基于加强灰狼优化VMD-DBN的变压器故障检测

针对当前在线识别变压器运行状态困难、低效的问题,通过提取箱壁的振动信号,提出了基于加强灰狼优化变分模态分解(Variational Mode Decomposition,VMD)深度置信网络(Deep Belief Network,DBN)的检测方法。首先,利用加强灰狼算法以能量误差为适应度函数,优化VMD的重要参数(分解层数k和惩罚因子α),然后分解计算各本征模态分量(Intrinsic Mode Functions,IMF)的能量标值,组成特征数据集,用来表征变压器运行工况。最后使用深度置信网络对特征数据集进行反复学习训练,形成故障诊断模型对变压器状态进行识别。通过实验对比分析VMD能更好地提取信号中有效的特征,提高识别的精准度,同时DBN相较于其他两种经典识别算法,抽象能力更好,学习的能力更强,稳定性更高,能准确识别变压器正常、绕组辐向形变、绕组轴向形变、铁芯故障四种状态。加强灰狼优化VMD-DBN的状态识别率达到了97.45%,均值误差为0.37,相比于其他方法效果最佳。因此,所提方法具有一定的实用价值。