基于BERT预训练的电力变压器故障预测

电力变压器是电力系统的重要组成部分之一,溶解气体分析(DGA)是电力变压器故障预测中最常用的方法。由于DGA数据集的不平衡、不充分和重叠给变压器故障的诊断带来了挑战。结合BERT预训练模型、自注意力模型和双向长短记忆网络,提出了一种BE-SAT-BT的电力变压器故障诊断模型。在BE-SAT-BT模型中,BERT预训练模型替代常规嵌入模型对数据进行嵌入分析,优势互补的自注意力模型和双向长短记忆网络共同对特征信息进行提取。为了验证模型的有效性,基于虚拟实验平台,采用6种优化机器学习(OML)方法,对常见的6种电力变压器故障进行预测对比分析。实验结果表明,相对于6种对比模型,BE-SAT-BT模型具有更高的预测准确率,能有效提高电力变压器故障预测能力。进而降低电力变压器故障率,提高电力系统运行的稳定性。