典型文献
基于深度学习的水轮发电机定子绕组绝缘故障诊断
文献摘要：
为解决大型水轮发电机定子槽数多绝缘局部放电信号在绕组中传播特性不明确,试验室模拟现场故障其局部放电脉冲数据与真实发电机局部放电数据差异,由模拟故障数据训练诊断模型在实际应用中可靠性不高,实际应用少问题,本文从优化数据源质量入手,立足现场从20多台大型水轮发电机中通过在线、离线试验采集故障局部放电脉冲数据,并以此为基础建立3种故障数据样本库,将单位时间内脉冲数量、相位、幅值的统计数据构造成二维数组,并转化成30×100灰度图数据输入1通道卷积神经网络训练故障识别模型,模型在测试集中测试准确度达到95％以上,实际应用中可替代专业人员大量图谱数据初步分析工作.拓展了局部放电在线监测分析功能,提高了基于局部放电的发电机绝缘状态评估诊断的效率.
文献关键词：
发电机;绝缘局部放电;诊断模型;卷积神经网络;绝缘故障
中图分类号：
作者姓名：
杨增杰;曾令龙;谭尚仁;赵志清
作者机构：
华能澜沧江水电股份有限公司检修分公司,云南昆明650000
文献出处：
引用格式：
[1]杨增杰;曾令龙;谭尚仁;赵志清-.基于深度学习的水轮发电机定子绕组绝缘故障诊断)[J].电力大数据,2022(01):26-34
A类：
B类：
发电机定子绕组,绕组绝缘,绝缘故障,大型水轮发电机,定子槽数,绝缘局部放电,局部放电信号,传播特性,试验室,模拟现场,放电脉冲,故障数据,数据训练,诊断模型,从优,数据源,多台,台大,离线,样本库,单位时间,脉冲数量,二维数组,转化成,灰度图,图数据,神经网络训练,故障识别,识别模型,测试集,专业人员,谱数据,初步分析,分析工作,在线监测,监测分析,绝缘状态评估,评估诊断
AB值：
0.302962
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。
