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。     

海量数据驱动的变压器故障类型高性能诊断方法

电力变压器故障与否直接影响电力系统运行可靠性,准确且高效的变压器故障诊断有助于及时发现电网不安全因素。本文提出一种基于海量数据驱动的优选训练样本的分布式神经网络决策变压器故障类型方法。首先通过比值法求取DGA的比值型特征向量,根据皮尔逊相关系数和欧氏距离双指标计算方法在各类别中选取更具该类代表性数据作为训练样本；再通过插值-随机抽样方法应对训练样本类间数据不平衡问题并对其进行抽样分块；为适应海量数据处理,在Spark平台上将BPNN算法并行化实现以提高算法性能表现,各BPNN学习不同训练样本块构建性能不同的子分类器；最后对子分类结果多数投票得到最终诊断类型。算例表明所提方法对变压器故障类型诊断效果良好,诊断正确率较IEC三比值法和传统串行BPNN高,证明了该方法对于变压器故障类型诊断的有效性与适用性。     

基于深度自编码网络的电力变压器故障诊断

基于深度自编码网络(DAEN),构建了分类深度自编码网络(CDAEN)模型。结合电力变压器在线监测油中溶解气体分析(DGA)数据,提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练,优化模型参数,并利用少量有标签样本进行微调。实例分析表明,与基于反向传播神经网络(BPNN)、支持向量机(SVM)的故障诊断方法相比,所提方法的诊断正确率更高。     

DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。     

改进型灰色关联算法在变压器故障诊断中的应用

灰色关联分析已应用于电力变压器故障诊断,传统基于单一故障标准模式向量灰色关联分析算法的油中溶解气体分析(DGA)诊断模型精度有限.为此,提出一种改进型灰色关联算法,该算法在充分考虑DGA数据分散性的基础上,将每类故障的标准故障模式向量由原来算法中的1个扩充到6个,并给出每类故障的DGA数据分布范围,增大诊断信息量;利用关联分析原理,求出待诊模式与各类故障标准模式的灰色关联度,得到故障诊断判定.实例分析证明,所提算法的诊断准确率高于原来的普通灰色关联方法.     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

变压器故障诊断用油中溶解气体新特征参量

油中溶解气体分析(dissolved gas analysis,DGA)是现场电力变压器故障诊断最常用的方法。然而,油中溶解气体含量较容易受到变压器结构、容量、故障位置以及故障程度等因素的影响,从而降低了变压器故障诊断的可靠性。为了提升变压器故障诊断正确率,该文提出了基于支持向量机(support vector machie,SVM)和遗传算法(geneti calgorithm,GA)优选的DGA新特征参量。首先,以28个DGA比值为输入,建立了基于SVM的变压器故障诊断模型;其次,采用GA同时对SVM参数和DGA比值进行优化,得到9个优选DGA比值作为变压器故障诊断用新特征参量。对IEC TC 10故障数据库的诊断结果表明:DGA新特征参量的故障诊断正确率为84%,较常用的DGA含量和IEC比值的诊断正确率提高10%~25%;并且无论采用哪种特征参量,支持向量机的诊断结果均优于神经网络诊断模型。最后,采用DGA新特征参量对国内117组变压器的故障诊断正确率达到了87.18%,再次验证了该方法的有效性。     

基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术

数据非均衡问题是制约机器学习技术在电力变压器故障诊断领域中应用效果的关键因素。为克服传统过采样方法未考虑数据整体分布信息的缺陷,提出了一种基于深度学习的故障数据增强方法,以实现样本库的类别均衡化目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型的训练不稳定问题;然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出了基于数据增强方法的设备故障诊断技术框架;最后,选用由准确率、F1度量以及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能,可作为电力变压器故障诊断的重要数据预处理环节。     

