基于RA-DNN的电力变压器故障分类方法

论文摘要

由于电力变压器故障的现象和原因存在一定的模糊性和随机性,传统方法在复杂的情况下识别变压器故障的精度不高。提出了一种基于深层神经网络的变压器故障分类方法,利用无编码的油中溶解气体分析（dissolved gas analysis, DGA）数据,结合深度学习流行的修正线性单元（rectified linear units, ReLU）函数、Adam优化算法和批归一化（batch normalization, BN）的数据处理方法,通过与传统激活函数Sigmoid函数和随机梯度下降算法（stochastic gradient descent, SGD）做对比试验。结果表明,采用ReLU+Adam方案的神经网络,收敛速度更快,损失函数的收敛值也更低,提高了模型训练的速度和鲁棒性。通过与反向传播神经网络（back propagation neural network, BPNN）、支持向量机（support vector machine, SVM）的试验比较,在变压器故障分类上取得了较好的效果,为电力变压器的故障诊断提供新的方法与思路。

论文目录

• 0 引 言
• 1 深度学习的新方法
•   1.1 批归一化
•   1.2 Adam优化算法
•   1.3 ReLU激活函数
• 2 变压器故障特征的选择分析
• 3 试验分析
•   3.1 样本的选取
•   3.2 神经网络隐层的数量决定
•   3.3 基于深度学习的神经网络变压器故障诊断分类模型 （RA-DNN）
•   3.4 试验分析与结果
• 4 结束语

文章来源

类型: 期刊论文

作者: 曹渝昆,何健伟

关键词: 变压器,深度学习,神经网络,修正线性单元,批归一化

来源: 电气自动化 2019年02期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业

单位: 上海电力学院计算机科学与技术学院

分类号: TM407

页码: 98-101+107

总页数: 5

文件大小: 510K

下载量: 156