基于数据特征增强和残差收缩网络的变压器故障识别方法

为增强深度残差收缩网络对变压器故障特征的学习能力从而提高故障识别精度,文中研究构建了故障特征气体向量配合改进的深度残差收缩网络来识别变压器故障.首先,构建可变软阈值函数消除恒定偏差的影响,利用快速回溯算法加快阈值确定速度的同时确保输出结果的完整性.然后,提出带可变权重的交叉熵函数降低误识别对网络精度的影响,并将构建的特...     

基于深度信念网络的电力变压器故障分类建模

基于深度信念网络,构建了深度信念网络分类器模型,分析并用典型数据集对其分类性能进行测试。在此基础上结合电力变压器油中溶解气体分析数据,提出了基于深度信念网络分类器的变压器故障分类新方法,它使用油中溶解气体分析结果作为故障分类属性。对所提出的方法进行了测试,测试结果表明该方法适用于变压器故障分类,具有较强的从样本中提取特征的能力和容错特性,性能优于BP神经网络和支持向量机的方法。     

卷积神经网络在油浸式变压器故障诊断的应用*

变压器作为变电站的主要电气设备,其智能化程度直接决定了智能变电站的发展程度,是电力系统中关系国民生产生活的重要环节。采集变压器油中溶解气体的含量及类型,通过建立卷积神经网络模型确定变压器的故障类型。在卷积神经网络算法原理的基础上,利用Java编程构建模型,将一维卷积神经网络应用到变压器故障诊断中,以变压器油中溶解的5种气体含量值作为输入向量,变压器的6种状态对应的编码值作为输出向量,并对网络中的池化层进行改进。在模型建立过程中讨论了卷积核的大小、数量、样本长度对模型精度的影响,并通过优选函数的方法确定激活函数。实验表明,将该方法生成的网络应用于变压器故障诊断,可为合理诊断变压器故障提供有价值的参考。     

基于加权综合损失优化深度学习和DGA的变压器故障诊断方法

为进一步提高变压器故障诊断效果,提出了一种基于加权综合损失优化深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以DGA特征量为输入,以Softmax层各故障状态概率分布为输出,基于堆栈稀疏自编码深度学习理论构建了变压器故障诊断模型。针对常规交叉熵损失函数下,变压器故障诊断效果偏低,训练样本不平衡分布影响故障诊断水平的问题,采用加权综合损失函数对深度学习模型进行优化。案例分析结果表明:相比传统方法,本文方法可削弱训练样本不对称对变压器故障诊断的不利影响并提高变压器故障诊断水平,各训练集下,本文方法故障诊断准确率可保持在90%以上。     

基于油中气体分析的变压器故障诊断ReLU-DBN方法

油中溶解气体分析可为变压器故障诊断提供重要依据。为提高变压器故障诊断精度,研究了基于修正线性单元改进的深度信念网络(rectified linear units deep belief networks,Re LU-DBN)变压器故障诊断方法。通过分析油中溶解气体与故障类型的联系,建立以油色谱特征气体无编码比值为特征参量的Re LU-DBN诊断模型。Re LU-DBN通过多维多层映射提取出故障类型更细致明显的特征区别,通过反向调优达到诊断模型参数最优化。通过识别实验分析了不同特征参量、不同训练集及样本集大小下Re LU-DBN诊断模型效果,研究了放电兼过热复合型故障对诊断模型的影响,并与支持向量机、反向传播神经网络方法做了对比。实验结果表明基于无编码比值的模型诊断效果优于IEC比值、Rogers比值、Dornenburg比值为特征参量的模型,且Re LU-DBN较支持向量机和反向传播神经网络方法相比诊断准确率有较大提高。区分复合型故障的模型诊断效果优于未区分复合型故障的模型。随着样本数据的增多,模型诊断精度得到较大提升。     

基于深度残差收缩网络的辐射源个体识别方法

辐射源个体识别是电子对抗领域中的重要技术,通过识别设备间不同细微特征从而达到区分非法设备与合法设备的目的。针对辐射源个体间指纹特征差异细微且在噪声干扰下提取特征较少的问题,本文提出了一种基于深度残差收缩网络的辐射源个体识别方法。该方法首先将I/Q图特征数据进行拼接,利用数据增强技术进行样本扩充,进而构建了深度残差收缩网络识别模型,最后对构建的模型进行ADS-B辐射源个体识别训练并进行识别效果评估。仿真结果表明,本文构建的深度残差收缩网络通过消除数据噪声的优势,对数据增强后的20类ADS-B辐射源个体在0dB的低信噪比条件下总体识别准确率达到98.2%,其性能较相同层数的Resnet网络提高了1.3%,并明显优于现有其他方法。     