数据不足条件下基于改进自动编码器的变压器故障数据增强方法

变压器发生故障的情况较少,使得基于机器学习的变压器故障诊断方法存在数据不足的问题.为此,提出一种基于改进自动编码器(IAE)的变压器故障数据增强方法.首先,针对传统自动编码器生成的数据有限和缺乏多样性的问题,提出改进的变压器故障数据生成策略.其次,考虑到传统卷积神经网络的池化操作会丢失大量特征信息,构建改进的卷积神经网络(ICNN)作为故障诊断的分类器.最后,通过实际数据验证了所提方法的有效性和适应性.仿真结果表明,相对于随机过采样算法、合成少数类过采样技术及自动编码器等传统的数据增强方法,IAE能同时兼顾数据的分布和多样性特征,生成的变压器故障数据对分类器的性能提升效果最好.和传统分类器相比,ICNN在数据增强前、后都具有更高的故障诊断精度.     

变压器故障诊断用油中溶解气体征兆优选方法

基于油中溶解气体(dissolved gas analysis, DGA)构造的故障征兆作为变压器故障诊断的重要先验信息，其质量直接影响诊断效果。目前，基于DGA气体的故障征兆数量繁多，但种类相对单一且诊断效果有限，为实现更高准确率的变压器故障诊断，该文提出云征兆方法以丰富现有比值征兆集。为适应高维云征兆的云变换，设计自组织云概念提取神经网络(self-organized cloud concept extraction, SOCCE)进行云概念的提取，以深度挖掘多DGA气体间的关联信息，提高智能算法的诊断能力。最后，通过先排序后寻优的征兆优选策略遴选出最优的DGA混合征兆集。通过IEC TC10故障数据库下的对比诊断可知，该文优选的混合新征兆能够实现92.4%的诊断准确率，相较于传统征兆诊断准确率提升了13.2%～30.8%，且在现场应用和多诊断模型中均表现出较强的泛化能力和推广能力。     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

基于深度降噪极限学习机的变压器故障诊断

针对变压器故障诊断中模型训练时间长,容易过拟合,噪声敏感等问题,本文提出一种深度降噪极限学习机变压器故障诊断方法。将极限学习机与降噪自编码器结合构建降噪自编码极限学习机,并将其堆叠构建深度降噪极限学习机模型进行特征提取,将提取的特征输入常规极限学习机进行分类,整体构成深度降噪极限学习机分类算法。该算法能有效应对电压器油中溶解气体分析数据中的噪声且具有非常快的学习速度。仿真实验结果表明,相比于传统BP神经网络,本文方法有更高的故障诊断正确率和更短的训练时间,是一种有效的变压器故障诊断方法。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于遗传算法优化XGBoost的油浸式变压器故障诊断方法

为了提高油浸式变压器故障诊断的精度及可靠性,研究了一种基于遗传算法优化极端梯度提升(XGBoost)的油浸式变压器故障诊断方法.首先,以油中溶解气体分析(DGA)为依据,采用无编码比值方法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;以归一化样本为输入建立基于XGBoost的故障诊断模型,并采用遗传算法对模型中的多个超参数同时进行优化.在算例部分,收集547例故障类型确定的DGA数据进行对比实验,结果表明与现有传统方法相比,所提方法的诊断精度和稳定性有显著提升;同时验证了遗传算法对故障诊断模型的优化提升效果.     

基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强.提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法,并建立了变压器选择性贝叶斯故障诊断模型.详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构...     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

基于新径向基函数网络的变压器故障诊断法

油中溶解气体分析(DGA)是判别变压器内部绝缘状况及发现内部潜伏性故障的重要手段,而多层前馈网络(MLFNN)是应用广泛的故障诊断模型。为此,提出了以DGA数据为特征参数的新型径向基函数神经网络(RBFNN)诊断变压器故障。在分析传统k-均值聚类算法RBFNN的缺点和最优聚类特性的基础上,介绍了RBFNN的新算法-自适应k-均值聚类算法,它既能避免传统k-均值聚类算法的局部收敛的缺点,又能动态调整学习率。最后,大量聚类实验结果显示自适应k-均值聚类算法在收敛速度和聚类性能上比传统k-均值聚类算法显著提高;故障诊断实验结果显示所提出的模型故障诊断准确度高于传统BPNN、RBFNN及IEC三比值法。