【好文推荐】基于SMOTE与Bayes优化的LSTM网络变压器故障诊断

引

引文信息

张宏杰, 陈贵凤, 闫宏伟, 等. 基于SMOTE与Bayes优化的LSTM网络变压器故障诊断[J]. 中国电力, 2023, 56(10): 164-170.

ZHANG Hongjie, CHEN Guifeng, YAN Hongwei, et al. Fault diagnosis of LSTM network tansformer based on SMOTE and bayes optimization[J]. Electric Power, 2023, 56(10): 164-170.

摘要

随着电力信息化的提高，智能算法结合历史数据进行变压器故障诊断的方法越来越受到关注。在溶解气体分析法基础上借助少数类样本过采样（SMOTE）算法合成新样本，实现样本多维度扩充，并以贝叶斯优化算法寻找长短期记忆（LSTM）网络模型参数的最优设置值，以降低训练集错误率，进而建立了变压器故障诊断模型。结果表明：样本扩充后的变压器故障诊断模型过拟合度降低约20%，测试集准确率提升约10%。

结论

本文针对基于溶解气体含量的变压器故障诊断展开研究发现，如将采集的有限样本直接应用至LSTM网络进行故障分类时，测试集样本准确率低。分析出存在样本不足以及LSTM网络拟合精度不高2个问题后，提出了SMOTE的方法扩充样本并利用贝叶斯算法优化LSTM网络，使得诊断结果准确率大幅度提升。本文所提出的方法改善了样本不足带来的过拟合问题，可为相关深度学习的样本处理提供参考，而基于L1正则化判定样本扩充对于改善模型过拟合程度的方式提供了一种定量分析的理论方法，同时采用贝叶斯优化网络参数的思路也可应用到其他类神经网络的参数优化中，但对于模型提升作用的效果还有待进一步研究。

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

策划：蒋东方

审核：方彤

声明

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。