基于变分贝叶斯自编码器的局部放电数据匹配方法

随着局部放电检测案例的累积,将疑似局部放电数据与历史案例中的数据进行匹配获取相似案例,是大数据背景下对局部放电数据进行深度挖掘的一种思路。因此,提出了一种基于变分贝叶斯自编码器（auto-encoding variational Bayes,AEVB）的局部放电数据匹配方法。构建了适用于局部放电数据的AEVB网络模型,利用AEVB提取局部放电数据特征值,然后基于余弦距离计算不同局部放电数据之间的匹配度。为验证方法的有效性,通过局部放电模拟实验和变电站现场带电检测建立了局部放电数据集,并对所提方法和其他特征提取与匹配方法进行了对比分析,包括统计特征值、深度信念网络、深度卷积网络、主成分分析、线性判别分析的特征提取方法和欧氏距离、最佳熵的匹配度计算方法。实验结果表明,基于AEVB和余弦算法的数据匹配方法相比其他数据匹配方法可以更有效的检出相似局部放电数据。