基于貝葉斯正則化深度信念網絡的電力變壓器故障診斷方法

王德文，雷 倩

(華北電力大學 控制與計算機工程學院，河北 保定 071003)

0 引言

電力變壓器是供電系統中的關鍵設備之一，其正常運行與整個供電系統的安全聯系密切，因此有必要及時對其進行故障分析[1-2]。在檢測電力變壓器內部的潛伏性故障方面，油中溶解氣體分析DGA(Dissolved Gas Analysis)技術是目前常用且有效的方法[3-5]。

近年來，由于在線監測、人工智能等技術的快速發展，利用DGA技術與人工神經網絡(ANN)[6]、模糊邏輯[7]、支持向量機(SVM)[8]等人工智能技術相結合的方法可以有效地實現變壓器的故障診斷，開辟了新的發展途徑。然而，這些方法也存在一些問題。模糊邏輯技術中，模糊隸屬度函數需要專家經驗或反復試驗才能確定[9]；SVM在樣本較小的情況下也能取得較好的診斷結果，并具有較好的泛化能力，但其核函數必須滿足Mercer條件，規則化參數的確定較為困難[10]；ANN是隨著當代神經生物學發展起來的，利用ANN解決故障診斷問題時，普遍采用BP神經網絡(BPNN)，但其網絡存在著難以收斂、易陷于局部極小、易產生振蕩等不足[11]。上述方法都是淺層的機器學習方法，雖然有一定的學習能力，但是當故障診斷精度達到某一高度時，就很難再有大幅度的提高。

由 Hinton教授提出的深層機器學習方法深度神經網絡DNN(Deep Neural Network)[12]具有較強的從樣本中提取特征以及對特征進行轉換的能力，學習能力強，在訓練時采用無監督機器學習方法，對模型參數進行優化，并且提升判別的精確性。目前幾種比較有代表性的DNN模型……