基于加強(qiáng)灰狼優(yōu)化VMD-DBN的變壓器故障檢測(cè)

趙一鈞,石雷,齊笑,郝成鋼,祝曉宏,王昕

(1.上海電力大學(xué) 電氣工程學(xué)院,上海 200090; 2.國(guó)網(wǎng)吉林省電力有限公司四平供電公司,吉林 四平136000; 3.上海交通大學(xué) 電工與電子技術(shù)中心,上海 200240)

0 引 言

電力系統(tǒng)中的重要組成部分變壓器的運(yùn)行狀態(tài)影響著整個(gè)電網(wǎng)的安全運(yùn)行,及時(shí)發(fā)現(xiàn)潛在故障隱患并實(shí)施檢修計(jì)劃,能大幅提升電網(wǎng)運(yùn)行安全、可靠以及經(jīng)濟(jì)性。因?yàn)榻陙?lái)的研究發(fā)現(xiàn),在變壓器故障中,繞組和鐵芯是故障多發(fā)部件,所以對(duì)兩者的故障識(shí)別也是當(dāng)前研究的重點(diǎn)[1]。

當(dāng)前已有的變壓器狀態(tài)檢測(cè)方法有很多,如短路阻抗法[2]、低壓脈沖法、頻響分析法、油色譜分析法等。但前三種方法都需要對(duì)變壓器進(jìn)行脫網(wǎng)實(shí)驗(yàn),且短路阻抗法對(duì)繞組形變的靈敏度較低。低壓脈沖法實(shí)驗(yàn)易受干擾,設(shè)備布置要求苛刻。頻響分析法要求實(shí)驗(yàn)人員具有較高的經(jīng)驗(yàn)。油色譜分析法需要較長(zhǎng)的實(shí)驗(yàn)周期,并且對(duì)機(jī)械結(jié)構(gòu)性故障識(shí)別靈敏度較低。因此許多學(xué)者提出利用振動(dòng)法來(lái)診斷變壓器運(yùn)行工況的方法,實(shí)現(xiàn)帶電檢測(cè)。近年來(lái)變壓器故障識(shí)別研究的流程主要分為三個(gè)步驟,(1)信號(hào)分解;(2)提取特征向量;(3)學(xué)習(xí)訓(xùn)練特征構(gòu)成診斷模型。文獻(xiàn)[3]中提出用EEMD拆解變壓器箱壁的振動(dòng)信號(hào),提取特征向量表征變壓器運(yùn)行工況,用Fisher 判別法進(jìn)行識(shí)別驗(yàn)證,但EEMD分解時(shí)存在模態(tài)混疊現(xiàn)象,分解結(jié)果難以提取出變壓器中有效的故障信息。Dragomiretskiy提出了一種新的自適應(yīng)分解方法：變分模態(tài)分解法(VMD)[4],該方法通過求解變分問題,控制帶寬能有效避免模態(tài)混疊問題,目前以其顯著的優(yōu)勢(shì)廣泛應(yīng)用在機(jī)械和電氣故障檢測(cè)領(lǐng)域中[5]。但其參數(shù)需要依靠經(jīng)驗(yàn)人工預(yù)設(shè),分解效果存在隨機(jī)性。

文獻(xiàn)[6-7]通過提取振動(dòng)分量的能量熵值用作特征數(shù)據(jù)集,使用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)來(lái)進(jìn)行訓(xùn)練識(shí)別,但這兩種經(jīng)典的智能識(shí)別算法,結(jié)構(gòu)較簡(jiǎn)單,特征學(xué)習(xí)能力較弱,使得對(duì)變壓器故障識(shí)別的精確度較低,穩(wěn)定性略差。文獻(xiàn)[8]提出的深度置信網(wǎng)絡(luò)(DBN),很好地解決了深層神經(jīng)網(wǎng)絡(luò)易陷于局部極小值的問題,相較于上述兩種智能算法特征學(xué)習(xí)能力更強(qiáng),可靠性更高,具有極強(qiáng)的非線性表達(dá)能力和判別能力,已在聲音識(shí)別、自然語(yǔ)言處理等音頻領(lǐng)域取得了突破性的進(jìn)展,運(yùn)用該算法能夠大大提高對(duì)變壓器狀態(tài)的識(shí)別率。目前,研究人員將DBN主要應(yīng)用在變壓器油色譜分析當(dāng)中[9],但在振動(dòng)法檢測(cè)變壓器故障診斷領(lǐng)域使用較少。

