基于改进XGBoost算法的XLPE电缆局部放电模式识别研究

TM855; 局部放电模式识别对交联聚乙烯(XLPE)电缆绝缘性能的判定具有重要意义.在XLPE电缆的局部放电模式识别的研究中,传统机器学习算法存在收敛速度慢、易过拟合、识别准确率低等问题.文章采用一种基于改进XGBoost算法的XLPE电缆局部放电模式识别方法.通过搭建电缆局部放电试验平台人为构造四种35 kV XLPE电缆局部放电缺陷模型进而获取原始数据,利用MATLAB软件完成统计特征参数的计算,以特征参数为输入量,放电类型预测结果为输出量,通过交叉验证、学习曲线确定最优参数进而得到有效的模式识别模型.实验分析结果表明,与决策树、随机森林、BP神经网络和SVM等局部放电模式识别方法相比,...

Full description

Saved in:
Bibliographic Details
Published in电测与仪表 Vol. 59; no. 4; pp. 98 - 106
Main Authors 刘维功, 王昊展, 时振堂, 黎德初, 胡学良, 李劲松
Format Journal Article
LanguageChinese
Published 中国石油化工股份有限公司大连石油化工研究院,辽宁大连116045%大连理工大学电气工程学院,辽宁大连116024%中国石油化工股份有限公司广州分公司,广州510726 2022
Subjects
XLPE电缆;模式识别;XGBoost;局部放电;学习曲线
Online AccessGet full text

Cover

More Information
Summary:TM855; 局部放电模式识别对交联聚乙烯(XLPE)电缆绝缘性能的判定具有重要意义.在XLPE电缆的局部放电模式识别的研究中,传统机器学习算法存在收敛速度慢、易过拟合、识别准确率低等问题.文章采用一种基于改进XGBoost算法的XLPE电缆局部放电模式识别方法.通过搭建电缆局部放电试验平台人为构造四种35 kV XLPE电缆局部放电缺陷模型进而获取原始数据,利用MATLAB软件完成统计特征参数的计算,以特征参数为输入量,放电类型预测结果为输出量,通过交叉验证、学习曲线确定最优参数进而得到有效的模式识别模型.实验分析结果表明,与决策树、随机森林、BP神经网络和SVM等局部放电模式识别方法相比,文中方法可进一步提升识别准确率,总体识别准确率为96.93％.
ISSN:1001-1390
DOI:10.19753/j.issn1001-1390.2022.04.015