基于SE-DenseNet的变压器故障诊断

由于变压器故障数据有限,采用神经网络诊断容易出现过拟合。通过Wasserstein生成对抗网络(Wasserstein Generative Adversarial Networks,WGAN)数据增强,采用变压器油中溶解气体作为故障诊断参量,本文提出了SE-DenseNet神经网络模型,该模型使用无编码比值法,结合深度稠密神经网络(Densely Connected Convolutional Networks,DenseNet)进行数据融合,特征重复利用以及挤压和激励模块(Squeeze-and-Excitation,SE)的特征图权重值校准的优点,运用指数衰减学习率、dropout、L2正则化、损失函数Adam收敛算法等优化方法,并且在同样数据集下将深度卷积神经网络、DenseNet与SE-DenseNet的三者性能进行定量对比分析。实验结果表明,三者之中本文提出的SE-DenseNet模型收敛速度快,准确率最高,泛化能力最强。