典型文献
基于神经网络的D-S多信息融合GIL局部放电联合识别方法
文献摘要：
为提高气体绝缘输电线路(gas insulated transmission line,GIL)典型缺陷局部放电故障识别率,提出了一种基于神经网络的D-S多信息融合的GIL典型缺陷局部放电联合识别方法,该方法基于GIL典型缺陷局部放电的超声信号、特高频信号、声-电(超声-特高频)联合信号,构造对应的Hankel矩阵并提取其奇异值特征,采用BP神经网络进行放电类型识别;将该初步识别结果作为证据体基于D-S证据合成法则计算信度分配,最终利用决策规则进行放电类型的识别.研究结果表明:采用BP神经网络的识别方法,基于特高频信号、超声信号和声-电联合信号的典型缺陷的总识别率分别为85％、75％、97％;在此基础上,基于D-S多信息融合的典型缺陷GIL局放识别方法可将整体识别率提升至99％以上.
文献关键词：
气体绝缘输电线路;局部放电;神经网络;D-S多信息融合;联合识别
中图分类号：
作者姓名：
艾嘉伟;牛海清;陈泽铭;李小潇;曾雨萌;庄小亮
作者机构：
华南理工大学电力学院,广州5106401;南方电网超高压输电公司,广州510620
文献出处：
引用格式：
[1]艾嘉伟;牛海清;陈泽铭;李小潇;曾雨萌;庄小亮-.基于神经网络的D-S多信息融合GIL局部放电联合识别方法)[J].高电压技术,2022(12):4925-4932
A类：
B类：
多信息融合,GIL,电联,联合识别,高气,气体绝缘输电线路,gas,insulated,transmission,line,典型缺陷,局部放电故障,故障识别率,超声信号,特高频信号,Hankel,奇异值,类型识别,证据体,证据合成,成法,决策规则,和声,局放
AB值：
0.248254
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。
