基于状态指标向量化及霍夫曼编码的变压器缺陷模式识别

变压器缺陷模式识别是设备运行人员运维管理的重要工作,传统缺陷模式诊断识别易受运行人员主观评价影响。为此,首先根据关联规则建立了变压器各部位关键状态指标集,之后提出了基于状态指标向量化以及霍夫曼编码的变压器缺陷模式识别方法——在输入层将状态指标转换为多维向量以达到降维,在输出层建立缺陷模式的霍夫曼树以减少网络反向传播时参数优化的计算量。通过与传统神经网络对比,所提出的霍夫曼算法可有效提升计算效率59%,更大规模的数据量提升效率更为明显。采用某区域电网公司110~500 kV电压等级油浸式电力变压器近3年的缺陷记录数据对模型进行训练,所得结果表明模型识别准确率可达到94.3%。最后,通过训练得到的状态指标向量,求取了状态指标间的余弦相似度,挖掘得到变压器状态指标间的数据内在联系。