• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多源特征信息融合的油浸式變壓器故障智能診斷模型

    2023-02-22 06:58:10李騰飛郝玉杰
    電工電能新技術(shù) 2023年1期
    關(guān)鍵詞:故障診斷變壓器樣本

    李騰飛,郝玉杰,袁 方,孫 鍇,馬 晶,劉 俊,彭 鑫

    (1.國網(wǎng)陜西省電力有限公司超高壓公司,陜西 西安 710000;2.西安交通大學(xué)電氣工程學(xué)院,陜西 西安 710049)

    1 引言

    電力變壓器是電力系統(tǒng)能量傳輸和轉(zhuǎn)換中應(yīng)用最廣泛的核心設(shè)備之一,其運(yùn)行的健康狀態(tài)密切關(guān)系著系統(tǒng)的安全可靠運(yùn)行[1]。然而變壓器在運(yùn)行過程中,由于繞組變形、主絕緣老化等原因可能會(huì)發(fā)生故障。近年來,變壓器故障引發(fā)的事故時(shí)有發(fā)生,如:2019年特高壓泉城站變壓器發(fā)生爆燃引起火災(zāi)及人員傷亡、2019年昭沂直流±800 kV輸電工程沂南換流站極II低端Y/Y-C相換流變壓器故障著火等。因此,如何有效進(jìn)行變壓器的故障診斷是目前國內(nèi)外亟待解決的問題。

    油浸式變壓器在發(fā)生故障時(shí),由于變壓器油的分解、固體絕緣材料的分解以及一些其他原因[2],會(huì)分解產(chǎn)生一些氣體,如:氫氣(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)等。基于對(duì)上述氣體進(jìn)行成分分析形成的油中溶解氣體分析法(Dissolved Gases Analysis,DGA)是常用的變壓器故障診斷手段。近年來,基于DGA已形成多種變壓器故障診斷方法,如大衛(wèi)三角法[3]、改良三比值法[4]等。但上述方法都存在信息來源單一、編碼邊界過于絕對(duì)等問題,易出現(xiàn)誤診斷的情況。

    近年來,人工智能技術(shù)快速發(fā)展,越來越多學(xué)者將神經(jīng)網(wǎng)絡(luò)[5-7]、貝葉斯網(wǎng)絡(luò)[8,9]、支持向量機(jī)[10-13]等機(jī)器學(xué)習(xí)算法運(yùn)用到變壓器故障診斷中,并取得了不錯(cuò)的效果。文獻(xiàn)[14]利用卡方檢驗(yàn)篩選重要特征氣體、剔除冗余氣體,然后采用不同學(xué)習(xí)器進(jìn)行診斷分析,得到最優(yōu)分類器和最佳特征氣體組合。文獻(xiàn)[15]利用仿真得到的電氣量模擬變壓器的故障特征,利用小波分析提取電氣量的頻域故障特征并進(jìn)行信息融合,最終采用反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。文獻(xiàn)[16]在對(duì)比后選擇最優(yōu)的診斷算法進(jìn)行特征子集選擇,利用診斷算法和特征子集訓(xùn)練多個(gè)模型,最終在模型間進(jìn)行選擇性融合。文獻(xiàn)[17]以歸一化后的DGA數(shù)據(jù)建立了基于XGBoost的故障診斷模型,并采用遺傳算法對(duì)模型中的多個(gè)超參數(shù)同時(shí)進(jìn)行優(yōu)化。文獻(xiàn)[18]利用DBSCAN聚類算法建立了變壓器故障診斷模型,將DGA數(shù)據(jù)作為模型的輸入得到多種故障的典型聚類簇并進(jìn)行驗(yàn)證。文獻(xiàn)[19]使用托梅克鏈接移除和自適應(yīng)樣本合成的方法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,隨后建立了多種類型的SVM模型進(jìn)行對(duì)比分析。

    然而,以上研究都只是利用來源單一的信息對(duì)變壓器故障進(jìn)行分類,而變壓器又存在較為繁雜的故障機(jī)理,僅僅依靠油中溶解氣體等單一信息無法在宏觀上體現(xiàn)變壓器的所有故障[20]。為此,本文提出一種基于多源信息融合技術(shù)[21]和卷積神經(jīng)網(wǎng)絡(luò)[22]的油浸式變壓器故障智能診斷模型。

    2 多源信息數(shù)據(jù)預(yù)處理

    本文通過西北某省檢修公司獲取到大量的油浸式變壓器故障匯編案例和數(shù)據(jù),經(jīng)整理得到一個(gè)包含油色譜分析、高壓套管紅外檢測圖譜、放電超聲波檢測圖譜以及特高頻局部放電檢測圖譜的多源異構(gòu)信息變壓器故障數(shù)據(jù)集。

    2.1 高壓套管紅外檢測圖譜

    紅外熱像(Infra-Red,IR)技術(shù)廣泛用于工業(yè)檢測領(lǐng)域,近年來,已逐漸成為電力設(shè)備監(jiān)測、普查、及時(shí)發(fā)現(xiàn)隱患、及時(shí)搶修、杜絕惡性突發(fā)性設(shè)備事故的一種手段[23]。

    物體的溫度變化會(huì)引起輻射能量變化,故被測目標(biāo)的溫度可以通過圖像信號(hào)幅度計(jì)算得出,紅外測溫儀的探測器輸出圖像信息信號(hào)的幅度US表達(dá)式為:

    (1)

    在一定范圍內(nèi),k1為一常數(shù),由系統(tǒng)增益決定;F(T)由黑體的溫度決定。如此,就可以將溫度信號(hào)轉(zhuǎn)變?yōu)殡娦盘?hào),通過電信號(hào)的幅值大小判斷物體表面的溫度高低,進(jìn)而繪制紅外圖像。根據(jù)顏色的亮暗可以判斷變壓器套管的溫度分布,越亮的圖片整體溫度越高,變壓器發(fā)生過熱故障的概率也越大。

