基于EMD-PCA-DeepConvLSTM的变压器智能故障诊断方法.pdfVIP

第48卷第05期水电站机电技术Vol.48No.05

2025年05月MechanicalElectricalTechniqueofHydropowerStationMay.202589

基于EMD-PCA-DeepConvLSTM的变压器智能故障诊断方法

黄夏倩

（杭州水利水电勘测设计院有限公司，浙江杭州310009）

摘要：随着变压器在电力系统中的重要性不断提升，故障检测和诊断技术的高效性已成为保障电力系统稳

定运行的关键因素。为此，本文提出了结合经验模态分解(EmpiricalModeDecomposition，EMD)、主成分分析

(PrincipalComponentAnalysis,PCA)和深度卷积长短时记忆网络(DeepConvolutionalLongShort-TermMemory，

DeepConvLSTM)相结合的智能故障诊断方法。该方法首先利用EMD对变压器监测信号进行分解，将原始信号分解

为多个本征模态函数（IMF)和残余项，从而提取出不同频段的故障信息。随后，应用PCA对每个IMF分量进行降维，

去除余特征并保留最具代表性的故障信息，进而将不同频段的特征进行拼接，形成样本的主要特征。最后，将降

维后的特征输入DeepConvLSTM网络进行状态识别与分类。实验结果表明，基于EMD-PCA-DeepConvLSTM的智能

故障诊断方法能够实现超过99%的准确率，显著优于传统方法。该方法为变压器故障检测提供了一种高效、智能

的解决方案，有效提升了电力系统的可靠性与安全性。

关键词：电力系统；变压器；经验模态分解；主成分分析；深度卷积长短时记忆网络

中图分类号：TM407文献标识码：B文章编号：1672-5387(2025)05-0089-04

DOl:10.13599/j.cnki.11-5130.2025.05.024

信号中提取有用特征，减少人为干预，同时有效克服

0引言

传统方法在复杂故障模式识别中的局限性。尤其是

变压器作为电力系统中的关键设备，一旦发生将时频分析与深度学习算法相结合，能够更好地提

故障，可能对整个系统造成严重影响。因此,及时发取振动信号中的有用信息，并提升故障诊断的准确

现变压器的早期故障不仅能够避免电力系统崩溃，性和鲁棒性。因此,基于人工智能的变压器故障诊

还能显著降低后续维护成本。国内外研究表明，振断方法，尤其是结合时频分析和深度学习的集成技

动分析通常能够反映变压器的故障信息。然而，术,逐渐成为提高故障识别效率和准确性的有效手

振动信号中常常混杂有状态信息和噪声成分，这会段[1-13]

导致信息允余,从而影响故障诊断的准确性2。在近年来的故障诊断研究中,神经网络的应用

时频分析方法是一种非常有效的故障特征提取已变得十分广泛14。例如，袁科研将振动信号构造

技术[3]。但时频分析方法在处理非平稳信号时仍存为图结构数据输入到图神经网络中进行故障状态识

在一定局限性[4]。因此单独使用这些方法进行变压别15]。尽管先前的故障诊断已取得显著进展，但在

器故障诊断可能会导致诊断效果不理想[5]。实际应用中，采集到的振动信号通常包含复杂的噪

近年来，随着人工智能算法在各行业中的广声和谐波,这严重影响了诊断的准确性。减少不相

泛应用,变压器故障诊断方法也逐渐融人了深度关故障特征对网络性能的干扰，仍然是呕需解决的

学习技术。深度学习方法，特别是卷积神经网络挑战。

(CNN)长短时记忆网络(LSTM)支持向量机、贝叶基于上述问题,本文提出了一种新的变压器故

斯网络等[7-101,凭借其强大的特征学习能力和时间

序列建模能力，已经在处理复杂信号和模式识别方收稿日期：2025-03-11