摘要
为了综合多维度信息,快速准确判断变压器缺陷,同时解决多维度信息融合权重难以确定的问题,文中基于深度学习理论,采用稀疏受限玻尔兹曼机搭建了用于故障诊断的深度学习故障分类模型,结合大型变压器的多维度监测量,提出了一种基于深度置信网络和多维度信息融合的变压器故障诊断方法。该方法能够利用变压器海量的无标签多维监测数据作为学习样本,只需对少量带标签数据进行辅助优化,根据变压器实时在线多维监测数据,被训练后的模型能够对变压器本体状态做出准确的故障诊断。对某市220 k V主变进行诊断测试,结果表明,文中提出方法的故障诊断准确率较现有方法高约4%,验证了该方法的可行性和有效性。
学科与关键词
关键词
电力变压器多维度信息融合故障诊断深度置信网络稀疏受限玻尔兹曼机 power transformermulti-dimensional information fusionfault diagnosisdeep learningSparse-RBM
- 基于模糊神经网络的电力变压器故障诊断温阳东; 宋阳; 王颖鑫; 侯继光计算机测量与控制, 2013, (01): 39-41.
- 基于PNN神经网络和聚类分析的变压器故障诊断赵桂艳; 李一峰信息系统工程, 2015, (06): 94-95.
- 基于邻域粒子群优化神经网络的变压器故障诊断贾嵘; 徐其惠; 李辉; 刘伟高压电器, 2008, (01): 8.