考慮上述因素,本文提出基于加強(qiáng)灰狼優(yōu)化的VMD-DBN檢測(cè)法。首先利用加強(qiáng)灰狼算法,優(yōu)化VMD的重要參數(shù)(分解層數(shù)k和懲罰因子α),優(yōu)化改進(jìn)后,有效避免常規(guī)變分模態(tài)分解人為選擇參數(shù)的主觀隨機(jī)性,同時(shí)也使得分解得到的各IMF分量不存在混疊現(xiàn)象,獨(dú)立性較強(qiáng),能夠更好地表征變壓器的運(yùn)行工況。然后分解計(jì)算各獨(dú)立分量的能量標(biāo)值,構(gòu)成特征數(shù)據(jù)集,用來(lái)表征變壓器運(yùn)行工況。最后使用深度置信網(wǎng)絡(luò)對(duì)特征數(shù)據(jù)集進(jìn)行反復(fù)學(xué)習(xí)和訓(xùn)練,形成故障診斷模型,能夠根據(jù)變壓器表面的振動(dòng)數(shù)據(jù)對(duì)其進(jìn)行狀態(tài)評(píng)估。通過實(shí)驗(yàn)驗(yàn)證,本文方法能夠精準(zhǔn)、可靠地識(shí)別出變壓器正常、繞組輻向形變、繞組軸向形變、鐵芯故障四種工況,具有一定的應(yīng)用價(jià)值。

1 變分模態(tài)分解

變分模態(tài)分解是將輸入信號(hào)f(t)分解成多個(gè)特定帶寬的子信號(hào)uk(t),這些子信號(hào)集聚在各自的中心頻率ωk附近,即本征模態(tài)分量。相比較經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)通過遞歸式的方法來(lái)獲得IMF, VMD分解則通過求解變分問題的最優(yōu)解來(lái)實(shí)現(xiàn)信號(hào)分解目的。

對(duì)于約束變分模型的建立通過以下三個(gè)步驟：(1)針對(duì)每個(gè)模態(tài)量,進(jìn)行對(duì)應(yīng)希爾伯特變換;(2)將每個(gè)模態(tài)量的指數(shù)調(diào)諧到估計(jì)中心頻率,使得模態(tài)頻譜轉(zhuǎn)移至基帶上;(3)將解調(diào)信號(hào)的梯度進(jìn)行二范數(shù)運(yùn)算,由此估算得到各模態(tài)量頻帶帶寬。由此產(chǎn)生的約束變分模型如式(1)所示：

(1)

式中{uk}={u1,u2,…,uK};{ωk}={ω1,ω2,…,ωK}分別代表所有的模態(tài)分量集以及他們各自的中心頻率集;“*”代表卷積運(yùn)算;δ(t)是單位脈沖函數(shù);?t代表偏導(dǎo)運(yùn)算;j為虛數(shù)單位;f(t)即目標(biāo)函數(shù)。

為了求解這個(gè)約束變分模型,通過引入二次罰項(xiàng)α和拉格朗日乘子λ來(lái)計(jì)算。這兩項(xiàng)的組合能夠求解最優(yōu)解,一是得益于有限權(quán)二次罰函數(shù)的良好收斂性,即使源信號(hào)存在高斯噪聲,任能保證信號(hào)重構(gòu)的精準(zhǔn)度。二是得益于拉格朗日乘子嚴(yán)格執(zhí)行約束。引入上述兩個(gè)參數(shù)后,所得增廣拉格朗日表達(dá)式如下：

(2)

通過交替方向乘子算法計(jì)算式(2)的鞍點(diǎn),迭代更新uk和ωk如下式所示,最終獲得約束變分模型的優(yōu)解。

(3)

(4)

同時(shí)通過式(5)更新λ,其中τ代表噪聲容許參數(shù)。

(5)

通過式(6)計(jì)算,判斷是否達(dá)到精度ε要求,決定迭代是否結(jié)束。

(6)

最終輸出分解后所有的模態(tài)分量,以及他們的中心頻率。這些模態(tài)分量就構(gòu)成了信號(hào)的特征集,為后面特征學(xué)習(xí),以及狀態(tài)識(shí)別提供數(shù)據(jù)支持。

