基于油中气体分析的变压器故障诊断ReLU-DBN方法

被引：61

作者：

代杰杰 ^{[1
]}

宋辉 ^{[1
]}

杨祎 ^{[2
]}

陈玉峰 ^{[2
]}

盛戈皞 ^{[1
]}

江秀臣 ^{[1
]}

机构：

[1] 上海交通大学电气工程系

[2] 国网山东省电力公司电力科学研究院

来源：

电网技术 | 2018年 / 42卷 / 02期

关键词：

变压器; 油中气体分析; 深度信念网络; 无编码比值; 故障诊断;

D O I：

10.13335/j.1000-3673.pst.2017.1027

中图分类号：

TM41 [电力变压器];

学科分类号：

080801 ;

摘要：

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。

引用

页码：658 / 664

页数：7

共 20 条

[1] 基于深度信念网络的变压器油中溶解气体浓度预测方法 [J].