基于格拉姆角场和深度残差网络的变压器绕组松动故障诊断模型

针对变压器绕组松动故障诊断中特征量难以选取,依赖人工经验的问题,提出了一种基于自动编码器降噪,格拉姆角场(GAF)和深度残差网络(ResNet)进行识别的变压器绕组松动诊断方法。该方法直接从GAF图像中自动学习有效的故障特征,不需要手动提取特征量。首先,将振动信号经过自动编码器进行降噪,获得信噪比更高的振动信号。然后,采用GAF方法将振动信号转化为二维图像,生成图像数据集,在此基础上训练ResNet,构建适用于变压器绕组松动故障分类识别的网络模型。最后,搭建变压器绕组松动故障试验平台,采集绕组在不同松动和试验电流下的振动信号并进行分析。试验结果表明,所提诊断方法对变压器绕组松动识别准确率达95%以上,能够有效识别松动相和松动程度,适用于变压器绕组松动故障的识别和诊断。     

基于深度学习的变压器故障诊断方法研究

油中溶解气体分析方法(DGA)是变压器内部故障诊断的重要方法,广泛应用在变压器在线监测和定期试验检测中,传统的特征气体法和三比值法等诊断方法在实际应用中普遍存在着一定的局限性,导致故障诊断精度偏低。针对这一问题,本文提出了一种基于深度学习技术中的多层感知机的变压器故障综合诊断方法,利用开源的Scikit-learn机器学习框架及Tensor Flow深度学习框架构建了变压器故障诊断模型,并应用实际工程中的故障样本数据,对故障诊断模型进行了训练和测试。试验结果表明,基于多层感知机技术的变压器故障诊断模型能够对变压器故障进行正确诊断,与传统的三比值法及支持向量机技术相比,多层感知机的诊断准确率更高,具有更优的故障诊断性能,能够为变压器的检修提供更为准确的参考信息。     

基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法

复杂滚动轴承振动信号存在非线性、非平稳等问题,传统信号处理方法难以实现故障特征的有效提取和高精度的故障分类。针对此问题,从轴承振动信号的时频特性出发,提出一种基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法。首先将采集的振动信号进行稀疏自适应S变换,得到轴承不同工况下的时频图像特征;然后构建深度残差网络结构,并合理的选取优化器、初始学习率等网络参数,提出基于深度残差网络的轴承故障诊断模型。对某滚动轴承振动数据集的计算结果表明,基于稀疏自适应S变换的时频分析方法具有较高的时频分辨率,所构建的深度残差网络模型能够准确识别不同故障状态及其严重程度下的轴承运行信息,为滚动轴承的故障状态诊断提供了技术支撑。     

基于自适应深度学习模型的变压器故障诊断方法

为提高变压器故障诊断的准确率,提出一种基于自适应深度学习模型的变压器故障诊断方法。该方法采用油中溶解气体作为故障诊断特征量,基于深度学习理论构建诊断模型。为解决传统基于固定学习率的深度学习模型训练过程中收敛速度慢、收敛精度低的缺点,提出一种自适应深度学习模型构建方法,该方法可根据迭代进程变化特性对学习率进行自适应调整,有效提高了深度学习模型的训练精度及速度。基于实例确定了变压器故障诊断自适应深度学习模型隐层层数、学习率调整系数等参数。实验结果表明,该方法特征提取及分析能力强,具有更好的收敛速度及收敛精度,可有效提高变压器故障诊断的正确率。     

一种用于电力变压器故障识别的理论方法研究

支持向量机方法基于小样本的统计学习理论,其本质上是个优化和分类问题。设计了一种使用遗传算法优化多分类支持向量机参数,并将参数优化后的多分类支持向量机用于电力变压器故障识别的方法。该方法对色谱分析法检测到的特征气体含量进行数值预处理,提取出故障识别所需要的n+1个特征量,然后利用数值预处理后得到的数据样本对多分类支持向量机进行训练和识别,通过输出结果判断变压器所处的状态,以达到设备状态监测的目的。     

基于信息融合与深度残差收缩网络的DAB变换器开路故障诊断方法

针对双有源桥(DAB)变换器开路故障诊断存在的多信号诊断和诊断阈值设置问题,提出了一种基于信息融合和深度残差收缩网络(DRSN)的DAB变换器开路故障诊断方法。首先,将DAB变换器的开路故障诊断信号减少至3个,减少了信号传感器的数量;其次,采用递归图法和脉冲耦合神经网络将3个诊断信号的时间序列转化为图像进行信息融合,生成的融合图像可以反映不同故障状态下的故障特征且便于深度学习网络进行分类;最后,将融合图像输入构建的DRSN进行故障诊断,可以避免设置诊断阈值。使用RT-LAB搭建DAB变换器半实物系统进行实验。实验结果表明选择的3个诊断信号能够有效区分DAB变换器各IGBT开路故障状态。对比分析表明所提出的方法具有较高的故障诊断精度,平均诊断精度可达98.44%。     

