基于数据增强和特征注意力机制的灰狼优化算法-优化残差神经网络变压器故障诊断方法

摘要

为提高变压器故障诊断的准确性，提出一种基于数据增强和特征注意力机制的灰狼优化算法(grey wolf optimization, GWO)-残差神经网络(residual neural network, ResNet)故障诊断方法。针对变压器不平衡数据集对故障诊断模型产生的影响，利用带梯度惩罚的Wasserstein生成对抗网络(generative adversarial network with gradient penalty, WGANGP)对变压器数据进行数据增强。其次，在诊断模型的输入侧引入特征注意力机制，提升模型对平衡数据集中关键特征的敏感性。然后，为加速模型的收敛性，在训练的早期利用GWO-ResNet。最后基于某实测变压器数据集对所提出WGANGP-ATT-GWOResNet故障诊断模型的有效性进行验证。

关键词

变压器故障诊断 / 不平衡数据集 / 生成对抗网络 / 注意力机制 / 灰狼优化算法