非典型数据集下基于Swin Transformer的局部放电模式识别

作     者：张雨啸 张贲 宋辉 唐忠 刘广辉 江长明 

作者机构：国网山东省电力公司枣庄供电公司 上海交通大学电子信息与电气工程学院 上海电力大学计算机科学与技术学院 国家电网有限公司华北分部 

出 版 物：《高电压技术》 (High Voltage Engineering)

年 卷 期：2024年

核心收录：

学科分类：0808[工学-电气工程] 080803[工学-高电压与绝缘技术] 08[工学] 

基　　金：自然科学基金项目(52007117) 国家电网有限公司科技项目(编号略) 

主　　题：局部放电 深度学习 模式识别 非典型特征 Swin Transformer PRPS 

摘      要：随着深度学习算法在局部放电模式识别领域的广泛应用，其很大程度上弥补了传统方法实行困难、效率低下的缺点。但由于实际现场局部放电机理复杂且情况多变，且可供训练的缺陷放电数据稀缺，大部分深度学习算法仍旧难以在实际使用中取得理想的识别准确率。本文通过分析实际测得的局部放电PRPS图谱特征上存在的问题，对比前者和局部放电缺陷实验模型上测得的PRPS图谱特征之间的差异，发现实际测得的现场数据具有更多的非典型特征，于是针对其提出一种基于Swin Transformer网络的局部放电识别方法，测试了网络在前述两种来源数据上的识别准确率，并与传统神经网络进行了对比。最终结果表明：Swin Transformer网络可以在实际现场数据分类上取得93.3%的识别准确率，与传统方法相比，其识别准确率更高，且适用于现场缺乏局部放电样本的情形，更适合实际条件下使用。