1、“.....旨在通过池化操作将特征图的尺寸缩小为原来的分之,使卷积层提取的特征信息更为集中,便于之后的分类工作。全局平均池化层为了减低参数数量,提升模型运行速度以及减少因为参数数量过大带来的过拟合的影响,本文网络使用全局平均池化层替代了传统的全连比于分析模式,分析模式受噪声影响小稳定性好,在研究中应用更加广泛。因此,本文采用基于分析模式的特征提取。表实验参数设置识别结果设置的神经元停止概率为和,对比不同停止概率时的平均局部放电识别准确率,如图所示。图层不同停止概率的识别准确率图显示,层参数设置不同时,局部放电模式识别的准确率不同。当神经元停止概率为时,平均识别准确率达到最高,为。因此本文采用,并设置神经元停于高压状态,容易产生局部放电,。局部放电是引起绝缘劣化的主要原因,又是表征绝缘状况的重要特征量。因此,开展对的局部放电的研究,区分不同故障源,对于保证的安全可靠运行......”。

2、“.....局部放电模式识别目前,对的性质形式和特点的研究表明,不同类型的故障会产生不同的电信号,构造局部放电模式是特征量提取的前提。目前常用局部放电模式主要有基于时基于密集连接网络的局部放电模式识别原稿的灰度图在像素点的灰度空间位置以及内在结构上具有明显的差异,而同类型的局部放电灰度图具有定的相似性。近年来,卷积神经网络在语音识别人脸识别物体识别然语言处理等方面获得了重要突破,尤其擅长处理图像的相关机器学习问题。使用卷积神经网络,可以挖掘局部放电灰度图像素点的灰度空间位置以及内在结构之间存在的更为深层的联系。因此,本文采用卷积神经网路,实现种典型局部放电的模式识别。网络结构设计对于本文的种典型局部放电灰度图模式识别任务,非常深的神经网络容易过电灰度图密集连接网络,电灰度图是利用数据构造,具体步骤如下利用采集到的超高频放电脉冲序列数据构造ϕ维图谱......”。

3、“.....将其分别划分为个小区间和个小区间,统计每个小区间上的放电次数。然后根据公式计算各个像素点的灰度值,使灰度图上像素点的灰度值与放电次数有着良好的映射关系图种典型局部放电的灰度图图中,每个像素点的颜色越黑,代表该点发生的放电次数越多。大量局部放电灰度图构造实验证明,种典型局部放电不同停止概率的识别准确率图显示,层参数设置不同时,局部放电模式识别的准确率不同。当神经元停止概率为时,平均识别准确率达到最高,为。因此本文采用,并设置神经元停止概率为。摘要气体绝缘电器,的局部放电,模式识别问题中,传统方法多为专家依据经验设计特征,具有定的盲目性。深度学习可以自动挖掘数据的特征表示,但是需要大规模训练数据。密集连接网,传统机器学习方法识别准确率较低,而可以有效提高识别准确率。这说明卷积神经网络在局部放电类型的识别中有着更为出色的表现。除此之外......”。

4、“.....其中对颗粒放电和气隙放电的准确率的提高更加显著,分别提高了和。这说明通过引入密集连接单元,本文方法有效的抓住了每种放电类型的关键特征,鲁棒性好。结论针对局部放电模式识别问题,本文提出了种基于密集连接网络的局部放电类型络,的特征复用可以充分利用网络低中高层的特征信息,同时有效减少冗余特征,更符合本文小规模数据应用。因此,针对超高频信号的模式识别问题,本文提出将超高频信号数据转化为局部放电灰度图,利用密集连接网络自适应抽取放电灰度图的特征进行局部放电模式识别的方法。实验结果表明,本文方法比传统方法和具有更高的准确性。关键词气体绝缘电器局部放电模式识别放密集连接单元每个密集连接单元由层卷积网络构成,结构如图所示。图密集连接单元结构图密集连接单元的每层输出为最大池化层本文网络使用了两个最大池化层,分别位于第个卷积层和密集连接单元之间......”。

5、“.....旨在通过池化操作将特征图的尺寸缩小为原来的分之,使卷积层提取的特征信息更为集中,便于之后的分类工作。全局平均池化层为了减低参数数量,提升模型运行速度以及减少因为参数数量过大带来的过拟合的影响,本文网络使用全局平均池化层替代了传统的全连放电的灰度图在像素点的灰度空间位置以及内在结构上具有明显的差异,而同类型的局部放电灰度图具有定的相似性。近年来,卷积神经网络在语音识别人脸识别物体识别然语言处理等方面获得了重要突破,尤其擅长处理图像的相关机器学习问题。使用卷积神经网络,可以挖掘局部放电灰度图像素点的灰度空间位置以及内在结构之间存在的更为深层的联系。因此,本文采用卷积神经网路,实现种典型局部放电的模式识别。网络结构设计对于本文的种典型局部放电灰度图模式识别任务,非常深的神经网络容基于密集连接网络的局部放电模式识别原稿......”。

