为提高变压器故障诊断的准确性,提出一种基于数据增强和特征注意力机制的灰狼优化算法(grey wolf optimization,GWO)-残差神经网络(residual neural network,ResNet)故障诊断方法。针对变压器不平衡数据集对故障诊断模型产生的影响,利...为提高变压器故障诊断的准确性,提出一种基于数据增强和特征注意力机制的灰狼优化算法(grey wolf optimization,GWO)-残差神经网络(residual neural network,ResNet)故障诊断方法。针对变压器不平衡数据集对故障诊断模型产生的影响,利用带梯度惩罚的Wasserstein生成对抗网络(generative adversarial network with gradient penalty,WGANGP)对变压器数据进行数据增强。其次,在诊断模型的输入侧引入特征注意力机制,提升模型对平衡数据集中关键特征的敏感性。然后,为加速模型的收敛性,在训练的早期利用GWO-ResNet。最后基于某实测变压器数据集对所提出WGANGP-ATT-GWOResNet故障诊断模型的有效性进行验证。展开更多
文摘为提高变压器故障诊断的准确性,提出一种基于数据增强和特征注意力机制的灰狼优化算法(grey wolf optimization,GWO)-残差神经网络(residual neural network,ResNet)故障诊断方法。针对变压器不平衡数据集对故障诊断模型产生的影响,利用带梯度惩罚的Wasserstein生成对抗网络(generative adversarial network with gradient penalty,WGANGP)对变压器数据进行数据增强。其次,在诊断模型的输入侧引入特征注意力机制,提升模型对平衡数据集中关键特征的敏感性。然后,为加速模型的收敛性,在训练的早期利用GWO-ResNet。最后基于某实测变压器数据集对所提出WGANGP-ATT-GWOResNet故障诊断模型的有效性进行验证。