    2.2 放電超聲波檢測圖譜

    電力設(shè)備內(nèi)部產(chǎn)生局部放電時(shí),同時(shí)產(chǎn)生沖擊的振動(dòng)機(jī)械波。放電超聲波(Acoustic Emission,AE)檢測法通過在設(shè)備腔體外壁上安裝超聲波傳感器來測量局部放電信號(hào)[24]。

    局部放電產(chǎn)生的聲強(qiáng)與放電釋放的能量成比例,如下所示:

    I=μE

    (2)

    式中,I為聲強(qiáng);E為放電能量;μ為比例系數(shù)。

    若不考慮空氣密度和聲速的變化,聲強(qiáng)I與聲壓P有如下關(guān)系:

    (3)

    式中,ρ為空氣密度;υ為聲速。

    根據(jù)式(2)、式(3)可知,通過測量超聲波聲壓信號(hào)的大小,可以推測出局部放電的強(qiáng)弱,進(jìn)而能夠繪制如圖1(b)所示超聲波檢測圖譜。根據(jù)波形的幅值大小可以判斷變壓器內(nèi)部放電的強(qiáng)弱,幅值越大,則變壓器發(fā)生高能放電的概率也越大。

    2.3 特高頻局部放電檢測圖譜

    特高頻(Ultra-High Frequency,UHF)法檢測技術(shù)具有頻段高、抗干擾能力強(qiáng)、檢測靈敏度高等優(yōu)點(diǎn),可用于電力設(shè)備局部放電類缺陷的檢測、定位和故障類型識(shí)別等[24]。

    UHF檢測法利用特高頻傳感器對(duì)電力設(shè)備中局部放電所產(chǎn)生的電磁波信號(hào)進(jìn)行檢測,進(jìn)而推斷出局部放電的位點(diǎn)和放電強(qiáng)弱。該方法可有效抑制背景噪聲,如空氣中電暈產(chǎn)生的電磁波干擾噪聲。

    如圖1(c)所示的局部放電脈沖相位分布(Phase Resolved Partial Discharge,PRPD)圖譜,橫軸表示局部放電的相位信息,縱軸表示幅值,放電的密度用平面圖上點(diǎn)的顏色深淺來表示。通過PRPD可直觀地觀測出信號(hào)的相位變化、幅值變化、放電密度等參數(shù),放電位點(diǎn)越多,則說明變壓器發(fā)生局部放電的可能性越大。

    對(duì)于以上四類來自不同信息源的數(shù)據(jù),分別進(jìn)行以下處理:對(duì)于DGA數(shù)據(jù),其屬于數(shù)值型數(shù)據(jù),可參考行業(yè)標(biāo)準(zhǔn)[2],選擇H2、CH4、C2H6、C2H4以及C2H2這5類特征氣體的絕對(duì)含量,歸一化后作為輸入信息;另外三類數(shù)據(jù)均屬于圖像型數(shù)據(jù),對(duì)于IR數(shù)據(jù),為了避免對(duì)樣本圖片進(jìn)行復(fù)雜且無必要的整體性識(shí)別,將RGB+alpha四通道彩色圖片轉(zhuǎn)變成單通道的灰度圖,并分割出同等大小、只包含高壓套管的部分作為IR圖像數(shù)據(jù)的輸入信息,如圖1(a)所示;對(duì)于AE數(shù)據(jù),為了避免圖片坐標(biāo)區(qū)周圍的無用信息產(chǎn)生干擾,本文僅截取包含AE波形圖譜的坐標(biāo)區(qū)域,并將其轉(zhuǎn)換成灰度圖作為AE波形圖譜的輸入信息,如圖1(b)所示;對(duì)于UHF數(shù)據(jù),本文舍棄在二維圖片上難以分析識(shí)別的實(shí)時(shí)三維圖,僅選擇顯示直觀的PRPD平面分析圖譜作為輸入信息,如圖1(c)所示。三類圖片的預(yù)處理過程如圖1所示。

    圖1 IR、AE、UHF三類圖像型數(shù)據(jù)的預(yù)處理示意圖Fig.1 Pretreatment diagram of IR,AE and UHF image data

    3 基于多源特征信息融合的變壓器故障智能診斷模型的建立

    3.1 特征提取、融合及網(wǎng)絡(luò)模型建立

    經(jīng)過上述的數(shù)據(jù)預(yù)處理過程,得到的數(shù)據(jù)即可作為智能診斷模型的輸入信息,下一步就是采用機(jī)器學(xué)習(xí)算法建立智能診斷模型。

    對(duì)于數(shù)值-圖像混合型數(shù)據(jù),本文搭建包含DNN和CNN的混合型并聯(lián)網(wǎng)絡(luò)模型用作特征提取、融合和分類,過程如下:

    (1) 首先建立DGA數(shù)據(jù)部分的DNN模型:

    1) 向輸入層輸入歸一化后的DGA數(shù)據(jù)。

    2) 輸入層后依次搭建4層神經(jīng)網(wǎng)絡(luò)(Neural Network,NN),其中每層神經(jīng)元個(gè)數(shù)分別為8、16、16、8。

    3) 輸出得到一維向量F1。

    (2) 建立圖像部分的CNN模型(以IR數(shù)據(jù)為例):

    1) 向輸入層輸入規(guī)范化后32×32大小的IR圖像數(shù)據(jù)。

    2) 卷積層C1采用3×3大小、總數(shù)為32個(gè)的卷積核分別對(duì)輸入層的圖像進(jìn)行卷積運(yùn)算,得到維度為32×30×30的特征圖輸出到下一次層。

    3) 池化層P1大小為 2×2,池化方式為最大池化。經(jīng)過池化處理后得到32×15×15的特征圖輸出到下一層。

    4) 后續(xù)的卷積層C2、池化層P2操作步驟與重復(fù)步驟2)和步驟3)。

    5) 全連接層F對(duì)P2輸出的特征圖進(jìn)行展開處理,得到一維的特征向量F2。

    (3) 搭建處理AE圖像和UHF圖像的CNN模型,過程重復(fù)步驟(2)。

    (4) 將上述過程得到的向量進(jìn)行融合。向量F2與同樣經(jīng)過CNN處理AE圖像和UHF圖像數(shù)據(jù)得到的特征向量F3、F4合并,再與向量F1合并,得到特征融合后的向量V。

