关键词:
变压器
故障诊断
混合特征选择
光学显微镜优化算法
卷积神经网络
摘要:
为解决变压器油中溶解气体故障特征种类不足和诊断模型准确率较低的问题,提出一种混合特征选择方法。并利用改进光学显微镜优化算法(improvedopticalmicroscopealgorithm, IOMA)优化卷积神经网络(convolutional neuralnetworks, CNN),实现变压器故障诊断。首先,基于相关比值法构建30维变压器故障候选特征集,采用混合特征选择方法,通过两次特征选择确定输入集的特征维数。其次,引入Tent混沌映射、自适应t分布变异与动态选择策略改进光学显微镜优化算法(optical microscope algorithm, OMA),提升其寻优性能。然后,利用IOMA算法对CNN模型的学习率、卷积核大小和数量等超参数进行优化。最后,构建IOMA-CNN变压器故障诊断模型并通过算例分析对其性能进行评估。实验表明,所提方法故障诊断准确率达到98.5%。与常规特征选择方法相比,利用混合特征选择方法所选择的输入特征进行故障诊断能够有效提升诊断准确率。相较于其他优化诊断模型,IOMA-CNN具有更高的准确率和更好的稳定性。