基于BAGAN-CNN的局部放电模式识别

电力设备发生局部放电为小概率事件，现场检测出的局部放电脉冲相位分析图谱样本具有数量稀少、样本类别比例不平衡的问题，导致难以训练出能够准确判断局部放电类型的分类器。为了扩充并平衡不同种类局部放电样本的数量，提高局部放电模式识别准确率，提出一种基于BAGAN-CNN的局部放电模式识别方法。首先，构建BAGAN(Balancing GAN)网络模型，解决原始ACGAN损失函数矛盾的问题，使BAGAN生成器能够生成样本种类稀少的局部放电数据。然后，将原始样本和增强样本作为分类器输入，构造卷积神经网络，自动提取局部放电特征，并通过Softmax层进行分类。实验表明，通过BAGAN生成的数据相比于其他数据扩充方法，能够生成更高质量局部放电样本；相较于传统分类器，CNN分类器的识别准确率更高。