《表A1不同深度学习方法在通用数据集上的识别结果》
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Hilbert边际谱和SAE-DNN的局部放电模式识别方法》
在训练样本数量相对较少时,CNN与DNN的识别率明显降低。CNN本身对于样本数量的要求较为严格,样本数量不足,训练样本达到同样的误差阈值下,CNN需要更多的迭代次数,迭代耗时较长,识别效果不佳。然而在工程应用中,样本规模仍然有限,因此这也在一定程度上限制了CNN在电气设备故障诊断的应用。另外,CNN的训练时间并未随着样本数量的增加呈现明显规律性趋势。这是因为当样本规模较少时,由于样本资源不足,达到规定的训练误差所需的迭代次数可能较多,损耗了训练时间;当样本规模较大时,由于样本资源丰富,达到规定的误差范围所需的迭代次数可能更少,耗时也相对较短。本文方法在较低的样本数量时仍能达到80%以上的识别率,可以说明进行SAE能有效地发现PD信号边际谱中包含的内在放电类型特征。将SAE所得的隐层表达用于DNN的初始化,对DNN的收敛过程有很大帮助。另外,自适应步长学习速率的应用在调优过程中,依据每次训练的结果有效地控制步长大小,避免了步长偏大造成的反复迭代,减少了训练所需的迭代次数。
图表编号 | XD0030117000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.10 |
作者 | 高佳程、朱永利、郑艳艳、张科、刘帅 |
绘制单位 | 新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学) |
更多格式 | 高清、无水印(增值服务) |