少样本条件下的电缆局部放电模式识别

条件下的电缆局部放电模式识别"/>

少样本条件下的电缆局部放电模式识别

摘要

针对电缆局部放电灰度图数目过少，难以训练基于大规模数据集的深度残差网络模型的问题，从数据增广与模型简化两方面入手，提出一种基于少样本的电缆局部放电模式识别方法。选择深度卷积生成对抗网络（DCGAN）对局部放电灰度图进行扩充，构造基于盒维数的生成样本评价指标以验证生成样本的有效性；对比分析残差模块、网络深度对深度残差网络（ResNet）分类性能的影响，在此基础上提出一种简化的残差网络模型来匹配小规模局部放电数据集。经实验测试，简化后的残差网络模型平均迭代时间为7.3s，识别准确率达98.5%。与直接使用少量样本训练深度残差网络的方法相比，所提方法具有较快的模型训练速度与较高的识别精度。

0 引言

电缆是配电网及大规模清洁能源接入的关键基础设备，其可靠性关系到电力系统的安全稳定运行。我国日益增长的对更清洁、更低碳的绿色电网的需求使电缆在电力系统中扮演着愈发重要的角色。局部放电是电缆绝缘劣化的重要表征，对于不同类型的绝缘缺陷，其局部放电的表征也有所区别［1］