用于局部放电模式识别的深度置信网络方法

气体绝缘电器(gas insulated switchgear,GIS)内部绝缘缺陷产生的局部放电(partial discharge,PD),特征表现较复杂,分散性大,易受运行环境影响,而基于PD统计特征模式识别的传统方法,特征量选取主观性较强,且容易丢失部分特征信息,尤其对自由金属微粒类型缺陷识别率较低。因此,提出了一种基于深度置信网络(deep belief nets,DBN)的GIS设备内部PD模式识别方法,DBN能从数据中自主学习出高阶特征,避免了特征量选取的主观影响,能较好识别自由金属微粒类型缺陷,且识别用时远低于支持向量机(support vector machine,SVM)和BP神经网络(back propagation neural networks,BPNN)算法,作为对GIS设备PD模式识别的新方法具有一定的实用价值。