2 加強(qiáng)灰狼算法

GWO(灰狼算法)是受狼群合作捕食行為啟發(fā),模擬捕食過程的仿生群智優(yōu)化算法。狼群內(nèi)分為四個(gè)等級(jí),從上到下依次為ε、β、δ、ω,權(quán)力隨等級(jí)遞減而降低。每只狼的位置代表一個(gè)可行解,通過捕食獵物的過程搜索最優(yōu)解[10]。算法具體步驟如下所示。

步驟1：包圍獵物

(7)

式中t代表當(dāng)前的迭代次數(shù);YP(t)代表當(dāng)前食物位置;Y(t)代表灰狼所在位置;r1,r2為0到1之間的隨機(jī)數(shù),是調(diào)節(jié)系數(shù),隨迭代增加而線性衰減至零;C表示擺動(dòng)影響因子;A表示收斂影響因子。

步驟2：捕食過程：

在開始包圍成功后,選擇適應(yīng)度值最佳的三匹狼：ε,β,δ的位置來(lái)更新狼群下一次迭代位置解向量,重復(fù)上述步驟,直至迭代結(jié)束。

(8)

(9)

(10)

3 基于加強(qiáng)灰狼優(yōu)化VMD分解特征值提取

在執(zhí)行VMD算法之前,需要對(duì)信號(hào)分解層數(shù)K以及懲罰因子α進(jìn)行設(shè)置。由于目前沒有統(tǒng)一的標(biāo)準(zhǔn),一般依靠人工經(jīng)驗(yàn)進(jìn)行賦值,但這兩個(gè)參數(shù)的取值對(duì)分解的效果起到明顯的作用。本文通過加強(qiáng)灰狼優(yōu)化算法對(duì)分解層數(shù)和懲罰因子進(jìn)行優(yōu)化取值,達(dá)到分解最佳效果,最后,通過對(duì)比實(shí)驗(yàn),證實(shí)了優(yōu)化后的方法分解結(jié)果沒有產(chǎn)生模態(tài)欠分解或者過分解的情況,各模態(tài)量之間,獨(dú)立性較強(qiáng),能很好地表征變壓器運(yùn)行工況,為后續(xù)變壓器狀態(tài)檢測(cè)識(shí)別提供可靠數(shù)據(jù)基礎(chǔ)。

3.1 能量誤差

理想狀況下原始信號(hào)經(jīng)VMD分解后不存在模態(tài)欠分解與過分解情況,各固有模態(tài)分量之間相互獨(dú)立,若分量間彼此正交,那么分量的能量之和等于源信號(hào)的能量。

源信號(hào)f(t)經(jīng)VMD分解成n個(gè)本征模態(tài)分量：

(11)

假設(shè)各分量間相互正交,那么總能量可以表示為各模態(tài)分量之和：

(12)

若各分量間存在混疊現(xiàn)象,不是完全正交,那么能量之和Eall與源信號(hào)能量E存在誤差Eer：

Eer=Eall-E=(E1+…En)-E

(13)

當(dāng)分解后能量誤差的絕對(duì)值越接近零時(shí),代表分解效果最佳,各分量獨(dú)立性較強(qiáng),包含豐富的模態(tài)信息,便于后續(xù)的特征提取。

3.2 加強(qiáng)灰狼優(yōu)化變分模態(tài)分解

懲罰因子(α)作為變分模態(tài)分解過程中約束帶寬的重要影響因子,決定著各模態(tài)的能量變化,其取值影響最終分解效果以及后續(xù)信號(hào)處理的準(zhǔn)確性。傳統(tǒng)變分模態(tài)分解都是通過經(jīng)驗(yàn)人工預(yù)設(shè)該參數(shù),或者人工對(duì)比調(diào)參,嚴(yán)重影響分解的高效性與精確性。使得分解后的模態(tài)分量,有可能發(fā)生模態(tài)混疊現(xiàn)象,無(wú)法有效表征變壓器的振動(dòng)特征,也會(huì)降低后面變壓器狀態(tài)識(shí)別的精準(zhǔn)度。文中結(jié)合了加強(qiáng)灰狼優(yōu)化算法,將能量誤差的絕對(duì)值|Eer|作為優(yōu)化過程中的適應(yīng)度函數(shù),以適應(yīng)度函數(shù)取得最小值作為優(yōu)化目標(biāo),對(duì)懲罰因子和分解層數(shù)進(jìn)行優(yōu)化取值。具體算法步驟如下所示：

