典型文献
基于CycleGAN与深度残差网络的局放数据增强与模式识别方法
文献摘要：
为了解决局放模式识别的准确性受不平衡样本与神经网络深度结构制约的问题,提出了一种基于CycleGAN与深度残差网络的局放数据增强与模式识别方法.首先对稀疏表示去噪及脉冲提取得到的局放脉冲信号进行S变换得到局放时频谱图作为训练样本.然后利用CycleGAN实现对局放时频谱图的重构增强,同时引入对抗损失函数、循环一致性损失函数,以保证局放数据的高质量生成,扩充后的局放样本库丰富度更高.最后利用增强后的局放数据集训练深度残差网络,利用残差块的恒等映射结构自适应调节网络深度,解决了深度网络不易收敛的问题,同时实现对局放信号的精准辨识.实验结果表明,经数据增强的深度残差网络模式识别准确率达到98％,较增强前提高了6.8％.
文献关键词：
局部放电;生成对抗网络;深度残差网络;数据增强;模式识别
中图分类号：
作者姓名：
刘兆宸;谢庆;王春鑫;张雨桐;李靖航;谢军;戴珍;侯佳萱
作者机构：
华北电力大学新能源电力系统国家重点实验室,河北保定 071003;南方电网数字电网研究院有限公司,广州 510670
文献出处：
引用格式：
[1]刘兆宸;谢庆;王春鑫;张雨桐;李靖航;谢军;戴珍;侯佳萱-.基于CycleGAN与深度残差网络的局放数据增强与模式识别方法)[J].高压电器,2022(11):106-113
A类：
B类：
CycleGAN,深度残差网络,局放,数据增强,模式识别,不平衡样本,深度结构,结构制约,稀疏表示,去噪,脉冲提取,脉冲信号,时频谱,频谱图,训练样本,对局,对抗损失函数,循环一致性损失,质量生成,放样,样本库,丰富度,集训,残差块,恒等映射,自适应调节,深度网络,网络模式,识别准确率,局部放电,生成对抗网络
AB值：
0.363508
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