    (5) 向量V作為輸入,向后依次搭建4層NN,每層神經(jīng)元個(gè)數(shù)為16、32、32、16。最終輸入至分類層,輸出診斷結(jié)果。

    綜上所述,本文所提出的多源特征信息融合的變壓器智能診斷模型的完整過程如圖2所示。

    圖2 多源特征信息融合的變壓器智能診斷模型框架Fig.2 Transformer intelligent diagnosis model framework based on multi-source feature information fusion

    3.2 決策診斷和評(píng)價(jià)指標(biāo)

    變壓器故障主要包括過熱故障和放電故障兩大類,再參考行業(yè)標(biāo)準(zhǔn),本文將故障類型細(xì)分為5類,加上無故障(No Fault,NF)的正常狀態(tài),一共可以將樣本標(biāo)定為6類,分別見表1。

    表1 變壓器故障分類標(biāo)簽Tab.1 Transformer fault classification label

    本文所述多源信息中的IR圖像數(shù)據(jù)主要體現(xiàn)了變壓器的過熱故障,其在過熱故障類型中可以區(qū)分LT與HT;AE、UHF圖像數(shù)據(jù)主要體現(xiàn)了變壓器的放電故障,在放電故障類型中,AE圖像數(shù)據(jù)可以區(qū)分出LD與HD,而UHF圖像數(shù)據(jù)則重點(diǎn)區(qū)分出PD類故障。

    針對(duì)本文的多分類機(jī)器學(xué)習(xí)問題,由于其樣本中6類樣本分布并不均勻,其中正常樣本和局部放電故障樣本數(shù)少于其余4類,因此本文采用帶改進(jìn)的交叉熵作為網(wǎng)絡(luò)訓(xùn)練時(shí)的損失函數(shù),同時(shí)采用kappa系數(shù)作為模型效果的評(píng)價(jià)指標(biāo)。

    (1) 改進(jìn)交叉熵?fù)p失函數(shù)

    交叉熵(Cross Entropy,CE)是信息論中一個(gè)重要概念,也是神經(jīng)網(wǎng)絡(luò)中常用的損失函數(shù),其計(jì)算為:

    (4)

    式中,k為第k類樣本;p為真實(shí)的類別分布;q為預(yù)測的標(biāo)記分布。

    對(duì)于本文的不均衡樣本集,直接采用式(4)的損失函數(shù)會(huì)使模型趨于將樣本診斷為占比較大的類別,因此精度會(huì)大幅降低。為此,本文提出以下帶權(quán)重的改進(jìn)交叉熵CEω代替?zhèn)鹘y(tǒng)的交叉熵作為本文模型訓(xùn)練的損失函數(shù),其表達(dá)式為:

    (5)

    式中,ω(k)為第k類樣本的權(quán)重。其計(jì)算為:

    (6)

    如此以來,通過給予占比小的樣本以更大的權(quán)重、占比大的樣本以更小的權(quán)重,可以有效緩解模型的錯(cuò)分傾向性。

    (2)kappa系數(shù)

    kappa系數(shù)常用于一致性檢驗(yàn),也可用作衡量分類精度,其計(jì)算如下:

    (7)

    式中,po為預(yù)測正確的樣本數(shù)除以總樣本數(shù),即總分類精度。

    假設(shè)總類別數(shù)為m,每一類的真實(shí)樣本個(gè)數(shù)分別為a1,a2,…,am,而每一類的預(yù)測樣本個(gè)數(shù)分別為b1,b2,…,bm,總樣本個(gè)數(shù)為n,則有:

    (8)

    kappa系數(shù)能夠懲罰模型的“偏向性”,對(duì)于評(píng)估樣本不平衡的數(shù)據(jù)集有著獨(dú)特的優(yōu)勢。通常kappa的取值區(qū)間為[0,1],其預(yù)測結(jié)果相比真實(shí)結(jié)果的一致性根據(jù)取值情況分為表2所示的5類。

    表2 kappa系數(shù)的一致性檢驗(yàn)表Tab.2 Consistency test table of kappa coefficient

    4 算例分析

    在變壓器的故障檢測及診斷領(lǐng)域,油中溶解氣體檢測以及高壓套管紅外檢測已經(jīng)能夠?qū)崿F(xiàn)在線化,而超聲波檢測和局部放電檢測大多在變壓器出現(xiàn)故障后,作為輔助的故障診斷手段。因此,不同的檢測方法存在檢測周期不同的問題。本文從西北某省檢修公司獲取大量變壓器故障匯編案例和數(shù)據(jù),對(duì)這些不同時(shí)間尺度的檢測數(shù)據(jù)進(jìn)行如下數(shù)據(jù)融合處理:①對(duì)于樣本油色譜檢測數(shù)據(jù)或者紅外檢測數(shù)據(jù)缺省的,剔除該樣本;②對(duì)于樣本超聲波檢測或者局部放電檢測數(shù)據(jù)缺省的,若該樣本存在歷史數(shù)據(jù),則沿用最近一次檢測時(shí)的結(jié)果;否則,采用該樣本所屬故障類別其余樣本的均值代替缺省值。

    經(jīng)過上述的處理,再剔除冗余和異常樣本后,經(jīng)過整理得到1 019個(gè)樣本,其中各種變壓器狀態(tài)在樣本集中的分布見表3。隨機(jī)選擇其中764(75%)個(gè)作為訓(xùn)練集,另外255(25%)個(gè)樣本作為測試。

    表3 變壓器故障診斷數(shù)據(jù)集Tab.3 Transformer fault diagnosis data set

    4.1 信息融合后模型性能對(duì)比

    為了驗(yàn)證經(jīng)過多源特征信息融合后,模型的精度能夠得到顯著的提升,本文設(shè)置三種方案分別進(jìn)行建模分析,見表4。

    表4 多源特征信息融合的變壓器故障診斷模型對(duì)比方案Tab.4 Comparison scheme of transformer fault diagnosis model based on multi-source feature information fusion

