科研之友
微信
新浪微博
Facebook
分享链接
摘要
变压器是电力系统关键设备之一，目前在运行的变压器大多属于油浸式变压器，其发生故障会严重影响系统的安全稳定运行，还可能造成巨大的经济损失，故变压器故障诊断是目前国内外亟待解决的问题。然而，现有研究普遍存在信息来源单一、诊断预测精度不高等问题，为此，本文提出一种基于多源信息融合技术和卷积神经网络的油浸式变压器故障智能诊断模型。首先选择其油色谱分析数据、高压套管的红外图像、放电超声波检测图谱以及特高频局放检测图谱共同作为变压器故障诊断的原始输入信息；其次，针对上述不同类型的原始输入数据，分别采用深度神经网络和卷积神经网络进行特征提取，将提取后的结果进行特征融合；最后综合融合后的特征分析结果进行故障诊断的分类。为避免不均衡样本集造成模型诊断的“倾向性”,本文还提出改进的交叉熵代替传统的损失函数，同时采用kappa系数作为预测结果的评价指标，有效提高了智能诊断模型的预测效果。并通过某电网检修公司提供的实际数据算例进行测试分析，结果验证了本文所提出方法的精准性和有效性。
- 单位
