基于双传声器和深度学习的变压器状态识别OACSTPCD
针对单传感器状态识别算法存在漏检、误检的缺陷,文章提出一种基于双传声器和深度学习的变压器状态识别算法,即基于一维卷积神经网络和双传声器数据融合算法(1D-CNN based dual microphones fusion algorithm,1D-CNN-DMF)。利用2个传声器分别同时采集变压器声信号,通过一维卷积神经网络对2个传声器采集到的声信号分别进行特征提取,并利用全连接层对特征进行融合,最终通过softmax分类器进行分类。通过采集500 kV变压器的声信号构建数据集进行验证,结果表明1D-CNN-DMF算法可以有效地对变压器不同状态进行分类,分类准确率高于1D-CNN-LSTM、1D-CNN、FFT-BP、SVM和FFT-SAE等算法。最后利用t-SNE可视化工具揭示了1D-CNN-DMF算法的内在机制。
马裕超;汪欣;钱勇;莫娟;韩利;
中国电力科学研究院有限公司,北京市海淀区100055中国科学院上海高等研究院,上海市浦东新区201210国网宁夏电力有限公司电力科学研究院,宁夏回族自治区银川市750002
计算机与自动化
深度学习状态识别声信号处理卷积神经网络
《电力信息与通信技术》 2024 (002)
P.54-60 / 7
国家电网有限公司总部科技项目资助“110kV~750kV变压器出厂噪声指标逆向评测方法研究与应用”(8100-202055154A-0-0-00)。
评论