状态参量关联规则挖掘及深度学习融合的变压器故障诊断算法.pdfVIP

第59卷第3期：0108⁃0115Vol.59，No.3：0108⁃0115

2023年3月16日HighVoltageApparatusMar.16，2023

DOI:10.13296/j.1001⁃1609.hva.2023.03.015

状态参量关联规则挖掘及深度学习融合的变压器

故障诊断算法

周家玉，侯慧娟，盛戈皞，江秀臣

（上海交通大学电气工程系，上海200240）

摘要：变压器的正常运转是电力系统可靠供电的基础，它的早期故障检测一直是研究的热点方向。随着大

数据和人工智能的兴起，变压器的多种日常运行监测数据得以更有效的利用。早期故障检测方法容易误

判，对故障部位及故障程度的识别也比较模糊。因此，为了获得更高的故障预测及诊断精度，文中提出

了一种关联规则输入的变压器深度学习故障辨识方法。首先应用Apriori算法挖掘特征量集中的高频项，计

算其与故障类型的置信度，找到强置信度规则。然后将置信度与油中溶解气体浓度一起作为输入应用到深

度神经网络DNN（deepneuralnetworks）模型中，通过正向传播、反向梯度更新进行训练，以确定变压器的故

障类型。最终实例证明基于关联规则的故障检测模型具有更高的精度和更快的响应速度，相较于未输入关

联规则的模型准确度至少提升了5%。

关键词：电力变压器；油中溶解气体分析；故障诊断；关联规则；深度学习

TransformerFaultDiagnosisAlgorithmBasedonAssociationRulesMiningofState

ParametersandDeepLearning

ZHOUJiayu，HOUHuijuan，SHENGGehao，JIANGXiuchen

（DepartmentofElectricalEngineering，ShanghaiJiaoTongUniversity，Shanghai200240，China）

Abstract:Thenormaloperationoftransformeristhebasisofreliablepowersupplyofpowersystem，anditsearly

faultdetectionhasalwaysbeenahotresearchdirection.Withtheriseofbigdataandartificialintelligence，various

dailyoperationmonitoringdataoftransformerscanbeusedmoreeffectively.Theearlyfaultdetectionmethodsare

pronetomisjudgmentandtheidentificationoflocationanddegreeoffaultisalsorelativelyvague.Therefore，inorder

toobtainhigherfaultpredictionanddiagnosisaccuracy，akindoftransformerdeeplearningfaultidentificationmeth⁃

odinputbyassociationrulesisproposedinthispaper.First，theApriorialgorithmisusedtominethehigh⁃frequency

itemswithconcentratedfeaturequantity，calculateitsconfidencewiththefaulttypeandfindthestrongconfidence

rule.Then，theconfidencelevelandthedissolvedgasconcentrationintheoilareappliedastheinputtothedeepneu⁃

ralnetworks（DNN）model，andtheforwardpropagationandreversegradien