基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术

摘要：

数据非均衡问题是制约机器学习技术在电力变压器故障诊断领域中应用效果的关键因素.为克服传统过采样方法未考虑数据整体分布信息的缺陷,提出了一种基于深度学习的故障数据增强方法,以实现样本库的类别均衡化目标.首先,建立梯度惩罚优化的条件式 Wasserstein 生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型的训练不稳定问题;然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出了基于数据增强方法的设备故障诊断技术框架;最后,选用由准确率、F1度量以及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比.算例研究结果表明,相较于传统过采样方法,提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能,可作为电力变压器故障诊断的重要数据预处理环节.

关键词：变压器故障诊断、非均衡数据集、数据增强、条件式Wasserstein生成对抗网络、梯度惩罚、栈式自编码器

所属期刊栏目：44

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家电网有限公司总部科技项目5204DY170010

在线出版日期：2020-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1505-1513