-
题名基于SE-DenseNet的变压器故障诊断
被引量：14
- 1
-
-
作者
郭如雁
彭敏放
曹振其
-
机构
湖南大学电气与信息工程学院
-
出处
《电工电能新技术》
CSCD
北大核心
2021年第1期61-69,共9页
-
基金
国家自然科学基金项目(61973107&61472128)。
-
文摘
由于变压器故障数据有限,采用神经网络诊断容易出现过拟合。通过Wasserstein生成对抗网络(Wasserstein Generative Adversarial Networks,WGAN)数据增强,采用变压器油中溶解气体作为故障诊断参量,本文提出了SE-DenseNet神经网络模型,该模型使用无编码比值法,结合深度稠密神经网络(Densely Connected Convolutional Networks,DenseNet)进行数据融合,特征重复利用以及挤压和激励模块(Squeeze-and-Excitation,SE)的特征图权重值校准的优点,运用指数衰减学习率、dropout、L2正则化、损失函数Adam收敛算法等优化方法,并且在同样数据集下将深度卷积神经网络、DenseNet与SE-DenseNet的三者性能进行定量对比分析。实验结果表明,三者之中本文提出的SE-DenseNet模型收敛速度快,准确率最高,泛化能力最强。
-
关键词
数据增强
无编码比值法
稠密神经网络
特征重复利用
挤压和激励
权重值校准
指数衰减学习率
-
Keywords
data enhancement
non-encoding ratio method
DenseNet
feature reuse
squeeze-and-excitation
weight value calibration
exponential decay learning rate
-
分类号
TM41
[电气工程—电器]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
