文献类型：期刊文章

作　　者：葛磊蛟[1] 廖文龙[1] 王煜森[2] 宋丽可[3]

Ge Leijiao;Liao Wenlong;Wang Yusen;Song Like(Key Laboratory of Smart Grid of Ministry of Education Tianjin University, Tianjin 300072 China;School of Electrical Engineering and Computer Science KTH Stockholm SE-10044 Sweden;Maintenance Branch of State Grid Jibei Electric Power Co.Ltd,Beijing 102488 China)

机构地区：[1]智能电网教育部重点实验室(天津大学),天津300072 [2]瑞典皇家理工学院电气工程与计算机科学学院,斯德哥尔摩SE-100443 [3]国网冀北电力有限公司检修分公司,北京102488

出　　处：《电工技术学报》

基　　金：省部共建电工装备可靠性与智能化国家重点实验室开放课题基金资助项目(EERI_KF20200014)。

年　　份：2021

卷　　号：36

期　　号：S01

起止页码：84-94

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：变压器发生故障的情况较少,使得基于机器学习的变压器故障诊断方法存在数据不足的问题。为此,提出一种基于改进自动编码器(IAE)的变压器故障数据增强方法。首先,针对传统自动编码器生成的数据有限和缺乏多样性的问题,提出改进的变压器故障数据生成策略。其次,考虑到传统卷积神经网络的池化操作会丢失大量特征信息,构建改进的卷积神经网络(ICNN)作为故障诊断的分类器。最后,通过实际数据验证了所提方法的有效性和适应性。仿真结果表明,相对于随机过采样算法、合成少数类过采样技术及自动编码器等传统的数据增强方法,IAE能同时兼顾数据的分布和多样性特征,生成的变压器故障数据对分类器的性能提升效果最好。和传统分类器相比,ICNN在数据增强前、后都具有更高的故障诊断精度。

关 键 词：数据不足  变压器 故障诊断 改进自动编码器  

分 类 号：TM721]