Resumen

La detección y localización de descargas parciales son muy importantes en la monitorización del estado de los cables eléctricos, por lo que es necesario construir un reconocedor preciso para reconocer los tipos de descarga. En este trabajo, en primer lugar, se construye un modelo de cable eléctrico basado en simulación FDTD para obtener las señales de descarga típicas como muestras de entrenamiento. En segundo lugar, dado que la extracción de las características de las señales de descarga es crucial, se extraen las características fractales de las muestras de entrenamiento y se introducen en el reconocedor. Para que los resultados sean más precisos, en este artículo se propone un reconocedor multi-SVM compuesto por seis máquinas de vectores soporte (SVM). El resultado del reconocedor multi-SVM viene determinado por el voto de las seis SVM. Por último, se comparan las redes neuronales BP y ELM con multi-SVM. La comparación de precisión muestra que el reconocedor multi-SVM tiene la mejor precisión y estabilidad, y puede reconocer el tipo de descarga de forma eficiente.

• Materias:Ingeniería electrónica Comunicaciones Ópticas Redes Inalámbricas Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering Optical communications Wireless Networks Signal processing computer-assisted Data processing
• Palabras claves:reconocedor svm, svm, muestras de entrenamiento, máquinas de vectores soporte, características de la señal de descarga, modelo de cable de alimentación, señales de descarga típicas, artículo, simulación fdtd, comparación de precisión
• Keywords:svm recognizer, svm, training samples, support vector machines, discharge signal features, power cable model, typical discharge signals, paper, fdtd simulation, accuracy comparison