第51卷第4期电力系统保护与控制Vol.51No.42023年2月16日PowerSystemProtectionandControlFeb.16,2023DOI:10.19783/j.cnki.pspc.220662基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法王艳，李伟，赵洪山，张嘉琳，申宗旺(华北电力大学电气与电子工程学院，河北保定071003)摘要：为了保证油浸式变压器故障诊断精度的同时，提高诊断方法的收敛速度以及泛化能力，提出一种基于DBN-SSAELM的变压器故障诊断方法。首先，利用深度置信网络(deepbeliefnetworks,DBN)对油中溶解气体浓度比值数据进行特征提取。其次，利用具有较强学习能力的极限学习机(extremelearningmachine,ELM)替换传统DBN分类模型中的Softmax分类器，深入分析特征值与故障类型之间的关联性，提高模型的收敛速度。然后，利用麻雀搜索算法(sparrowsearchalgorithm,SSA)优化ELM模型的输入权值和隐藏层节点偏置，以提高模型诊断结果的准确率和稳定性。最后，选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的DBN-SSAELM变压器故障诊断方法，故障诊断准确率高、泛化能力强、稳定性好，平均准确率达到96.50%，适用于变压器故障诊断。关键词：变压器；故障诊断；深度置信网络；极限学习机；麻雀搜索算法TransformerDGAfaultdiagnosismethodbasedonDBN-SSAELMWANGYan,LIWei,ZHAOHongshan,ZHANGJialin,SHENZongwang(SchoolofElectricalandElectronicEngineering,NorthChinaElectricPowerUniversity,Baoding071003,China)Abstract:Toensurethefaultdiagnosisaccuracyofanoilimmersedtransformerandimproveconvergencespeedandgeneralizability,thispaperproposesatransformerfaultdiagnosismethodbasedondeepbeliefnetworkandextremelearningmachineoptimizedbyasparrowsearchalgorithm(DBN-SSAELM).First,deepbeliefnetworks(DBN)areusedtoextractthefeaturesofdissolvedgasdatainoil.Second,anextremelearningmachine(ELM)withstronglearningabilityisusedtoreplacetheSoftmaxclassifierinthetraditionalDBNclassificationmodeltodeeplyanalyzethecorrelationbetweenfeaturesandfaulttypesandimproveconvergencespeed.Then,asparrowsearchalgorithm(SSA)isusedtooptimizetheinputweightsandbiasofthehiddenlayernodeoftheELMtoimprovetheaccuracyrateandstabilityofthemode.Finally,therateofaccuracy,recall,precisionandconvergencespeedof...
