文章摘要:变压器是电力系统中的核心设备，其运行的可靠性直接影响着整个电力系统的稳定与安全，因此对变压器运行状态进行实时分析并进行准确的故障诊断非常重要。针对变压器运行状态数据难以收集、故障数据缺乏而导致故障分析模型泛化能力差的问题，本文提出了一种半监督流形嵌入（semi-supervised manifold embedding，SSME）学习的变压器在线故障诊断方法。该方法使用变压器油中H₂、CH₄、C₂H₆、C₂H₄和C₂H₂，5种不同气体的浓度特征和运行状态类别的有限样本，联合大量在线监测获得的气体浓度样本数据，建立一种在线的半监督故障诊断模型来分析变压器的运行状态，该模型能在0.1s内完成700条在线监测数据的状态检测，其性能可以达到在线诊断的要求。结合实例，对所设计的变压器故障诊断模型的准确性和诊断效率进行了比较分析实验。实验结果表明，本文提出的方法的故障诊断准确率高于经典的深度置信网络（deep belief network，DBN）、k-近邻（k-nearby network，KNN）和随机森林（random forest，RF）分类算法。该方法能为电力变压器的稳定运行提供了有效参考依据。

文章关键词:

论文作者:朱庆东 朱文兵 王浩哲 顾朝亮 徐冉 朱孟兆 

作者单位:国网山东省电力公司电力科学研究院 

论文DOI:10.13335/j.1000-3673.pst.2021.2524

论文分类号:TM41

文章来源：《现代诊断与治疗》 网址: http://www.xdzdyzlzz.cn/qikandaodu/2022/0502/1895.html