文献类型：期刊文章

作　　者：刘云鹏[1,2] 许自强[1] 和家慧[1] 王权[1] 高树国[3] 赵军[3]

LIU Yunpeng;XU Ziqiang;HE Jiahui;WANG Quan;GAO Shuguo;ZHAO Jun(Hebei Provincial Key Laboratory of Power Transmission Equipment Security Defense(North China Electric Power University),Baoding 071003,Hebei Province,China;State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources(North China Electric Power University),Changping District,Beijing 102206,China;State Grid Hebei Electric Power Research Institute,Shijiazhuang 050021,Hebei Province,China)

机构地区：[1]河北省输变电设备安全防御重点实验室(华北电力大学),河北省保定市071003 [2]新能源电力系统国家重点实验室(华北电力大学),北京市昌平区102206 [3]国网河北省电力有限公司电力科学研究院,河北省石家庄市050021

出　　处：《电网技术》

基　　金：国家电网有限公司总部科技项目(5204DY170010)。

年　　份：2020

卷　　号：44

期　　号：4

起止页码：1505-1513

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：数据非均衡问题是制约机器学习技术在电力变压器故障诊断领域中应用效果的关键因素。为克服传统过采样方法未考虑数据整体分布信息的缺陷,提出了一种基于深度学习的故障数据增强方法,以实现样本库的类别均衡化目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型的训练不稳定问题;然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出了基于数据增强方法的设备故障诊断技术框架;最后,选用由准确率、F1度量以及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能,可作为电力变压器故障诊断的重要数据预处理环节。

关 键 词：变压器故障诊断 非均衡数据集 数据增强  条件式Wasserstein生成对抗网络  梯度惩罚  栈式自编码器  

分 类 号：TM721]