    4.1.1 學(xué)習(xí)曲線和測試精度研究

    針對(duì)以上三種方案,分別進(jìn)行建模分析后,訓(xùn)練過程中的學(xué)習(xí)曲線和最終測試精度如圖3和表5所示。

    表5 多源特征信息融合的變壓器故障診斷模型精度對(duì)比Tab.5 Accuracy comparison of transformer fault diagnosis model based on multi-source feature information fusion

    圖3 三種方案的訓(xùn)練曲線Fig.3 Training curves of three schemes

    從各個(gè)模型的訓(xùn)練曲線可見,方案三即本文所提基于多源特征信息融合的變壓器故障智能診斷模型收斂速度更快,在前20輪已經(jīng)能夠到達(dá)超過90%的訓(xùn)練精度,說明其訓(xùn)練效率最高。此外,方案三最終的測試精度為96.47%,相比于方案一和方案二有著很大的提升。橫向?qū)Ρ确桨敢?、方案二、方案三可知,隨著輸入信息源的增加,模型的診斷效果也逐漸變好,這說明多源特征信息融合可以有效提高變壓器故障樣本的正確分類。

    4.1.2 模型評(píng)價(jià)與優(yōu)化

    對(duì)于多分類問題,混淆矩陣能夠清晰反映模型的預(yù)測結(jié)果。混淆矩陣的每列代表數(shù)據(jù)的預(yù)測類別,每行代表數(shù)據(jù)的真實(shí)類別,位于對(duì)角線上的數(shù)據(jù)為預(yù)測正確的樣本數(shù)。

    三種方案預(yù)測結(jié)果的混淆矩陣如圖4所示。圖4中矩陣方格中的數(shù)字表示當(dāng)前類別的個(gè)數(shù),例如圖4(a)第2行第2列的數(shù)字“33”表示真實(shí)故障為LT、預(yù)測結(jié)果為LT的樣本個(gè)數(shù);右側(cè)尺度條顏色深淺表示樣本個(gè)數(shù)的多少,越深個(gè)數(shù)越多。

    圖4 三種方案預(yù)測結(jié)果混淆矩陣Fig.4 Confusion matrix of prediction results of three schemes

    由混淆矩陣可知,方案一由于缺少所有圖像數(shù)據(jù),僅含有DGA數(shù)值型數(shù)據(jù),每一類別的預(yù)測效果都不理想;方案二由于缺乏AE、UHF數(shù)據(jù),對(duì)三類放電故障,即LD、HD、PD分類效果不佳;而方案三包含本文提出的所有數(shù)據(jù)信息,每一個(gè)類別的預(yù)測精度都很高,這再一次驗(yàn)證了多信息源數(shù)據(jù)融合對(duì)模型預(yù)測的提升效果。值得注意的是,方案三預(yù)測錯(cuò)誤的樣本主要集中在LT和HT,具體表現(xiàn)為:將4個(gè)實(shí)際為LT的樣本預(yù)測為HT,將3個(gè)實(shí)際為HT的樣本預(yù)測為LT,并且方案一、方案二也存在類似的問題。這說明CNN對(duì)于IR圖像的特征提取效果不及AE、UHF圖像,至于具體原因是IR圖像型數(shù)據(jù)自身的區(qū)分度不夠,還是網(wǎng)絡(luò)結(jié)構(gòu)的問題,還需要進(jìn)一步研究。

    此外,三種方案kappa系數(shù)和其所屬級(jí)別見表6,可知方案三kappa系數(shù)遠(yuǎn)高于方案一和方案二,且其分類結(jié)果所屬級(jí)別為“幾乎完全一致”。

    表6 三種方案的kappa系數(shù)及其一致性檢驗(yàn)結(jié)果對(duì)比Tab.6 Comparison of kappa coefficient and consistency test results of three schemes

    4.2 采用改進(jìn)交叉熵?fù)p失函數(shù)對(duì)模型的影響

    考慮到變壓器的故障診斷存在數(shù)據(jù)集樣本不均衡的特點(diǎn),本文提出了帶權(quán)重的改進(jìn)交叉熵代替?zhèn)鹘y(tǒng)的交叉熵作為本文模型訓(xùn)練的損失函數(shù)。為了驗(yàn)證其效果,分別采用改進(jìn)交叉熵和傳統(tǒng)交叉熵?fù)p失函數(shù)搭建模型,并作對(duì)比。由于無故障樣本數(shù)和局部放電故障(Partial Discharge,PD)樣本數(shù)較少,因此主要分析這兩類樣本的查準(zhǔn)率Prec和查全率Recall,二者可由分類問題混淆矩陣(見表7)計(jì)算得到。

    表7 二分類問題混淆矩陣Tab.7 Confusion matrix of binary classification problem

    (9)

    (10)

    最終,兩個(gè)模型的對(duì)比結(jié)果如圖5所示,圖5中Accuracy為模型總的預(yù)測精度。

    圖5 采用改進(jìn)交叉熵?fù)p失函數(shù)對(duì)模型的影響Fig.5 Influence of improved cross entropy loss function on model

    由圖5可見,采用改進(jìn)交叉熵作為損失函數(shù)后,模型對(duì)于NF、PD這兩類樣本較少的故障類型都有明顯的改善作用。同時(shí),整個(gè)模型的準(zhǔn)確率也有提升,完全符合預(yù)期。

    4.3 不同學(xué)習(xí)算法的對(duì)比

    為了驗(yàn)證本文所提出方法在處理多源特征信息融合數(shù)據(jù)的應(yīng)用價(jià)值,選擇在多分類問題中常用的K近鄰(K-Nearest Neighbor,KNN)和隨機(jī)森林(Random Forest,RF)與本文所提方法進(jìn)行對(duì)比,結(jié)果見表8。

