卢锦玲，朱晨菲

基于改进ACGAN样本增强的变压器故障诊断技术

卢锦玲，朱晨菲

（华北电力大学 电气与电子工程学院，河北 保定 071003）

基于深度学习算法的故障诊断需要足量的样本作为训练数据集。变压器故障数据匮乏将导致故障诊断准确率较低。对此，提出了一种基于辅助分类GAN的故障诊断方法。该方法引入自我注意机制，提取故障样本的全局特性，以提高生成样本的质量；并加入梯度惩罚，以提高模型收敛速度和训练稳定性。运用该方法对失衡样本进行增强扩充，并在变压器振动试验数据集上进行验证。仿真结果表明，该方法能够有效改善数据不平衡带来的影响，增强扩充后的故障诊断准确率提高了3.4%。

电力变压器；故障诊断；数据增强；自注意力机制；辅助分类生成对抗网络

0 引言

变压器是电力系统的枢纽设备，其安全稳定运行是高质量电能供给的重要保障。对变压器的故障诊断及健康状态评估是实现智能化电网的关键。随着能源互联网的发展，人工智能及机器学习算法在变压器故障诊断中得到了广泛应用[1]，常见的模型如支持向量机（support vector machine，SVM）[2]、人工神经网络（artificial neural network，ANN）[3]、随机森林[4]等均已运用至故障诊断领域并且成效显著。

传统基于机器学习的故障诊断方法本质上仍为浅层学习[5]，无法发掘样本的深层特征。相较于浅层学习，深度学习方法通过多隐藏层形式构建深层神经网络，具有更强的特征挖掘及分析能力。文献[6]提出了一种用于分析变压器油中溶解气体的深度学习模型，考虑了加权综合损失，较传统SVM算法具有更高的准确率；……