通过减去平均值的优化算法优化了多道CNN-SABO-SVM网络网络的HVCB故障诊断
Qingjun Song1, Jiuxin Wang1, Qinghui Song1
1College of Electrical Engineering and Automation, Shandong University of Science and Technology, Qingdao, 266590, China.
Scientific reports
|November 28, 2024
概括
本研究引入了一种新的故障诊断模型,用于高压断路器 (HVCB),使用多通道CNN和SVM与SABO优化. 该模型在有限的样本场景中表现出色,提高了关键电力系统组件的诊断准确性.
科学领域:
- 电气工程 电气工程
- 人工智能的人工智能
- 机械工程 机械工程
背景情况:
- 确保电力系统的稳定性取决于精确的高压断路器 (HVCB) 机械故障诊断.
- 深度学习方法通常在有限的样本数据下表现不佳,这对HVCB故障检测构成了挑战.
研究的目的:
- 开发一个先进的HVCB操作机制故障诊断模型,以小数据集克服深度学习的局限性.
- 通过利用多模式数据融合和优化分类,提高HVCB故障诊断的准确性和概括性.
主要方法:
- 采用多通道卷积神经网络 (CNN) 来从多模式HVCB数据 (振动和声音) 中提取和融合特征.
- 支持矢量机 (SVM) 用于分类融合特征,在有限的数据场景中提供比Softmax更好的性能.
- 引入了以减去平均值为基础的优化器 (SABO) 来对SVM分类器进行超参数优化,进一步提高了诊断准确性.
主要成果:
- 拟议的多频道CNN-SABO-SVM (MCCSS) 模型与单模CNN和多频道CNN-SVM模型相比,表现出优越的性能.
- 在MCCSS模型中,比较模型的准确度提高了2.66%和10.66%.
- 在HVCB故障测试平台上的实验验证证证了该模型在用有限的样本数据诊断故障方面的有效性.
结论:
- 开发的MCCSS模型有效地解决了在有限的样本条件下HVCB故障诊断的挑战.
- 多模式数据融合与优化的SVM分类器相结合,为提高电力系统可靠性提供了强大的解决方案.
- 该研究强调了先进的深度学习和优化技术在关键基础设施监控方面的潜力.
