电工电能新技术

作者：张兆闯1,2，汪金刚2， 夏建华1， 文玉川3， 翁利听1， 马作甫1， 杨贺凯2， 窦金瑶2

单位：1. 溪洛渡水力发电厂， 云南 昭通 657300；
2. 重庆大学电气工程学院， 重庆 400044；
3. 三峡生态环境有限公司， 云南 昭通 657300

关键词：电力变压器； DGA； 故障分类； Bayes-CNN

基金：长江电力股份有限公司资助科研项目（4123020046）

电力变压器发生故障的表现和根本原因具有一定程度的模糊性和随机性，在复杂情境下，传统方法往往难以准确识别变压器故障，其精度存在一定提升空间。因此，本文提出一种新的变压器故障识别方法。该方法采用结合贝叶斯理论和卷积神经网络（CNN）的算法，具体为利用卷积神经网络处理特征气体数据，并采用贝叶斯算法对模型参数进行寻优，旨在提高故障检测的准确率。研究通过对故障类型进行编码和预处理，构建变压器故障分类模型，应用Bayes-CNN模型对变压器故障进行分类，结合实例验证，并将其与SVM、DBN及CNN模型进行对比实验。结果表明，采用贝叶斯优化的CNN算法显著提升了模型的收敛速度和拟合精度，证明该变压器故障分类方法具有较优性能，为电力变压器故障诊断领域提供了新的方法与思路。

来源：2024年第8期

《电工电能新技术》期刊编辑部

查看电工电能新技术杂志2024年第8期