基于DGA和改进SMOTE的小样本变压器故障诊断方法OA北大核心CSTPCD

电力变压器故障诊断方法受样本数量和数据质量问题影响显著,现有小样本学习方法由于合成样本质量不高,往往无法实际应用,进而导致智能诊断算法难以在数据少的情况下实现对变压器的诊断。为了解决传统过采样算法合成样本质量不足导致无法实现准确的故障诊断的问题,提出一种基于改进合成少数过采样技术和深度学习的变压器故障诊断模型。首先,通过合成少数过采样技术(synthetic minority oversampling technique,SMOTE)对训练集进行数据扩充;其次,基于余弦相似度实现合成样本优选,增强合成样本质量;最后,通过卷积神经网络模型对测试集进行分类预测。在某变电站实测数据下进行分析和验证,并与传统的方法进行对比。结果表明,所提方法提高了故障诊断的精度。