申请/专利权人:武汉大学;国网天津市电力公司
申请日:2022-06-07
公开(公告)日:2022-09-20
公开(公告)号:CN115080919A
主分类号:G06F17/18
分类号:G06F17/18;G06F17/16;G06F17/15;G06K9/62;G06N3/04;G06N3/08;G01N33/28
优先权:
专利状态码:在审-实质审查的生效
法律状态:2022.10.11#实质审查的生效;2022.09.20#公开
摘要:本发明公开了一种基于深度耦合密集卷积神经网络的变压器故障诊断方法,包括以下步骤:获取变压器正常状态与故障状态的油中溶解气体数据集;采用自适应综合过采样方法对数据集进行扩充;将油中溶解的特征气体以二维矩阵的形式进行特征重构;搭建基于深度耦合密集卷积神经网络的变压器故障诊断模型;将数据集分为训练集和测试集,用二维矩阵作为深度耦合密集卷积神经网络的输入端,设置的标签作为输出端训练网络,得到故障诊断模型。本发明可解决油中溶解气体故障样本数不足和不均衡、特征量少,导致变压器故障诊断准确率低的问题。综合考虑故障状态特征气体的相互关系,提出深度密集卷积神经网络的搭建方法,有效缓解训练过程振荡、过拟合的现象。
主权项:1.一种基于深度耦合密集卷积神经网络的变压器故障诊断方法,其特征在于,该方法包括以下步骤:步骤1:获取变压器正常状态与故障状态的油中溶解气体数据集,对油中溶解气体数据集进行归一化处理,并设置标签;步骤2:采用自适应综合过采样方法对步骤1获取的油中溶解气体数据集进行扩充,形成新的数据集;步骤3:将油中溶解的特征气体以二维矩阵的形式进行特征重构;步骤4:搭建基于深度耦合密集卷积神经网络的变压器故障诊断模型;步骤5:将步骤2扩充的新的数据集分为训练集和测试集,用步骤3的二维矩阵作为深度耦合密集卷积神经网络的输入端,步骤1设置的标签作为输出端,训练深度耦合密集卷积神经网络,并通过测试集进行准确率计算,得到训练好的变压器故障诊断模型。
全文数据:
权利要求:
百度查询: 武汉大学;国网天津市电力公司 基于深度耦合密集卷积神经网络的变压器故障诊断方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。