考虑样本类内不平衡的CHPOA-DBN变压器故障诊断方法

摘要：

为解决变压器故障样本类内不平衡与人为确定深度信念网络(deep belief network,DBN)的网络参数导致故障诊断精度低的问题,提出一种基于样本均衡和改进DBN的变压器故障诊断方法.首先,针对合成少数类过采样算法(synthesis minority oversampling technique,SMOTE)生成样本加剧类内不平衡的问题,提出基于改进K均值(improved K-means,IK-means)的IK-means SMOTE算法,据此得到类间、类内均衡的故障样本;其次,利用Tent混沌映射改进的鹈鹕优化算法(chaotic hybrid pelican optimization algorithm,CHPOA)对DBN的隐含层节点数、反向微调学习率寻优,构建CHPOA-DBN变压器故障诊断模型;最后,基于实验数据,分别将经典过采样算法、经典故障诊断模型与所提方法进行对比分析,结果表明:所提方法故障诊断准确率达到96.25%,可以为变压器故障样本不均衡条件下的故障智能诊断提供重要参考.

关键词：变压器故障诊断、类内不平衡、样本均衡、Tent混沌映射、DBN网络参数寻优

所属期刊栏目：56

分类号：TP391.41;TP273;F832.5

在线出版日期：2023-11-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：133-144