数据不足条件下基于改进自动编码器的变压器故障数据增强方法

摘要

变压器发生故障的情况较少,使得基于机器学习的变压器故障诊断方法存在数据不足的问题。为此,提出一种基于改进自动编码器(IAE)的变压器故障数据增强方法。首先,针对传统自动编码器生成的数据有限和缺乏多样性的问题,提出改进的变压器故障数据生成策略。其次,考虑到传统卷积神经网络的池化操作会丢失大量特征信息,构建改进的卷积神经网络(ICNN)作为故障诊断的分类器。最后,通过实际数据验证了所提方法的有效性和适应性。仿真结果表明,相对于随机过采样算法、合成少数类过采样技术及自动编码器等传统的数据增强方法,IAE能同时兼顾数据的分布和多样性特征,生成的变压器故障数据对分类器的性能提升效果最好。和传统分类器相比,ICNN在数据增强前、后都具有更高的故障诊断精度。