电工电能新技术

作者：郭如雁， 彭敏放， 曹振其

单位：湖南大学电气与信息工程学院， 湖南 长沙 410082

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

基金：国家自然科学基金项目（61973107&61472128）

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。

来源：2021年第1期

《电工电能新技术》期刊编辑部

查看电工电能新技术杂志2021年第1期