摘要：传统的变压器局部放电模式识别算法由于需调整的参数多且难以确定最佳参数、学习速度慢等缺点,在实际工程应用中识别正确率低,识别速度慢。因此,提出了一种基于在线序列极限学习机（OS-ELM）算法的变压器局部放电模式识别方法,该算法是传统极限学习机（ELM）的在线学习改进算法,是一种新型的单隐含层前馈神经网络（SLFN）。本文基于特高频检测法在真型变压器上进行局部放电实验,并获得大量实验数据。将本文所提方法与ELM、支持向量机（SVM）以及BP神经网络（BPNN）的模式识别效果和性能进行了比较分析。结果表明OS-ELM算法识别正确率比SVM和BPNN分别高出5.2%和23.2%;逐渐减小训练样本集大小,OS-ELM识别结果的波动明显小于SVM和BPNN,表现出更好的泛化能力;OS-ELM的训练时间仅为0.031 2 s,远远小于SVM和BPNN。因此,OS-ELM更适用于大数据量样本的工程应用。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社