《表8 不同分类方法的局部放电识别结果Table 8 PD pattern recognition accuracies using different classification methods》
表8给出了分别采用Fk NNC、反向传播神经网络[29]和支持向量机[23]对PSO优选2DPCA特征的识别结果。可以看出,SVM的识别结果比Fk NNC和BPNN更好,Fk NNC的识别率略低于SVM。从识别时间上看,Fk NNC不需要进行分类器训练,识别时间仅为0.16 s,而BPNN和SVM的总识别时间分别为8.31 s和90.5 s。另外,当新增一种新的局部放电缺陷类别时,Fk NNC可以在增加训练样本的同时直接进行识别,而BPNN和SVM需要重新进行分类器训练。因此,Fk NNC可以兼顾识别率和计算效率两个方面,更适合进行局部放电缺陷类型识别。
图表编号 | XD0015138800 严禁用于非法目的 |
---|---|
绘制时间 | 2018.05.01 |
作者 | 汪可、张书琦、李金忠、孙建涛、赵晓宇、廖瑞金、邹国平 |
绘制单位 | 中国电力科学研究院、中国电力科学研究院、中国电力科学研究院、中国电力科学研究院、中国电力科学研究院、重庆大学输配电装备及系统安全与新技术国家重点实验室、国网浙江省电力公司电力科学研究院 |
更多格式 | 高清、无水印(增值服务) |