基于WOA-BP和D-S证据的高压电机局部放电模式识别方法

【摘要】：针对单一信号源特征无法准确识别局部放电(PD)类型的问题，提出了一种基于改进BP神经网络(BPNN)和D-S证据的高压电机PD模式识别方法。对不同类型PD的脉冲相位信息、特高频信号和超声波信号进行采集，提取不同信号的特征向参数，再分别构造基于鲸鱼优化算法(WOA)改进的BPNN识别模型对PD类型识别，将3个识别模型的识别结果作为证据体采用D-S证据组合规则进行融合，最后对融合结果进行决策。研究结果表明：基于3类单一信号源独立识别各类PD类型的准确度存在差异性和不确定性，识别率分别为83.3%、90.0%、83.3%,但3类信号源的共性和差异性可以融合互补，有各自优势，可以解决故障诊断中的不确定性问题。在此基础上，基于D-S证据融合的高压电机PD类型的整体识别率提升至96.6%,实现了3种信号源的优势互补，与单一模型对比，所提方法可以稳定、准确地识别PD模式，具有更高准确率和可靠性，验证了所提方法的有效性与正确性。