基于深度卷积神经网络的GIS缺陷局部放电识别

摘要

cqvip:为了实现气体绝缘金属开关设备(gas insulated switchgear,GIS)缺陷类型的判别,在实验室以GIS设备为试验对象,设置了自由金属微粒、绝缘子表面微粒、母线金属毛刺、外壳金属毛刺、悬浮电位和绝缘子气泡六种缺陷,对GIS设备施加高压以产生局部放电,应用特高频法对局部放电信号进行检测,提取了缺陷脉冲相位分布模式(phase resolved defect pulse,PRDP)特征图谱。利用深度学习的开源框架Caffe搭建AlexNet卷积神经网络来实现PRDP模式识别,与传统的传统模式识别相比较,卷积神经网络简化了模式识别步骤,提高了计算效率,提升了GIS缺陷识别正确率。