基于经验小波变换和改进卷积神经网络的变压器故障诊断方法

李 阳，路 鹏，朱伯涛，李会彬

（国网邢台供电公司，河北邢台 054000）

变压器故障诊断技术能提升变压器健康水平，对电网安全稳定运行意义重大。目前，有许多学者提出了变压器的故障诊断方法，例如主成分分析法[1-2]、支持向量机[3-4]、神经网络法[5-6]等。参考文献[7]提出了一种基于改进主成分分析法的变压器潜伏故障诊断策略。参考文献[8]提出了采用BP 神经网络对电力变压器溶解气体以及故障特点进行学习，构建诊断模型。然而，上述变压器故障诊断模型均没有考虑原始数据中的噪声对诊断准确率的影响。实际电力系统中，直接收集到的变压器原始数据（如油色谱数据）可能含有较高比例的噪声数据，将噪声数据直接作为诊断模型的训练信号，将导致变压器的故障诊断模型精度下降。

经验模态分解（Empirical Mode Decomposition,EMD）和经验小波变换（Empirical Wavelet Transform,EWT）[9-10]是两种常用的降噪方法。EMD 能够将原始输入数据（信号）分解为若干不同的模态函数，减少输入信号中噪声对后续模型的影响。但是，EMD 缺少完备理论推导，对信号中噪声处理效果不理想[10]。EWT 将输入信号在傅里叶频谱进行变换，然后利用小波滤波器滤除噪声数据，相对EMD，EWT 具有更加优良的降噪效果[9]。

因此，文中提出一种基于EWT 和改进卷积神经网络（Improved Convolution Neural Network,ICNN）的变压器故障诊断方法。利用EWT 对原始信号进行处理，然后将处理后信号集合与ICNN 相融合，构建故障诊断模型，该模型具有的特点：1）能降低输入信号中噪声对故障诊断的影响，提高故障诊断准确率；2）ICNN 相对传统卷积神经网络算法性能相当但训练速度快，因此所提诊断模型的训练效率较高。……