声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2283/TM
国际刊号：1003-3076
发布日期:
作者：李浩1， 魏繁荣2， 王浩3， 李旭东1
单位：1.国网河南省电力公司洛阳市偃师供电公司， 河南 洛阳 471900;
2.华中科技大学电气与电子工程学院， 湖北 武汉 430074;
3.国网河南省电力公司信息通信分公司， 河南 郑州 450000
关键词：电力变压器； 故障诊断； ICEEMDAN； CNN-BiGRU； MSCOBES； ICMIC混沌映射； 自适应动态扰动； 精英反向学习
基金：国家青年科学基金项目（52107095）
针对当前电力变压器机械故障实时诊断准确率较低的问题，本文提出了一种基于振动信号与深度学习的电力变压器故障诊断方法。首先针对电力变压器箱体表面振动信号采用改进自适应噪声完备经验模态分解（ICEEMDAN）对其进行分解以获取重构信号，并引入模糊熵值构建振动特征向量。然后以卷积神经网络-双向门控循环单元（CNN-BiGRU）组成基础分类网络以实现特征分类，并引入高效通道注意力机制（ECAM）提升CNN学习性能。最后设计一种基于ICMIC混沌映射、自适应动态扰动和精英反向学习混合改进得到多策略协同优化秃鹰搜索（MSCOBES）算法，并将改进后的算法应用于实现CNN-BiGRU的超参数寻优，从而得到基于MSCOBES-CNN-BiGRU-ECAM的电力变压器故障诊断优化模型。在实验中对于试验变压器的机械故障进行诊断，实验结果表明本文所提出的方法对于电力变压器不同类型的机械故障的诊断准确率可达99.4%。
来源：2024年第10期
《电工电能新技术》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。