文献类型：期刊文章

作　　者：马鑫[1] 尚毅梓[2] 胡昊[1] 徐杨[3]

MA Xin;SHANG Yizi;HU Hao;XU Yang(School of Electric Power,North China University of Water Resources and Electric Power,Zhengzhou 450045,China;China Institute of Water Resources and Hydropower Research,Beijing 100038,China;China Yangtze Power Co.,Ltd.,Yichang 443002,China)

机构地区：[1]华北水利水电大学电力学院,河南省郑州市450045 [2]中国水利水电科学研究院,北京市100038 [3]中国长江电力股份有限公司,湖北省宜昌市443002

出　　处：《电力系统自动化》

基　　金：国家重点研发计划资助项目(2019YFC0409000)。

年　　份：2022

卷　　号：46

期　　号：3

起止页码：175-183

语　　种：中文

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

摘　　要：为增强深度残差收缩网络对变压器故障特征的学习能力从而提高故障识别精度,文中研究构建了故障特征气体向量配合改进的深度残差收缩网络来识别变压器故障。首先,构建可变软阈值函数消除恒定偏差的影响,利用快速回溯算法加快阈值确定速度的同时确保输出结果的完整性。然后,提出带可变权重的交叉熵函数降低误识别对网络精度的影响,并将构建的特征气体向量作为网络输入,保证网络学习并识别更多故障因素的特征。最后,以过热故障和电弧放电故障为样本的实验结果验证了该方法的有效性。与传统方法相比,所提方法的识别精度高,而且适用于电力系统多特征故障识别。

关 键 词：变压器 深度残差收缩网络  故障识别 特征气体

分 类 号：TM41]