基于相似度机制AdaBoost-DBN的变压器故障层级诊断北大核心CSCD

针对传统的变压器故障诊断方法诊断精度以及泛化能力有限,提出了一种基于相似度机制AdaBoost-DBN的变压器故障层级诊断方法。首先应用层级分类思想把变压器故障诊断模型分为初级分类器和次级分类器;然后初级分类器采用Bagging-XGBoost方法,使其诊断结果与变压器油中溶解气体数据进行特征融合作为次级分类器的输入特征;最后次级分类器采用相似度机制AdaBoost-DBN方法,使用AdaBoost集成学习有效避免DBN模型过拟合效应,通过提出相似度机制为AdaBoost网络的初始样本权重赋值,克服随机因数对诊断结果的影响,进一步提高模型的诊断精度以及泛化能力。实验结果表明,相比于BP神经网络、支持向量机与DBN网络,文中方法的诊断准确率分别提高17.9%、17.3%、16.1%。     

电力变压器故障的客观熵权识别及诊断方法

为了有效管理和监测电力变压器的健康状态,在对变压器油中溶解气体数据进行分析的基础上,建立了一种基于客观熵权的电力变压器故障信息模式识别及诊断模型。首先,在定义包含电力变压器故障模式全局信息的矩阵范式基础上,引入信息熵权理论构建故障特征信息的客观熵权精确量化模型;然后,基于距离和投影原则构建了故障模式判别准则函数,并通过准则函数对模式进行排序,运用综合排序结果进行故障测试模式分类,得到用于判断故障类型的基准类心向量;最后,运用基于类心欧氏距离的方式判别故障测试样本所属的类别,实现变压器故障的客观熵权识别及诊断。利用从某电力公司采集到的120组电力变压器油中溶解气体样本进行实例验证,结果表明,所提出的方法能克服传统的三比值故障诊断方法存在无编码以及边界编码模糊致误判的问题。     

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。     

连续小波变换和具有注意力机制的深度残差收缩网络在低压串联电弧故障检测中的应用

当室内配电系统发生串联电弧故障时，电弧燃烧温度可高达数千摄氏度，从而导致电气火灾的发生。而低压配电网中负载类型复杂，利用一般的电流信号时频分析，很难对串联电弧故障进行有效识别。针对这一问题，文章利用深度学习强大的计算机视觉能力，提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先，使用连续小波变换提取电流信号特征信息，并转化为图像特征。其次，对提取到的图像特征进行数据增强和灰度化处理，并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后，构建了Attention-DRSN电弧故障检测模型，并采用K-折交叉验证方法对数据集进行划分，验证了所提方法的有效性。实验结果表明，该检测方法对串联电弧故障具有较高的检测精度，平均检测准确率为98.52%，对未来电弧故障检测装置设计具有重要的借鉴意义。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于DGA的粗糙集与决策信息融合变压器故障诊断

针对变压器故障特征信息不确定性、冗余性及传统故障诊断手段的单一性问题,本文构建了一种粗糙集与多决策信息融合的变压器故障诊断模型。该方法首先考虑将16种特征气体比值作为故障特征参量,并利用离散化规则与粗糙集知识约简对其进行知识提取,以有效降低特征信息冗余度。其次,将降维后属性集作为BP神经网络、支持向量机以及贝叶斯网络3种单一诊断方法的特征输入,进行故障类型初步判定。最后,利用DS信息融合规则对3种初步判定结果进行决策融合,以获得更为高效的故障判断结论。实例分析表明,该方法有效削弱了冗余特征信息对诊断结果的影响,能够合理解决证据融合冲突,并切实提高了故障识别准确率,其性能明显优于单一诊断方法。     

基于多级支持向量机分类器的电力变压器故障识别

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法．较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程,对色谱分析法检测到的特征气体含量进行数值预处理。提取出故障识别所需要的6个特征量。然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别。并最后判断输出变压器所处的状态。测试结果表明,该方法具有三个优点：1)具有较强的鲁棒性。识别正确率极高;2)训练时间很短,实时性能好;3)不存在局部极小问题。     

基于改进胶囊网络的运维知识库故障分类方法

针对传统运维知识库不具备图像故障现象识别能力,无法处理非结构化数据的问题,基于深度学习的故障分类网络,提出改进胶囊网络特征提取结构的Caps-DRFN算法,实现机电设备运维图像自动分类。首先,针对运维图像存在的多噪声问题,引入深度残差收缩网络(deep residual shrinkage networks, DRSN)提高模型在含噪声数据上的特征提取效果。然后,针对实际拍摄的运维图像多尺度问题,结合FPN(feature pyramid networks)算法,实现图像多尺度特征融合提高模型分类准确率。最后,利用胶囊结构构建向量神经元,通过动态路由的特征传递方式,得到分类结构数字胶囊,实现机电设备故障分类。实验结果表明,相较于传统胶囊网络算法,提出的基于特征融合的Caps-DRFN算法准确率提高了15%且有着更强的鲁棒性。