基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法

提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先，以变分模态分解(VMD)对PD信号进行分解，对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次，以PD信号的Hilbert边际谱为输入数据，利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次，利用SAE的训练结果初始化DNN，再以大量训练样本进行分类器的训练。同时，为了加快SAE和DNN学习过程的收敛速度，以自适应步长的学习速率对网络进行调优，更新权值参数。最后，用训练好的DNN完成测试样本的PD类型的识别。此外，以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明，所采用的识别方法具有更高的正确识别率