其他
【精彩论文】基于DCAE-KSSELM的变压器故障诊断方法
观点凝练
摘要：为了充分利用变压器发生故障时产生的大量无标签样本，提高故障诊断精度，提出基于深度收缩自编码器(DCAE)与核半监督极限学习机(KSSELM)相结合的故障诊断方法。首先使用无标签样本对DCAE网络逐层训练，初始化网络参数，然后用有标签样本数据对网络参数进行微调，最后将有标签样本与无标签样本一起作为深度收缩自编码器与核半监督极限学习机(DCAE-KSSELM)混合网络的输入并完成故障诊断。实验结果表明，所提模型稳定性好，故障诊断精度高，鲁棒性强。
结论：本文提出了一种基于深度收缩自编码网络与核半监督极限学习机相结合的变压器故障诊断方法，可以充分利用无标签样本和少量有标签样本数据进行实验，而且实验结果表明该方法稳定性好，特征提取能力强，诊断准确率高于SVM、BP神经网络等算法，是一种有效的变压器故障诊断方法。
引文信息
郝玲玲, 朱永利, 王永正. 基于DCAE-KSSELM的变压器故障诊断方法[J]. 中国电力, 2022, 55(2): 125-130.HAO Lingling, ZHU Yongli, WANG Yongzheng. Transformer fault diagnosis method based on DCAE-KSSELM[J]. Electric Power, 2022, 55(2): 125-130.往期回顾
◀【精彩论文】滤波电容器心子中介质薄膜表面残余电荷对其振动影响的分析◀【精彩论文】特高压交流线路金具常见电晕位置及串型优化◀【精彩论文】基于天气融合和LSTM网络的分布式光伏短期功率预测方法◀【精彩论文】基于随机森林算法和稳态波形的非介入式工业负荷辨识◀【征稿启事】“新型能源体系下电碳协同市场机制及优化运行”专栏征稿启事◀【征稿启事】“面向碳达峰碳中和目标的清洁高效发电技术”专题征稿启事◀【征稿启事】“新型电力系统低碳规划与运行”专栏征稿启事◀【征稿启事】“新型电力系统源网荷储灵活资源运营及关键技术”专栏征稿启事
审核：方彤
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。