电力系统保护与控制
電力繫統保護與控製
전력계통보호여공제
POWER SYSTM PROTECTION AND CONTROL
2011年
14期
40-46
,共7页
姚林朋%王辉%钱勇%黄成军%郑文栋%江秀臣
姚林朋%王輝%錢勇%黃成軍%鄭文棟%江秀臣
요림붕%왕휘%전용%황성군%정문동%강수신
XLPE电缆%局部放电%半监督学习%模式识别%主成分分析
XLPE電纜%跼部放電%半鑑督學習%模式識彆%主成分分析
XLPE전람%국부방전%반감독학습%모식식별%주성분분석
在交联聚乙烯(XLPE)电力电缆的局部放电模式识别的研究中,为解决标注样本数量过少而导致识别率低下的问题,引入基于半监督学习的方法进行电缆局部放电模式识别研究.制作了XLPE电缆的四类典型绝缘缺陷,从局部放电信号中提取20种统计特征参数,对基于半监督学习的一致性模型方法与基于有监督学习的J48,K近邻,BP神经网络等方法进行了对比,并采用主成分分析进行优化.研究结果表明半监督学习能充分利用已标注样本的特征信息和未标注样本的分布信息,增强分类器的性能,提高局部放电模式识别的准确率.而通过主成分分析的方法能降低样本特征维数,有效提高半监督学习算法速度.
在交聯聚乙烯(XLPE)電力電纜的跼部放電模式識彆的研究中,為解決標註樣本數量過少而導緻識彆率低下的問題,引入基于半鑑督學習的方法進行電纜跼部放電模式識彆研究.製作瞭XLPE電纜的四類典型絕緣缺陷,從跼部放電信號中提取20種統計特徵參數,對基于半鑑督學習的一緻性模型方法與基于有鑑督學習的J48,K近鄰,BP神經網絡等方法進行瞭對比,併採用主成分分析進行優化.研究結果錶明半鑑督學習能充分利用已標註樣本的特徵信息和未標註樣本的分佈信息,增彊分類器的性能,提高跼部放電模式識彆的準確率.而通過主成分分析的方法能降低樣本特徵維數,有效提高半鑑督學習算法速度.
재교련취을희(XLPE)전력전람적국부방전모식식별적연구중,위해결표주양본수량과소이도치식별솔저하적문제,인입기우반감독학습적방법진행전람국부방전모식식별연구.제작료XLPE전람적사류전형절연결함,종국부방전신호중제취20충통계특정삼수,대기우반감독학습적일치성모형방법여기우유감독학습적J48,K근린,BP신경망락등방법진행료대비,병채용주성분분석진행우화.연구결과표명반감독학습능충분이용이표주양본적특정신식화미표주양본적분포신식,증강분류기적성능,제고국부방전모식식별적준학솔.이통과주성분분석적방법능강저양본특정유수,유효제고반감독학습산법속도.