首先對(duì)加強(qiáng)灰狼優(yōu)化算法進(jìn)行初始化。設(shè)置各項(xiàng)參數(shù),其中包含狼群數(shù)量S,優(yōu)化參數(shù)個(gè)數(shù)DIM=2,單狼學(xué)習(xí)算子c1,群狼學(xué)習(xí)算子c2,最終迭代的次數(shù)TMAX。通過對(duì)狼群的初始化,確定初始狼群位置向量ε。

根據(jù)單狼位置向量賦值分解參數(shù)進(jìn)行變分模態(tài)分解,計(jì)算對(duì)應(yīng)適應(yīng)度函數(shù)值|Eer|,選取能量誤差最小的三匹狼的位置,定義為ε,β,δ狼的位置。

由式(8)更新狼群位置,求解對(duì)應(yīng)適應(yīng)度函數(shù)值,選出當(dāng)前最佳的三個(gè)值,更新ε,β,δ精英狼的位置。重復(fù)迭代直到滿足算法終止條件。輸出最佳ε狼的位置[k,α],將其作為最佳分解層數(shù)和懲罰因子。對(duì)VMD進(jìn)行參數(shù)設(shè)置,分解得到優(yōu)化后的最終模態(tài)分量。

3.3 振動(dòng)特征向量提取

變壓器振動(dòng)信號(hào)分解后的各分量,互不相關(guān),且各自能量值不同,變壓器在不同工況下,分量間的能量分布也不同。所以可以把優(yōu)化參數(shù)后的VMD算法分解得到的各IMF能量作為特征向量。具體步驟如下所示：

(1)通過式(14)計(jì)算分解后各IMF的能量值。

(14)

(2)為了便于對(duì)比計(jì)算,去除量綱,進(jìn)行如下集合處理,令：

(15)

(3)總能量集合處理后,各IMF能量標(biāo)值為式(16)：

(16)

將所有分量的能量標(biāo)值構(gòu)成特征數(shù)據(jù)集,表征變壓器運(yùn)行工況,作為后續(xù)深度置信網(wǎng)絡(luò)的輸入信號(hào)。

4 深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)(Deep Belief Networks,DBN)屬于機(jī)器學(xué)習(xí)算法中神經(jīng)網(wǎng)絡(luò)的一種,它不僅可以用于非監(jiān)督學(xué)習(xí),也可以用于有監(jiān)督學(xué)習(xí)。DBN的組成元件是受限玻爾茲曼機(jī) (Restricted Boltzmann Machines, RBM)。

通過多個(gè)RBM疊加構(gòu)成具有多隱含層的神經(jīng)網(wǎng)絡(luò)即深度置信網(wǎng)絡(luò)的本質(zhì)。圖1是3個(gè)受限玻爾茲曼機(jī)組成的深度置信網(wǎng)絡(luò)模型。而每個(gè)玻爾茲曼機(jī)又是由可見層v和隱含層h構(gòu)成,具體結(jié)構(gòu)如圖2所示。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2 RBM模型圖

求解深度置信網(wǎng)絡(luò)模型參數(shù)主要由以下兩部分組成。

前向無(wú)監(jiān)督預(yù)訓(xùn)練：如圖1中輸入數(shù)據(jù)(X1,X2,…,Xn),從底層RBM1開始訓(xùn)練,訓(xùn)練結(jié)束后由其輸出層h作為下一個(gè)RBM2的輸入,繼續(xù)訓(xùn)練參數(shù),通過逐層學(xué)習(xí)的方法實(shí)現(xiàn)模型預(yù)訓(xùn)練的目標(biāo)。

反向微調(diào)：如圖1中所示最后一層加入了BP神經(jīng)網(wǎng)絡(luò),以實(shí)現(xiàn)分類器的功能,并且對(duì)預(yù)訓(xùn)練給予的數(shù)據(jù)和結(jié)果進(jìn)行對(duì)比,通過反向微調(diào)的方法在監(jiān)督下實(shí)現(xiàn)了模型參數(shù)的優(yōu)化,從而進(jìn)一步提升網(wǎng)絡(luò)模型的識(shí)別率。

5 基于優(yōu)化參數(shù)VMD-DBN變壓器故障診斷

5.1 算法實(shí)現(xiàn)

