基于Focal损失SSDAE的变压器故障诊断方法

武天府，刘征，王志强，李劲松，李国锋

(大连理工大学电气工程学院,辽宁 大连 116024)

0 引言

电力变压器是电力系统运行的核心设备，准确诊断变压器内部潜伏性故障对于电网安全运行具有重要意义[1]。油中溶解气体分析(dissolved gas analysis，DGA)是诊断和检测变压器内部潜伏性故障的有效方法[2—3]，并在此基础上形成了三比值法、改良三比值法等变压器故障诊断方法[4—5]。此方法的基本原理是在变压器发生故障时，根据从变压器油中提取的特征气体含量算出相应的三对比值并赋予相应的编码，再由编码规则得到一组编码表，然后根据表中提供的诊断标准找到相应的故障类型。但上述方法在实践过程中逐渐显露出编码不全、判断标准过于绝对等缺点[6]。为了克服上述弊端，国内外学者展开了深入研究，部分学者提出了基于人工智能算法的变压器故障诊断方法，如专家系统[7]、支持向量机(support vector machine,SVM)法[8]、模糊理论法[9—10]、人工神经网络(artificial neural network，ANN)法[11]等。专家系统需要大量正确的专家经验，实际应用较困难[12]；SVM法本质上是二分类算法，变压器故障诊断为多分类问题，面对多分类问题，参数设置及构造分类器过程均较为繁琐[13]；模糊理论法需要人为设置初始聚类中心，诊断效果受初始聚类中心限制较大[10]；ANN法存在收敛速度慢，易陷入局部最优解的缺陷[11]。

上述变压器故障诊断方法均属于浅层机器学习方法，面对变压器故障诊断，存在学习能力不足、深层特征挖掘困难等缺点，进而影响变压器故障诊断效果[14]。……