    表8 不同學(xué)習(xí)算法的對(duì)比Tab.8 Comparison of different learning algorithms

    由于這兩類算法無法直接處理圖像數(shù)據(jù),因此對(duì)于IR等圖像數(shù)據(jù),將其展開排列成一維向量并進(jìn)行歸一化,然后與DGA數(shù)據(jù)合并為總的向量作為輸入信息。此外,這兩種方法均采用網(wǎng)格搜索法和十折交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)。計(jì)算得KNN的最佳近鄰個(gè)數(shù)為19、距離度量d為歐氏距離、權(quán)重ω為不均等權(quán)重(距離近的比距離遠(yuǎn)的影響大);RF的最佳樹個(gè)數(shù)N為120、樹的最深深度MD為15、樹的最大特征數(shù)量MF為11。

    最終結(jié)果表明這兩種算法的識(shí)別準(zhǔn)確率和kappa系數(shù)都低于本文所提出的方法。

    5 結(jié)論

    變壓器故障診斷技術(shù)是目前國內(nèi)外亟待解決的問題,現(xiàn)有研究普遍存在信息來源單一、診斷預(yù)測精度不高等問題,為此,本文提出一種基于多源信息融合技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障智能診斷模型。

    (1)所提出的基于多源信息融合技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障智能診斷模型,可針對(duì)不同類型的輸入數(shù)據(jù),分別利用DNN與CNN進(jìn)行特征提取和數(shù)據(jù)融合,最后的模型預(yù)測準(zhǔn)確率達(dá)到96.47%,具有很好的識(shí)別效果。

    (2)為防止由于數(shù)據(jù)集樣本不均衡而造成的模型傾向性,本文提出帶權(quán)重的改進(jìn)交叉熵作為模型的損失函數(shù)。通過與采用傳統(tǒng)交叉熵的模型對(duì)比發(fā)現(xiàn),在NF、PD這兩類樣本數(shù)較少的故障類型中,采用改進(jìn)交叉熵的模型效果提升明顯。同時(shí),整個(gè)模型的精度也有提升。

    (3)本文將所提出方法與KNN、RF兩種多分類算法對(duì)比,經(jīng)過參數(shù)尋優(yōu)和交叉驗(yàn)證后發(fā)現(xiàn),本文所提出方法的識(shí)別準(zhǔn)確率和kappa系數(shù)都大幅高于其余兩類算法。這說明卷積神經(jīng)網(wǎng)絡(luò)在處理圖像類數(shù)據(jù)時(shí)表現(xiàn)出了更加優(yōu)越的性能,再一次驗(yàn)證了該模型的實(shí)用性和有效性。

