关键词:
局部放电
卷积神经网络
模式识别
增量学习
注意力图
非遗忘学习
摘要:
针对变压器局部放电类型多样,局放数据以数据流的形式存在,不可能一次性获得完整的样本集的问题,本文采用基于增量学习的方法对变压器的局部放电模式识别进行了研究。首先,对局放信号进行时频分析,得到局放信号的边际谱图像作为网络模型的输入;其次,构造数据集,并模拟实际情况,将不同的局放类型划分为不同的任务;最后,利用GradCAM++生成注意力图并构造注意力损失,对非遗忘学习算法进行改进,从而实现网络模型故障模式库的自动更新。实验结果证明,本文所提的方法更加接近实际情况,不同于以往分类器的静态模型,其可以在不改变模型主体结构的前提下,尽可能地保留以前任务的知识,并逐渐扩展网络模型的知识;相比于其他增量学习算法,本文的方法进一步缓解了灾难性遗忘的问题,一定程度做到了局部放电模式识别的智能化。