基于深度卷积神经网络的变压器故障诊断方法

目前变压器故障诊断最常用的方法为三比值法,但在大量实际应用过程中,单凭经验或统计学原理很难进一步提升故障诊断准确率。为此,提出通过构建深度卷积神经网络(deeply convolutional neural network,DCNN)模型以提升设备故障诊断准确率,DCNN模型能够识别设备监测数据的局部特征以及不同时刻监测数据间的相关信息;深度神经网络(deep neural network,DNN)模型可以无限逼近目标函数,能够以任务为导向,提高设备故障诊断的准确率。结合这2种网络模型,并使用残差网络(residual network,ResNet)结构、批量归一化来提高模型的收敛速度以及模型泛化能力。实验表明:DCNN模型在设备故障诊断时F-Score值、准确率和召回率均优于传统卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural network,RNN)、XGBoost和三比值法。DCNN模型能够对设备监测数据特征进行自主学习,减少人工干预,降低误报率;此外,基于DCNN提取的设备指纹(表征设备特征信息)为后续设备故障诊断积累了数据基础。