基于改进双向循环神经网络的变压器故障诊断模型研究

针对传统神经网络对变压器时序关系挖掘缺失、分类泛化性差、对异构数据分类准确率低的问题，提出了一种基于改进的双向循环神经网络的变压器故障诊断模型。该模型通过双向循环神经网络进行特征提取，将前后时刻的特征进行融合，采用多核学习支持向量机方法对特征数据进行分类，在多核学习支持向量机中进行核融合，从而提高特征数据分类的准确性。数值仿真分析了时序通道对长短时序网络诊断性能的影响，以及多核学习对支持向量机泛化能力和对异构数据处理能力的影响，通过变压器故障数据分类试验验证了基于多核学习支持向量机的双向循环神经网络模型的正确性和有效性。结果表明，基于多核学习支持向量机的双向循环网络诊断性能较好，与几种常用的神经网络相比，模型预测正确率更高。