基于深度学习的电力变压器DGA故障诊断方法研究

发布时间：2020-12-29 19:32

　　电力变压器的安全稳定运行对整个电力系统而言意义重大,而故障诊断方法是保障电力变压器安全的重要手段。研究表明,油中溶解气体与变压器的运行状态息息相关,油中溶解气体分析（Dissolved Gas Analysis,DGA）是电力变压器故障诊断的重要技术之一。当前,如何从原始DGA数据中提取出有利于表征电力变压器各种运行状态的特征量,以及如何在获得的特征量上进行快速准确的故障分类已成为研究电力变压器故障诊断方法的主要内容。近年来,随着计算机技术与人工智能的发展,以深度学习理论为主的特征提取与模式识别在电力系统装置的故障诊断领域大放异彩,其核心思想是模仿人类大脑思维方式,通过构建深度神经网络对蕴含在原始数据中的深层次特征进行挖掘与学习。在此背景下,文章通过研究深度学习相关理论与DGA数据,为电力变压器故障诊断提供一种新的解决思路。针对电力变压器原始DGA数据特征表达能力不足而使得故障诊断效果较差的问题,基于深度学习理论,建立了基于深度自动编码器（Deep auto-encoders,DAE）的DGA数据特征升维模型,用于扩充各类DGA故障数据的特征维度。相比于传统升维方法,DAE方法人工干预... 

【文章来源】：西华大学四川省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

自动编码器

研究结果表明,更深结构的神经网络有利于学习到更深层次、更鲁邦、更具表达能力的特征。为此,需要构建一个含多隐含层结构的自动编码器,即深度自动编码器,其结构如图2.2所示。如图2.2所示,DAE是一个含多个隐含层、呈对称结构的深度神经网络,与自动编码器类似,其依旧是无监督学习模型,输入等于输出。

步骤4：初始化深度自动编码器。首先构建一个含2r-1个隐含层的DAE；其次,将前r个隐含层权重分别用上述方法得到的输入权重矩阵替换；在此,利用对称思想,反向初始化第r+1层到2r层(输出层)的输出权重矩阵,DAE的初始化流程图如图2.3所示。步骤5：最后,利用梯度下降算法对网络参数进行微调。


本文编号：2946178