第22卷第2期2023年2月Vol.22No.2Feb.2023软件导刊SoftwareGuide少样本条件下的电缆局部放电模式识别岳云飞1，孙抗1，2（1.河南理工大学电气工程与自动化学院；2.河南省煤矿装备智能检测与控制重点实验室，河南焦作454003）摘要：针对电缆局部放电灰度图数目过少，难以训练基于大规模数据集的深度残差网络模型的问题，从数据增广与模型简化两方面入手，提出一种基于少样本的电缆局部放电模式识别方法。选择深度卷积生成对抗网络（DC⁃GAN）对局部放电灰度图进行扩充，构造基于盒维数的生成样本评价指标以验证生成样本的有效性；对比分析残差模块、网络深度对深度残差网络（ResNet）分类性能的影响，在此基础上提出一种简化的残差网络模型来匹配小规模局部放电数据集。经实验测试，简化后的残差网络模型平均迭代时间为7.3s，识别准确率达98.5%。与直接使用少量样本训练深度残差网络的方法相比，所提方法具有较快的模型训练速度与较高的识别精度。关键词：生成对抗网络；残差网络；局部放电；模式识别；深度学习DOI：10.11907/rjdk.221354开放科学（资源服务）标识码（OSID）：中图分类号：TP391.4文献标识码：A文章编号：1672-7800（2023）002-0060-07PartialDischargePatternRecognitionforCablesUnderFewSamplesConditionYUEYun-fei1，SUNKang1，2（1.SchoolofElectricalEngineeringandAutomation，HenanPolytechnicUniversity；2.HenanKeyLaboratoryofIntelligentDetectionandControlofCoalMineEquipment，Jiaozuo454003，China）Abstract：Aimingattheproblemthatthenumberofpartialdischargegray-scaleimagesforpowercablesissmall，anditisdifficulttotraindeepresidualnetworkmodelbasedonlarge-scaledatasets.Amethodofpartialdischargepatternrecognitionforcablesunderfewsamplesconditionisproposed.Themethodusestheideaofcombiningexpandedsampleswithsimplifiedmodel.Adataaugmentationmethodbasedondeepconvolutionalgenerativeadversarialnetworkisproposedforthepartialdischargegrayscaleimage.Inordertoverifytheeffectivenessofthegeneratedsamples，anevaluationindexofthegeneratedsamplesbasedontheboxdimensionisproposed.Theeffectsofresidualmodulesandnetworkdepthontheclassificationperformanceofresidualnetworksarecompared.Asimplifiedresidualnetworkmodelisproposedtomatchthesmall-scalepartialdischargedataset....
