关键词:
变压器
故障诊断
自注意力机制
卷积神经网络
摘要:
目的变压器是电力系统中重要的设备,其发生故障时能够被有效地判别出故障类别,使得电力检修效率提升,这对电网的安全运行具有重要意义。针对电网电力检修中出现的变压器故障判别精度不足这一问题,提出了基于自注意力机制与1D-CNN的变压器故障诊断方法。常规卷积在处理DGA气体样本数据时容易损失特征信息,导致故障诊断的准确率偏低,论文将自注意力机制与1D-CNN结合,有效改善了上述问题,提高了变压器故障诊断的准确率和可靠性。方法为减少卷积网络提取到的特征提取信息在模型层间传播时造成的损失,论文在1DCNN的基础上使用LeakyReLU函数替代原模型中的ReLU激活函数,相比于ReLU激活方式下很多神经元都没有被激活,LeakyReLU可以降低模型的稀疏性,使得网络特征信息多样性增加。自注意力机制可实现对变压器油中溶解气体数据的特征信息加权处理,实现了有效特征信息增强作用,采用动态衰减学习率策略对优化器进行优化。结果所提的方法损失率可降低至0.078,相比于无动态衰减学习率和ReLU激活方式,损失率分别降低了44.7%和38.6%;诊断准确率可达到93.79%,较1D-CNN和GOA-BP方法诊断准确率提高了0.36%和2.12%。结论算例仿真验证了所提方法的有效性和优越性,表明基于自注意力机制与1D-CNN的变压器故障诊断方法能有效提高诊断的准确率,降低模型的损失率。