    猜你喜歡
    故障診斷變壓器樣本
    用樣本估計(jì)總體復(fù)習(xí)點(diǎn)撥
    理想變壓器的“三個(gè)不變”與“三個(gè)變”
    推動(dòng)醫(yī)改的“直銷樣本”
    開關(guān)電源中高頻變壓器的設(shè)計(jì)
    隨機(jī)微分方程的樣本Lyapunov二次型估計(jì)
    一種不停電更換變壓器的帶電作業(yè)法
    變壓器免維護(hù)吸濕器的開發(fā)與應(yīng)用
    村企共贏的樣本
    因果圖定性分析法及其在故障診斷中的應(yīng)用
    基于LCD和排列熵的滾動(dòng)軸承故障診斷
    女人精品久久久久毛片| 制服丝袜大香蕉在线| 国产三级黄色录像| 国产精品日韩av在线免费观看 | 国产精品久久电影中文字幕| 国产av一区在线观看免费| 国产成人av激情在线播放| 日韩国内少妇激情av| 亚洲五月色婷婷综合| 亚洲av成人不卡在线观看播放网| 在线观看一区二区三区| 久久精品国产亚洲av香蕉五月| 国产免费av片在线观看野外av| 丰满的人妻完整版| 国产高清视频在线播放一区| 大码成人一级视频| 18禁黄网站禁片午夜丰满| 女性生殖器流出的白浆| 淫妇啪啪啪对白视频| 女人被狂操c到高潮| 18禁美女被吸乳视频| 国产亚洲精品久久久久5区| 久久亚洲真实| 一本久久中文字幕| 午夜福利视频1000在线观看 | 久久 成人 亚洲| 99久久99久久久精品蜜桃| 9191精品国产免费久久| 亚洲中文字幕一区二区三区有码在线看 | 亚洲情色 制服丝袜| 日日夜夜操网爽| 色综合婷婷激情| 三级毛片av免费| 91国产中文字幕| 51午夜福利影视在线观看| 极品教师在线免费播放| 色综合站精品国产| 久久人妻福利社区极品人妻图片| a级毛片在线看网站| 免费在线观看黄色视频的| 欧美日韩中文字幕国产精品一区二区三区 | 欧美日韩乱码在线| 欧美成人免费av一区二区三区| 一本综合久久免费| 啦啦啦免费观看视频1| 免费观看人在逋| 亚洲免费av在线视频| 精品国产国语对白av| 999久久久国产精品视频| 天堂√8在线中文| 两性夫妻黄色片| 亚洲在线自拍视频| 成人国产一区最新在线观看| 免费观看人在逋| 女人被狂操c到高潮| 国产亚洲精品av在线| 又紧又爽又黄一区二区| 在线播放国产精品三级| 日本免费a在线| 亚洲人成电影观看| 男女下面进入的视频免费午夜 | 精品乱码久久久久久99久播| 国产亚洲欧美在线一区二区| 满18在线观看网站| 国产熟女午夜一区二区三区| 91在线观看av| 在线观看一区二区三区| 成人手机av| 久久人人爽av亚洲精品天堂| 日韩欧美国产一区二区入口| 亚洲欧美一区二区三区黑人| 成熟少妇高潮喷水视频| 夜夜看夜夜爽夜夜摸| 亚洲,欧美精品.| 日韩大码丰满熟妇| 久久人妻av系列| 亚洲电影在线观看av| 91精品三级在线观看| 后天国语完整版免费观看| 淫妇啪啪啪对白视频| 每晚都被弄得嗷嗷叫到高潮| videosex国产| 成熟少妇高潮喷水视频| 国产一级毛片七仙女欲春2 | 夜夜夜夜夜久久久久| 成人永久免费在线观看视频| 亚洲片人在线观看| 一区二区三区精品91| 国产在线精品亚洲第一网站| 日本免费一区二区三区高清不卡 | 色老头精品视频在线观看| 午夜福利欧美成人| 欧美成狂野欧美在线观看| 一级毛片女人18水好多| 国产成人系列免费观看| 十八禁人妻一区二区| 精品一区二区三区av网在线观看| ponron亚洲| 亚洲av电影在线进入| aaaaa片日本免费| 最近最新中文字幕大全电影3 | 亚洲在线自拍视频| 欧美不卡视频在线免费观看 | 成人国语在线视频| 九色国产91popny在线| 国产精品亚洲美女久久久| 午夜福利高清视频| 一区二区日韩欧美中文字幕| 如日韩欧美国产精品一区二区三区| 人妻丰满熟妇av一区二区三区| 午夜福利高清视频| 久久中文字幕一级| 亚洲天堂国产精品一区在线| 人人妻,人人澡人人爽秒播| 日韩欧美免费精品| 多毛熟女@视频| 亚洲 欧美 日韩 在线 免费| 视频区欧美日本亚洲| 最新在线观看一区二区三区| 少妇 在线观看| 欧美黑人欧美精品刺激| av福利片在线| 不卡av一区二区三区| 亚洲精品久久成人aⅴ小说| 亚洲精品久久国产高清桃花| 久久午夜综合久久蜜桃| 久久欧美精品欧美久久欧美| 母亲3免费完整高清在线观看| 亚洲国产精品久久男人天堂| 欧美性长视频在线观看| 神马国产精品三级电影在线观看 | 国产精品一区二区在线不卡| 免费观看精品视频网站| 欧美日韩瑟瑟在线播放| 国产精品综合久久久久久久免费 | 如日韩欧美国产精品一区二区三区| 久久青草综合色| 亚洲一区二区三区色噜噜| 成熟少妇高潮喷水视频| 99在线视频只有这里精品首页| av片东京热男人的天堂| 欧美另类亚洲清纯唯美| 丰满人妻熟妇乱又伦精品不卡| 精品久久久精品久久久| 成人特级黄色片久久久久久久| 99re在线观看精品视频| 视频区欧美日本亚洲| 国产精品久久久人人做人人爽| 免费在线观看影片大全网站| 国产欧美日韩一区二区精品| 久99久视频精品免费| 久久天堂一区二区三区四区| 丝袜美足系列| 亚洲专区字幕在线| 韩国精品一区二区三区| 天堂√8在线中文| 免费女性裸体啪啪无遮挡网站| 99在线视频只有这里精品首页| 美女 人体艺术 gogo| 久久影院123| 成人永久免费在线观看视频| av中文乱码字幕在线| 成人免费观看视频高清| 在线观看免费午夜福利视频| 欧美一级a爱片免费观看看 | 午夜a级毛片| or卡值多少钱| 亚洲一码二码三码区别大吗| tocl精华| 午夜福利成人在线免费观看| 搡老熟女国产l中国老女人| 久久久久久人人人人人| 色综合亚洲欧美另类图片| 人成视频在线观看免费观看| 亚洲欧洲精品一区二区精品久久久| 色哟哟哟哟哟哟| 国产一区二区三区在线臀色熟女| 国产精品一区二区在线不卡| 亚洲国产精品sss在线观看| 国产精品久久视频播放| 麻豆一二三区av精品| 国产又色又爽无遮挡免费看| tocl精华| 欧美不卡视频在线免费观看 | av在线播放免费不卡| 国产精华一区二区三区| 欧美精品啪啪一区二区三区| 欧美激情极品国产一区二区三区| 色尼玛亚洲综合影院| 日韩免费av在线播放| 男女之事视频高清在线观看| 久久国产亚洲av麻豆专区| 美女免费视频网站| 免费在线观看黄色视频的| 日韩精品中文字幕看吧| 成人亚洲精品一区在线观看| 亚洲情色 制服丝袜| 女人高潮潮喷娇喘18禁视频| 大香蕉久久成人网| 757午夜福利合集在线观看| 日韩欧美一区二区三区在线观看| 99国产精品免费福利视频| 乱人伦中国视频| АⅤ资源中文在线天堂| 国产色视频综合| 成人三级做爰电影| 欧美绝顶高潮抽搐喷水| 亚洲国产毛片av蜜桃av| 亚洲精品中文字幕一二三四区| www.