6、“.....可以有效解决这两个问题,其做法是在每次训练过程中按照定概率将部分神经元暂时从网络中丢弃,从而定程度降低模型的复杂度。如图所示。图效果图的参数设置会影响识别结果。设置的神经元停止概率为和,对比不同停止概率时的平均局部放电识别准确率,结果在节展示。实验结果与分析,络,的特征复用可以充分利用网络低中高层的特征信息,同时有效减少冗余特征,更符合本文小规模数据应用。因此,针对超高频信号的模式识别问题,本文提出将超高频信号数据转化为局部放电灰度图,利用密集连接网络自适应抽取放电灰度图的特征进行局部放电模式识别的方法。实验结果表明,本文方法比传统方法和具有更高的准确性。关键词气体绝缘电器局部放电模式识别放的灰度图在像素点的灰度空间位置以及内在结构上具有明显的差异,而同类型的局部放电灰度图具有定的相似性。近年来,卷积神经网络在语音识别人脸识别物体识别然语言处理等方面获得了重要突破......”。

7、“.....使用卷积神经网络,可以挖掘局部放电灰度图像素点的灰度空间位置以及内在结构之间存在的更为深层的联系。因此,本文采用卷积神经网路,实现种典型局部放电的模式识别。网络结构设计对于本文的种典型局部放电灰度图模式识别任务,非常深的神经网络容易过分之,使卷积层提取的特征信息更为集中,便于之后的分类工作。全局平均池化层为了减低参数数量,提升模型运行速度以及减少因为参数数量过大带来的过拟合的影响,本文网络使用全局平均池化层替代了传统的全连接层,全局平均池化层将上层卷积层输出的整张特征图进行平均池化计算出个特征点,最后将上层所有特征图对应的特征点组成了最后的特征向量。假设输入为幅图像,第层为输入层或池化层,第层为卷积层,第层为池化层,则卷积层层的输出为局部放电灰度图缺陷的局部放基于密集连接网络的局部放电模式识别原稿易过拟合。密集连接网络通过特征复用,充分利用特征,同时减少了冗余特征......”。

8、“.....因此,本文提出了种基于密集连接网络的局部放电类型识别方法,对种典型局部放电的灰度图进行模式识别。网络结构如图所示。图中,网络首先从输入层输入分辨率的局部放电灰度图,经过卷积层后送入最大池化层,后接密集连接单元,再经最大池化后输入密集连接单元。最后送入全局平均池化层,对前面各卷积层提取到的特征进行处理,输出最终的分类结果。下面对本模型的具体结构进行介的灰度图在像素点的灰度空间位置以及内在结构上具有明显的差异,而同类型的局部放电灰度图具有定的相似性。近年来,卷积神经网络在语音识别人脸识别物体识别然语言处理等方面获得了重要突破,尤其擅长处理图像的相关机器学习问题。使用卷积神经网络,可以挖掘局部放电灰度图像素点的灰度空间位置以及内在结构之间存在的更为深层的联系。因此,本文采用卷积神经网路,实现种典型局部放电的模式识别......”。

9、“.....具体步骤如下利用采集到的超高频放电脉冲序列数据构造ϕ维图谱,将其投影到ϕ平面,即提取其中的工频相位ϕ和放电信号幅值,将其分别划分为个小区间和个小区间,统计每个小区间上的放电次数。然后根据公式计算各个像素点的灰度值,使灰度图上像素点的灰度值与放电次数有着良好的映射关系图种典型局部放电的灰度图图中,每个像素点的颜色越黑,代表该点发生的放电次数越多。大量局部放电灰度图构造实验证明,种典型局部。这说明卷积神经网络在局部放电类型的识别中有着更为出色的表现。除此之外,本文密集连接网络对类局部放电类型识别准确率在基础上又有大幅度的提高,其中对颗粒放电和气隙放电的准确率的提高更加显著,分别提高了和。这说明通过引入密集连接单元,本文方法有效的抓住了每种放电类型的关键特征,鲁棒性好。结论针对局部放电模式识别问题......”。