为88.9%,显著优于支持向量机、反向传播神经网络模型,且在相同时间复杂度情况下优于二维卷积神经网络。该方法通过网络自主学习特征,无需人工提取,实现了对时域波形图像类非结构化数据的直接识别,实验复杂度低,具有更高识别率和更好鲁棒性。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社