基于策略梯度和生成式对抗网络的变压器油色谱案例扩充方法
油色谱数据的缺乏和不均衡会导致训练过拟合、模型缺乏代表性、测试集效果不理想等问题,从而难以对变压器的状态进行准确评价.针对该问题,将强化学习中的策略梯度算法引入生成式对抗网络GAN(Generative Adversarial Networks),提出了一种基于策略梯度和GAN的变压器油色谱案例生成方法.仿真结果表明,与传统的样本扩充算法相比,利用所提方法合成的样本质量较高.对包含9种故障状态共700组样本的变压器油色谱数据利用所提方法进行油色谱故障样本扩充,利用基于BP神经网络模型的变压器故障分类模型对将扩充后样本作为训练集训练得到的神经网络模型和仅用真实数据作为训练集训练得到的神经网络模型进行了对比,结果表明利用扩充的样本后,变压器故障分类准确率得到了提高.变压器故障诊断实例表明利用所提方法得到的结果与实际情况相符.
变压器、油色谱、样本扩充、生成式对抗网络、强化学习、策略梯度
40
TM41(变压器、变流器及电抗器)
国家自然科学基金资助项目;上海交通大学新进青年教师启动计划基金基于人工智能的电力设备故障诊断
2020-12-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
211-217