《表2 不同识别模型的OLTC故障识别性能比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的变压器有载分接开关故障识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为进一步说明本文所提基于DMRP-CNN的OLTC机械故障识别模型的有效性，本文在此综合现有文献的研究结果，分别给出了基于OLTC振动信号的相点空间分布系数-反向传播神经网络模型（PPDC-BPNN)[26]、RP灰度直方序列-支持向量机模型（RPGHS-SVM)[27]、RP-CNN这3种模型的识别结果，如表2所示。为清晰起见，表中同时给出了DMRP-CNN的识别结果。由表可见，PPDC-BPNN与RPGHS-SVM这2种方法因识别模型所需训练的参数规模较小，训练过程用时较短，2种基于CNN的识别模型训练用时相对较长。但在识别效果方面，本文提出的DMRP-CNN模型的识别效果均优于其他3种识别模型，尤其在故障1、故障3这2种轻微故障的识别效果上提升明显。具体来说，因故障2、故障4的故障特征较为明显，现有的PPDC-BPNN等模型亦具有较高的识别准确率。但对故障1与故障3这2种轻微机械故障来说，仅DMRP-CNN仍具有高于93%的识别率，体现出了本文所提出的这一算法的较强的特征捕捉能力与识别性能。