基于SMOTE与Bayes优化的LSTM网络变压器故障诊断

摘要：

随着电力信息化的提高,智能算法结合历史数据进行变压器故障诊断的方法越来越受到关注.在溶解气体分析法基础上借助少数类样本过采样(SMOTE)算法合成新样本,实现样本多维度扩充,并以贝叶斯优化算法寻找长短期记忆(LSTM)网络模型参数的最优设置值,以降低训练集错误率,进而建立了变压器故障诊断模型.结果表明:样本扩充后的变压器故障诊断模型过拟合度降低约 20%,测试集准确率提升约10%.

关键词：变压器、故障诊断、采样、长短时记忆网络

所属期刊栏目：56

分类号：TD163;TM42;TP391

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7页

页码：164-170