基于DCAE-KSSELM的变压器故障诊断方法.pdfVIP

第 55 卷 第 2 期 中国电力 Vol. 55, No. 2 2022 年 2 月 ELECTRIC POWER Feb. 2022   基于DCAE-KSSELM 的变压器故障诊断方法 1,2 1 3 郝玲玲 ，朱永利 ，王永正 (1. 华北电力大学 控制与计算机工程学院，河北 保定　071003；2. 国能网信科技（北京）有限公司， 北京　100096；3. 中国科学院 计算机网络信息中心，北京　100190)     摘　要： 为了充分利用变压器发生故障时产生的大量无标签样本，提高故障诊断精度，提出基于深度收缩 自编码器 (DCAE) 与核半监督极限学习机 (KSSELM)相结合的故障诊断方法。首先使用无标签样本对 DCAE 网络逐层训练，初始化网络参数，然后用有标签样本数据对网络参数进行微调，最后将有标签样本 与无标签样本一起作为深度收缩自编码器与核半监督极限学习机(DCAE-KSSELM)混合网络的输入并完成 故障诊断。实验结果表明，所提模型稳定性好，故障诊断精度高，鲁棒性强。 关键词：变压器；故障诊断；无标签样本；收缩自编码器 DOI ：10.11930/j.issn.1004-9649.202111003       0 引言 相结合应用于变压器故障诊断中，诊断效果较 好；文献 [15]将降噪自编码网络与极限学习机相 变压器作为电力系统中的重要设备，其运行 结合构成深度降噪极限学习机，该模型诊断准确 状态直接影响整个系统的安全水平。对变压器故 率较高。 [1] 鉴于此，本文将深度收缩自编码器（DCAE） 障进行有效诊断很有必要 。目前油中溶解气体 [2-3] 与核半监督极限学习机（KSSELM）相结合应用 分析(dissolved gas analysis, DGA) 技术是判别油 浸式变压器故障诊断的常用方法，而基于DGA 的 于变压器故障诊断中。其中，收缩自编码器 变压器故障诊断常用的智能方法有支持向量机 （CAE）是在自动编码器（AE）的基础上，加入 [4-6] 了雅克比矩阵，增加了网络的鲁棒性，提高了特 (support vector machine, SVM) 、人工神经网络 [7-9]