精华液| 免费无遮挡裸体视频| 一级a爱片免费观看的视频| 午夜福利免费观看在线| 精品熟女少妇八av免费久了| 久久久久久久久免费视频了| 亚洲熟女毛片儿| 日韩欧美三级三区| 禁无遮挡网站| 国产成+人综合+亚洲专区| 久久天堂一区二区三区四区| 成熟少妇高潮喷水视频| 精品电影一区二区在线| 两性夫妻黄色片| 不卡av一区二区三区| 天堂√8在线中文| 一卡2卡三卡四卡精品乱码亚洲| 老汉色∧v一级毛片| 欧美成人性av电影在线观看| 亚洲中文日韩欧美视频| 欧美黄色片欧美黄色片| 久久精品国产99精品国产亚洲性色 | 亚洲五月色婷婷综合| 淫秽高清视频在线观看| 九色国产91popny在线| 日韩成人在线观看一区二区三区| 国产精品美女特级片免费视频播放器 | 久久久久久久午夜电影| 欧美另类亚洲清纯唯美| 亚洲少妇的诱惑av| av福利片在线| 亚洲精品国产区一区二| 亚洲一码二码三码区别大吗| 久久 成人 亚洲| 日韩欧美一区二区三区在线观看| 成人三级做爰电影| 91成人精品电影| 国产色视频综合| 欧美激情久久久久久爽电影 | 国产精品乱码一区二三区的特点 | 99国产精品一区二区三区| АⅤ资源中文在线天堂| 两个人看的免费小视频| 他把我摸到了高潮在线观看| 国产精品亚洲av一区麻豆| 黄色 视频免费看| cao死你这个sao货| 久久精品亚洲熟妇少妇任你| 叶爱在线成人免费视频播放| 50天的宝宝边吃奶边哭怎么回事| 国产91精品成人一区二区三区| 性欧美人与动物交配| 99久久久亚洲精品蜜臀av| av网站免费在线观看视频| netflix在线观看网站| 久久精品国产清高在天天线| 欧美色视频一区免费| 国产成人免费无遮挡视频| 亚洲专区中文字幕在线| 国产亚洲精品久久久久5区| 美女 人体艺术 gogo| 搞女人的毛片| 日本 av在线| 丝袜人妻中文字幕| 国产精品野战在线观看| 国产欧美日韩一区二区三区在线| 日本a在线网址| 狂野欧美激情性xxxx| 女性被躁到高潮视频| 亚洲男人天堂网一区| 精品无人区乱码1区二区| 搞女人的毛片| 91成人精品电影| 老鸭窝网址在线观看| 亚洲欧洲精品一区二区精品久久久| 999久久久国产精品视频| 日本a在线网址| 久久久久久久久免费视频了| 亚洲精品在线美女| 国产精品,欧美在线| 女性被躁到高潮视频| 精品一品国产午夜福利视频| 久久精品成人免费网站| 丁香六月欧美| 免费少妇av软件| 国产精品久久视频播放| 久久人人爽av亚洲精品天堂| 亚洲欧美激情在线| 国产午夜精品久久久久久| 电影成人av| 脱女人内裤的视频| 国产不卡一卡二| 亚洲av第一区精品v没综合| 黄色a级毛片大全视频| 亚洲自拍偷在线| 这个男人来自地球电影免费观看| 正在播放国产对白刺激| 欧美+亚洲+日韩+国产| 免费人成视频x8x8入口观看| 高潮久久久久久久久久久不卡| 亚洲 国产 在线| 电影成人av| 91精品国产国语对白视频| 亚洲精品在线观看二区| 18美女黄网站色大片免费观看| 啦啦啦韩国在线观看视频| 国产视频一区二区在线看| 中文字幕人妻丝袜一区二区| 99久久国产精品久久久| 日韩国内少妇激情av| 精品国产一区二区三区四区第35| 中亚洲国语对白在线视频| 久久青草综合色| 亚洲欧美日韩无卡精品| www.www免费av| 丝袜美足系列| 久久婷婷人人爽人人干人人爱 | 老熟妇仑乱视频hdxx| 青草久久国产| 亚洲中文字幕日韩| 成人手机av| av免费在线观看网站| 久久人妻熟女aⅴ| 91在线观看av| 香蕉丝袜av| 欧美日本视频| 免费观看人在逋| netflix在线观看网站| 成人免费观看视频高清| 亚洲av片天天在线观看| 亚洲性夜色夜夜综合| 看黄色毛片网站| 久久久水蜜桃国产精品网| 国产日韩一区二区三区精品不卡| 亚洲男人天堂网一区| 制服人妻中文乱码| 国产成年人精品一区二区| 最新美女视频免费是黄的| 色综合亚洲欧美另类图片| 日本在线视频免费播放| 1024香蕉在线观看| 国产在线精品亚洲第一网站| www.999成人在线观看| 人人澡人人妻人| 18禁国产床啪视频网站| 久久人妻av系列| 国产精品,欧美在线| 天堂影院成人在线观看| 国产一卡二卡三卡精品| 久久国产精品人妻蜜桃| 午夜福利18| 久久香蕉激情| 精品国内亚洲2022精品成人| 叶爱在线成人免费视频播放| av天堂久久9| 最好的美女福利视频网| 一区在线观看完整版| 欧美性长视频在线观看| 亚洲第一青青草原| 欧美成人免费av一区二区三区| 在线观看www视频免费| 69av精品久久久久久| 丁香六月欧美| 国产一卡二卡三卡精品| 亚洲人成伊人成综合网2020| 99国产精品99久久久久| 国产又爽黄色视频| 国产成人影院久久av| 国产日韩一区二区三区精品不卡| 亚洲精品在线观看二区| 日韩av在线大香蕉| 亚洲va日本ⅴa欧美va伊人久久| 国产精品av久久久久免费| 亚洲精品av麻豆狂野| 成人三级黄色视频| 亚洲成av人片免费观看| 女同久久另类99精品国产91| 国产午夜精品久久久久久| 午夜福利在线观看吧| 亚洲最大成人中文| 国产成人精品在线电影| 最近最新中文字幕大全电影3 | 看片在线看免费视频| 亚洲第一av免费看| 日韩大码丰满熟妇| 侵犯人妻中文字幕一二三四区| avwww免费| 日韩有码中文字幕| 中文字幕精品免费在线观看视频| 变态另类丝袜制服| 精品久久久久久成人av| 亚洲国产欧美日韩在线播放| 视频在线观看一区二区三区| 