本文首先利用加強(qiáng)灰狼優(yōu)化算法對(duì)變分模態(tài)分解中的重要參數(shù)[k,α]進(jìn)行優(yōu)化取值,使得分解后的固有模態(tài)分量更具獨(dú)立性和特征性,然后計(jì)算各分量的能量標(biāo)值組成狀態(tài)特征向量作為深度置信網(wǎng)絡(luò)的輸入數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最后通過DBN實(shí)現(xiàn)變壓器運(yùn)行狀態(tài)的診斷。流程圖如圖3所示。

圖3 變壓器工況識(shí)別流程圖

5.2 變壓器振動(dòng)采集

實(shí)驗(yàn)采用的變壓器的振動(dòng)采集系統(tǒng)主要包含有加速度傳感器,數(shù)據(jù)采集卡和計(jì)算機(jī),采集系統(tǒng)框架如圖4所示。

圖4 振動(dòng)采集系統(tǒng)

為了驗(yàn)證文中基于加強(qiáng)灰狼優(yōu)化VMD-DBN的變壓器故障識(shí)別方法的有效性,利用某公司的110 kV三相油浸式變壓器進(jìn)行實(shí)驗(yàn)分析。本次實(shí)驗(yàn)過程中,將加速度傳感器吸附于變壓器B相表面的底端。在電壓、電流以及變壓器油溫等外界環(huán)境一致的情況下,采集各試驗(yàn)變壓器的振動(dòng)信號(hào),事后對(duì)吊罩檢查結(jié)果是正常狀態(tài),繞組輻向形變,繞組軸向形變和鐵芯故障對(duì)應(yīng)的變壓器做好標(biāo)注。數(shù)據(jù)采集卡的采集頻率設(shè)置為固定的25.6 kHz。實(shí)驗(yàn)現(xiàn)場(chǎng)如圖5所示。

圖5 現(xiàn)場(chǎng)采集實(shí)驗(yàn)圖

5.3 振動(dòng)信號(hào)特征提取

首先對(duì)四種工況下的變壓器振動(dòng)信號(hào)進(jìn)行優(yōu)化參數(shù)后的變分模態(tài)分解,圖6為四種工況下振動(dòng)信號(hào)和分解得到的模態(tài)量,然后計(jì)算其相應(yīng)的能量標(biāo)值,組成特征向量(X1,X2,……,Xn)用來(lái)表征變壓器的運(yùn)行工況。

圖6 四種工況下變壓器振動(dòng)信號(hào)分解IMF分量圖

表1中S1、S2、S3、S4分別對(duì)應(yīng)變壓器的正常運(yùn)行狀態(tài)、繞組輻向形變狀態(tài)、繞組軸向形變狀態(tài)和鐵芯故障狀態(tài)。每一個(gè)狀態(tài)S包含n個(gè)特征值(X1,X2,……,Xn),而每個(gè)特征值X即VMD分解后對(duì)應(yīng)模態(tài)分量占總能量的能量標(biāo)值。本實(shí)驗(yàn)中通過優(yōu)化分解最終分解為8個(gè)IMF分量,所以變壓器的工況特征由8個(gè)特征值組成的特征向量表示。

表1 四種工況下變壓器振動(dòng)特征向量

5.4 深度置信網(wǎng)絡(luò)參數(shù)設(shè)計(jì)與狀態(tài)識(shí)別

深度置信網(wǎng)絡(luò)的參數(shù)設(shè)計(jì)對(duì)模型最終的故障識(shí)別率影響巨大,通過實(shí)驗(yàn)對(duì)比研究,最終確定最佳參數(shù)。首先確定輸入層的節(jié)點(diǎn)數(shù)為8,由分類數(shù)確定輸出層的節(jié)點(diǎn)數(shù)為4。然后設(shè)置網(wǎng)絡(luò)的學(xué)習(xí)率是0.01,訓(xùn)練批次是5,動(dòng)量值為0.05,激活函數(shù)為sigmoid函數(shù)。最后將神經(jīng)元設(shè)為兩層,每層的神經(jīng)元個(gè)數(shù)由經(jīng)驗(yàn)公式[11]估算以及通過比較識(shí)別效果最終設(shè)為(7,6)。迭代次數(shù)綜合考慮識(shí)別能力和訓(xùn)練時(shí)間等最終設(shè)為150次。

