基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法.首先,利用深度置信网络(deep belief networks,DBN)对油中溶解气体浓度比值数据进行特征提取.其次,利用具有较强学习能力的极限学习机(extreme learning machine,ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度.然后,利用麻雀搜索算法(sparrow search algorithm,SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 51; no. 4; pp. 32 - 42
Main Authors 王艳, 李伟, 赵洪山, 张嘉琳, 申宗旺
Format Journal Article
LanguageChinese
Published 华北电力大学电气与电子工程学院,河北 保定 071003 16.03.2023
Subjects
变压器
极限学习机
深度置信网络
麻雀搜索算法
故障诊断
Online AccessGet full text
ISSN1674-3415
DOI10.19783/j.cnki.pspc.220662

Cover

More Information
Summary:为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法.首先,利用深度置信网络(deep belief networks,DBN)对油中溶解气体浓度比值数据进行特征提取.其次,利用具有较强学习能力的极限学习机(extreme learning machine,ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度.然后,利用麻雀搜索算法(sparrow search algorithm,SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性.最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估.最终实验结果表明:所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50％,适用于变压器故障诊断.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.220662