午夜福利影视在线免费观看| 免费av毛片视频| 国产成人av教育| 18禁观看日本| 国产精品久久视频播放| 亚洲午夜精品一区,二区,三区| 久久中文字幕一级| 亚洲色图综合在线观看| 黄色女人牲交| 99香蕉大伊视频| 亚洲欧美激情在线| 亚洲国产精品成人综合色| 脱女人内裤的视频| 日本精品一区二区三区蜜桃| 中文字幕色久视频| 91字幕亚洲| 午夜精品在线福利| 久久国产精品影院| 两个人视频免费观看高清| 国产亚洲精品av在线| 人人妻人人爽人人添夜夜欢视频| 久久久国产成人精品二区| 女人高潮潮喷娇喘18禁视频| 国产欧美日韩一区二区精品| 99国产精品一区二区三区| 俄罗斯特黄特色一大片| 久久久久久久久免费视频了| 国产xxxxx性猛交| tocl精华| 欧美日本视频| 亚洲精品国产精品久久久不卡| 成人18禁在线播放| 成人av一区二区三区在线看| 19禁男女啪啪无遮挡网站| 老司机午夜十八禁免费视频| 亚洲五月色婷婷综合| 亚洲av日韩精品久久久久久密| 欧美丝袜亚洲另类 | 精品国产一区二区久久| 男男h啪啪无遮挡| 欧美黄色片欧美黄色片| 两个人视频免费观看高清| 免费在线观看亚洲国产| 亚洲成人久久性| 国产精品久久视频播放| 香蕉久久夜色| 亚洲av电影在线进入| 真人做人爱边吃奶动态| 日韩欧美一区二区三区在线观看| www.精华液| 天天躁狠狠躁夜夜躁狠狠躁| 精品一区二区三区四区五区乱码| 黄色 视频免费看| 亚洲精品久久国产高清桃花| 99久久久亚洲精品蜜臀av| 性欧美人与动物交配| 亚洲熟女毛片儿| 亚洲无线在线观看| 国产亚洲欧美精品永久| 纯流量卡能插随身wifi吗| 国产亚洲av嫩草精品影院| 亚洲av五月六月丁香网| 国产精品精品国产色婷婷| 精品高清国产在线一区| 黄色视频不卡| √禁漫天堂资源中文www| 成人三级黄色视频| 久久九九热精品免费| 中文字幕精品免费在线观看视频| 国产精品二区激情视频| 久久久久精品国产欧美久久久| 涩涩av久久男人的天堂| 欧美色视频一区免费| 黑人巨大精品欧美一区二区mp4| 日本 欧美在线| 757午夜福利合集在线观看| 国产av精品麻豆| 精品久久久精品久久久| 亚洲狠狠婷婷综合久久图片| 色播在线永久视频| 国产三级黄色录像| 亚洲色图综合在线观看| 男女做爰动态图高潮gif福利片 | www.熟女人妻精品国产| 美女午夜性视频免费| 97超级碰碰碰精品色视频在线观看| 午夜免费成人在线视频| 非洲黑人性xxxx精品又粗又长| 女人被躁到高潮嗷嗷叫费观| 十八禁人妻一区二区| 亚洲专区国产一区二区| 久久精品91无色码中文字幕| 精品不卡国产一区二区三区| 一级片免费观看大全| 又紧又爽又黄一区二区| 18美女黄网站色大片免费观看| 欧美国产精品va在线观看不卡| 欧美激情高清一区二区三区| 99国产精品99久久久久| 在线天堂中文资源库| 国产高清videossex| 精品一品国产午夜福利视频| 色尼玛亚洲综合影院| 国产91精品成人一区二区三区| 成人18禁在线播放| 亚洲激情在线av| 人人澡人人妻人| 国产成年人精品一区二区| 午夜成年电影在线免费观看| 色综合亚洲欧美另类图片| 级片在线观看| 欧美午夜高清在线| av天堂久久9| 老汉色av国产亚洲站长工具| 国内精品久久久久精免费| 国产欧美日韩精品亚洲av| 国产精品电影一区二区三区| 亚洲成人国产一区在线观看| 黄片播放在线免费| 91麻豆精品激情在线观看国产| 国产精品一区二区免费欧美| 午夜福利,免费看| 欧美另类亚洲清纯唯美| 久久亚洲精品不卡| 国产高清videossex| 亚洲男人天堂网一区| 淫妇啪啪啪对白视频| 亚洲男人天堂网一区| 狂野欧美激情性xxxx| 91字幕亚洲| 国产精品 国内视频| 一级毛片精品| 国产私拍福利视频在线观看| 亚洲人成伊人成综合网2020| 在线观看66精品国产| 亚洲人成77777在线视频| 正在播放国产对白刺激| 91成人精品电影| 国产亚洲av嫩草精品影院| 老熟妇乱子伦视频在线观看| 国产三级黄色录像| 老司机福利观看| 亚洲精品一区av在线观看| 亚洲成av人片免费观看| 搞女人的毛片| 国产一区二区在线av高清观看| 级片在线观看| 精品一品国产午夜福利视频| 午夜老司机福利片| 亚洲欧美精品综合一区二区三区| 狠狠狠狠99中文字幕| 久久精品国产综合久久久| 欧美激情极品国产一区二区三区| 国产成人精品久久二区二区免费| av在线天堂中文字幕| 国产成人免费无遮挡视频| 亚洲精品国产精品久久久不卡| 麻豆一二三区av精品| 久久人妻熟女aⅴ| 久久香蕉精品热| 久9热在线精品视频| 黑人巨大精品欧美一区二区蜜桃| 成年女人毛片免费观看观看9| 色在线成人网| 美女扒开内裤让男人捅视频| 日韩欧美一区二区三区在线观看| 一级毛片女人18水好多| 亚洲无线在线观看| 熟妇人妻久久中文字幕3abv| 人成视频在线观看免费观看| 999久久久精品免费观看国产| 99精品久久久久人妻精品| 午夜福利高清视频| 亚洲人成伊人成综合网2020| 男人舔女人下体高潮全视频| 两个人看的免费小视频| 色综合站精品国产| 成人永久免费在线观看视频| 国产精品久久视频播放| 久久婷婷成人综合色麻豆| 桃色一区二区三区在线观看| 国产精品久久久av美女十八| 欧美大码av| 国产三级黄色录像| 久久精品亚洲熟妇少妇任你| 免费看十八禁软件| 日本免费一区二区三区高清不卡 | 一级a爱片免费观看的视频| 久久影院123| 国产一区二区激情短视频| 熟妇人妻久久中文字幕3abv| 久久久久国内视频| 国产99白浆流出| 亚洲欧美激情综合另类| 中文字幕人成人乱码亚洲影| 级片在线观看| 久久精品人人爽人人爽视色| 亚洲自偷自拍图片 自拍| 日韩大码丰满熟妇| 亚洲精品在线观看二区| 免费久久久久久久精品成人欧美视频| 色综合亚洲欧美另类图片| 麻豆一二三区av精品| 啪啪无遮挡十八禁网站| 午夜视频精品福利| 久久久国产成人精品二区| 国产精品久久久久久精品电影 | 香蕉久久夜色| 一级,二级,三级黄色视频| 999久久久精品免费观看国产| e午夜精品久久久久久久| 亚洲片人在线观看| 淫妇啪啪啪对白视频|