科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】变压器在整个电力系统之中起着重要的作用，是电力系统中的至关重要的设备，在电力系统中承担着电压的变换，电力储能的分配以及电力的传输的作用，变压器的安全运行，关系着整个电力网络系统的安全以及供电的质量好坏。因此，准确地诊断变压器的故障对维护电网安全运行、保证供电质量有着重要的意义。针对变压器油中的H2、CH4、C2H6、C2H4、C2H2气体的浓度存在耦合性问题及电力变压器故障诊断精度较低的问题，论文提出了利用堆栈稀疏自编码器(Stacked Sparse Autoencoder， SSAE)和XGBoost模型结合的方法来提高电力变压器故障诊断的准确率。【方法】首先利用堆栈稀疏自编码器(Stacked Sparse Autoencoder， SSAE)处理DGA数据，其次确定自编码器堆栈个数，确定隐含层数目；然后再利用SSAE对原始数据进行数据转换，提取深层次特征信息；接着为了消除数据之间数量级差异较大的问题，对提取后的特征数据归一化进行处理；最后将处理之后得到的数据再输入XGBoost模型之中进行分类验证。【结果】本文建立的基于堆栈稀疏自编码器与XGBoost的电力变压器故障诊断方法诊断准确率为91.11%，高于常用的其他机器学习模型。【结论】实验结果验证了所提方法的有效性，表明基于堆栈稀疏自编码器与XGBoost的电力变压器故障诊断方法能够有效提高故障诊断的准确率。
- 单位
