基于RA-DNN的电力变压器故障分类方法

由于电力变压器故障的现象和原因存在一定的模糊性和随机性,传统方法在复杂的情况下识别变压器故障的精度不高。提出了一种基于深层神经网络的变压器故障分类方法,利用无编码的油中溶解气体分析(dissolved gas analysis, DGA)数据,结合深度学习流行的修正线性单元(rectified linear units, ReLU)函数、Adam优化算法和批归一化(batch normalization, BN)的数据处理方法,通过与传统激活函数Sigmoid函数和随机梯度下降算法(stochastic gradient descent, SGD)做对比试验。结果表明,采用ReLU+Adam方案的神经网络,收敛速度更快,损失函数的收敛值也更低,提高了模型训练的速度和鲁棒性。通过与反向传播神经网络(back propagation neural network, BPNN)、支持向量机(support vector machine, SVM)的试验比较,在变压器故障分类上取得了较好的效果,为电力变压器的故障诊断提供新的方法与思路。