摘要
准确识别局部放电缺陷模式在矿用电缆的缺陷评估中至关重要,煤矿供电环境复杂,矿用电缆缺陷识别也尤为重要.因此提出了一种融合改进DS证据理论与深度学习的方法,构建基于Efficientnet-b0和Resnet-18的深度学习识别模型用于提取矿用高压电缆局部放电信号的关键特征并进行初步分类,引入DS证据理论对单一模型的识别结果进行融合.针对证据冲突的情况,引入基尼不纯度改进DS理论中的权重分配,从而提高矿用电缆缺陷识别的准确率.现场试验表明,融合后的模型平均识别率为94.2%,双模型融合的各项性能均比单一模型有所提高,有效提高了矿用电缆缺陷识别的准确度,为煤矿配电网安全可靠运行提供保障.