摘要
变压器是电力变压环节的重要电力设备，是电压转换和电力传输的关键设备之一，其运行状况直接关系着整个电力系统的稳定。随着电网不断扩大规模和逐步升级，电力变压器的装载数量和电压等级也在不断增多，因变压器故障导致电力系统无法持续供电的概率也随之提高。传统的定期检修方式不仅无法有效的排除故障隐患，而且会造成“检修过剩”的问题，甚至会对变压器造成一定程度的损伤。本文提取油浸式变压器的油中溶解气体构建特征向量，将智能检测算法应用于油浸式变压器的故障诊断中，为设备维护人员提供更为精确的信息参考。本文主要研究内容如下: (1)针对油浸式变压器有标签样本数据量较少，样本数据标记困难的问题，提出基于梯度提升决策树(GradientBoostingDecisionTree,GBDT)与K-Means增益聚类的少标签下油浸式变压器双层故障诊断模型。通过特征气体法与无编码比值法构建可以表征变压器运行状态的高维特征向量，引入堆栈自编码器(StackedAutoEncoder,SAE)模型对表征变压器状态的高维特征向量进行降维，消除冗余信息，获得可以表征变压器运行状态的低维特征向量作为后续分类器的输入;然后构建双层故障诊断模型，针对无标签样本，引入GBDT方法作为所提模型首层,获取无标签样本的伪标签;为进一步提高诊断精度，提出基于无标记样本伪标签的K-Means聚类增益，构建新特征向量，输入末层模型K-Means用以实现二次诊断的目的。 (2)针对油浸式变压器样本数据收集、存储和传输过程中易受噪声影响，以及单一分类器诊断精度低的问题，提出基于多阶段数据预处理与SVM—XGBoost的油浸式变压器多级故障诊断模型。利用特征气体法与无编码比值法构建可以表征变压器运行状态的高维特征向量，使用多阶段数据预处理模型剔除样本数据集中的全局噪声点和局部噪声点，构建去噪样本数据集;最后利用多级诊断思想构建SVM—XGBoost多级故障诊断模型，导入去噪样本数据集进行样本故障判定。 (3)针对油浸式变压器类别样本数据数量差距悬殊，传统神经网络诊断精度低的问题，提出基于带辅助分类器的对抗生成网络(AuxiliaryClassifierGenerativeAdversarialNetwork,ACGAN)与改进的深度残差收缩网络(DeepResidualShrinkageNetworks,DRSN)的油浸式变压器故障诊断模型。首先，基于特征气体法与无编码比值法构建可以表征变压器运行状态的高维特征向量;其次，引入ACGAN模型对不平衡样本数据集进行样本扩容，构建平衡样本数据集;然后，引入DRSN模型进行激活函数和优化器模型的优化，组合多尺度特征提取网络模块(Multi-scaleFeatureFusionBlock,MCK),构建改进的一维DRSN模型;最后，将平衡样本数据集导入到改进的一维DRSN模型中，进行样本数据的故障判定。
NETL