基于KOA-CNN-LSTM的变压器故障诊断研究

摘要

变压器是电力系统中昂贵且重要的电气设备，其稳定运行是电力系统供电可靠性和运行稳定性的重要保障，但变压器故障是不可避免的，及时、准确的故障诊断是变压器安全运行的技术基础。变压器油中溶解气体分析（dissolved gas analysis,DGA）数据的不均衡是影响诊断模型训练精度的重要因素，本文通过安全级过采样法对DGA数据进行增强，同时引入三比值法扩充特征，得出增强后的数据集，对于变压器故障诊断算法方面提出基于开普勒优化算法（kepler optimization algorithm,KOA）的卷积神经网络（convolutional neural network, CNN）-长短期记忆网络（long short-term memory,LSTM）变压器故障诊断算法。该算法通过CNN提取特征，LSTM提取深层次的特征，通过组合开普勒优化算法及CNN-LSTM深度学习网络对变压器DGA增强数据集进行深度学习，得出优化诊断模型，以达到较高的诊断准确率。

关键词

变压器 / 故障诊断 / 过采样算法 / 深度学习 / 开普勒优化算法

基金资助

内蒙古自治区高等学校科学技术重点研究项目（NJZZ21018）; 内蒙古自治区教育厅自然科学重点项目（NJZZ21068）; 内蒙古自治区重大专项项目（RH1900001766）