一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法

摘要

本发明公开了一种基于Bi‑LSTM和油中溶解气体分析的变压器故障诊断方法。首先采集各变电站的故障DGA监测数据，并对数据进行归一化、序列扩充、叠加噪声等处理，采取无编码比值法进一步提取故障特征信息；然后对DGA序列进行长度排序，并分组填充，将分组划分为训练集和验证集；构建基于Bi‑LSTM的深度学习框架，输入数据进行训练。最后结合实际测试数据进行诊断和网络更新，得到诊断准确率和可移植性较高的故障诊断模型。本发明可有效减少DGA数据监测过程中噪声与误差对诊断的影响；综合考虑不同序列间的复杂关联关系，构建了基于Bi‑LSTM的变压器故障诊断模型。并引入了序列排序、分组、填充等环节，采取批训练策略处理工程实际中不同变压器采样长度不同的问题。