基于格拉姆角差场和CNN-BiGRU的变压器故障识别法OA

针对变压器绕组故障特征难以提取、诊断精度较低等问题,文中在频响曲线的基础上提出了一种基于格拉姆角差场(Gramian Angular Difference Field,GADF)和双向门控循环卷积神经网络(Convolutional Neural Network-Bidirectional Gated Recurrent Unit,CNN-BiGRU)的变压器故障识别方法。针对原始特征对不同故障类型区分度小的问题,提出了一种移动窗计算法对样本片段进行处理。结合格拉姆角差场变换得到谱特征,将一维数据映射成为三维图像数据。文中分析了不同故障类型在谱特征上的分布特性,将所得谱特征作为输入,通过循环卷积神经网络对故障片段数据进行分类得到识别结果。相较于传统方法,所提方法在特征差异上更明显,准确率得到进一步提高,其对切片分类精度达到了96.2%,验证了该方法的可行性。