實(shí)驗(yàn)總共采集了4*120=480組動(dòng)數(shù)據(jù)作為訓(xùn)練樣本,4*18=72組振動(dòng)數(shù)據(jù)作為驗(yàn)證樣本。文中所提方法在大量訓(xùn)練學(xué)習(xí)后,形成了變壓器工況檢測(cè)模型。最終通過驗(yàn)證樣本的測(cè)試,統(tǒng)計(jì)工況識(shí)別精確率如圖7所示。

圖7 算法對(duì)測(cè)試樣本工況識(shí)別率

由圖7數(shù)據(jù)可知,本文所提出的加強(qiáng)灰狼優(yōu)化VMD-DBN變壓器故障識(shí)別算法對(duì)變壓器運(yùn)行狀態(tài)具有高度的靈敏性,對(duì)四種運(yùn)行狀態(tài)：變壓器正常運(yùn)行狀態(tài)、變壓器繞組輻向形變狀態(tài)、變壓器繞組軸向形變狀態(tài)和鐵芯故障狀態(tài)的識(shí)別的平均精準(zhǔn)度更是達(dá)到了97.45%。能夠精確反饋?zhàn)儔浩鞯墓r,發(fā)現(xiàn)潛在隱患,預(yù)防故障停運(yùn),提升電網(wǎng)運(yùn)行的可靠性。

為驗(yàn)證方法的適用性,在特征提取部分引入EEMD、灰狼優(yōu)化VMD和本文加強(qiáng)灰狼優(yōu)化參數(shù)的VMD作對(duì)比,在工況識(shí)別部分引入BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)SVM作對(duì)比,設(shè)置適當(dāng)?shù)膮?shù)對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行學(xué)習(xí)和測(cè)試,重復(fù)測(cè)試十次計(jì)算平均精準(zhǔn)度和均值誤差,最終得到的識(shí)別精確度如表2所示。

表2 不同算法對(duì)變壓器工況識(shí)別的精確度

由表2對(duì)比可知,采用加強(qiáng)灰狼優(yōu)化VMD比采用EEMD和灰狼優(yōu)化VMD分解振動(dòng)信號(hào)提取各IMF能量標(biāo)值的方法更能提取振動(dòng)信號(hào)中的有效特征信息,提高狀態(tài)識(shí)別率,降低均值誤差。對(duì)比三種識(shí)別方法可知,DBN比SVM和BP神經(jīng)網(wǎng)絡(luò)的精準(zhǔn)度要高,且均方誤差要小。以上說(shuō)明采用加強(qiáng)灰狼優(yōu)化VMD-DBN的變壓器狀態(tài)識(shí)別算法準(zhǔn)確度高,穩(wěn)定性好。能夠精準(zhǔn)、可靠地識(shí)別出變壓器正常、繞組輻向形變、繞組軸向形變、鐵芯故障四種工況。

6 結(jié)束語(yǔ)

文章針對(duì)在變壓器箱壁上采集的振動(dòng)信號(hào),提出加強(qiáng)灰狼優(yōu)化VMD-DBN的故障識(shí)別方法。通過實(shí)驗(yàn)對(duì)比分析得出以下結(jié)論：

(1)采用加強(qiáng)灰狼算法優(yōu)化VMD的重要參數(shù)[k,α],可以避免人工依靠經(jīng)驗(yàn)賦值帶來(lái)分解效果的隨機(jī)性。并且較灰狼優(yōu)化VMD,最終狀態(tài)識(shí)別效果更佳;

(2)對(duì)比EEMD與VMD提取特征向量結(jié)合任意的識(shí)別方法最終得到的識(shí)別精準(zhǔn)度可知,VMD更能提取變壓器振動(dòng)信號(hào)中的特征信息。提取有效、準(zhǔn)確的特征信息能夠提升故障的識(shí)別精準(zhǔn)度;

(3)相較于經(jīng)典識(shí)別方法BP神經(jīng)網(wǎng)絡(luò)、SVM;DBN具有多層結(jié)構(gòu),對(duì)特征向量的抽象能力更好,學(xué)習(xí)能力更佳。它結(jié)合優(yōu)化VMD能量標(biāo)值對(duì)變壓器狀態(tài)識(shí)別的平均百分比達(dá)到了97.45%,均值誤差為0.37,精準(zhǔn)度最高,穩(wěn)定性最好。因此本方法具有一定的實(shí)用價(jià)值。