基于可闻声源多模态特征的开关柜绝缘故障识别

精确的绝缘故障识别可以保证高压开关柜持续正常工作.根据电信号诊断开关柜故障的检测方法具有抗电磁干扰能力弱、接触性强等缺点.提出一种基于可闻声源多模态特征的非电信号检测方法,从开关柜发生绝缘故障时的可闻声信号中提取多模态特征,对比不同特征类型对识别结果产生的影响,并寻找最优的特征集合,应用支持向量机模型,对特征数据进行训练和识别,从而判断开关柜的绝缘状况.试验结果表明,采用支持向量机对可闻声特征集进行训练和识别,可以有效地诊断开关柜绝缘故障.

基于卷积神经网络的开关柜局部放电故障识别

目前的局部放电故障的分类算法大多是浅层学习算法,人工提取的特征直接影响分类结果。与浅层学习算法相对,深度学习具有更深的架构,能够自动从样本中学习特征,卷积神经网络是典型的深度学习算法。本文旨在研究卷积神经网络在开关柜局部放电的应用,证明深度学习架构能够有效提高识别率。本实验共采集正常和故障两种可听声信号,将以上两类声音信号进行提取特征后,分别放入SVM模型和卷积神经网络中进行分类。实验结果表明,卷积神经网络比传统的SVM提高了声音识别的准确度。