基于IFCM-DNN裁决网络的变压器故障诊断方法研究

摘要: 目前基于聚类和神经网络的变压器故障诊断方法普遍未考虑不均衡数据集的影响，易陷入局部最优，且神经网络对处于分类边界具有模糊性质的数据样本难以辨识，因此诊断结果的整体正确率仍旧具有上升空间。为了提高在以不均衡数据为样本的前提下变压器故障诊断的准确率，提出基于改进模糊聚类(IFC)和深度神经网络(DNN)相结合的裁决网络，用于变压器故障诊断。即由引入距离修正项对模糊隶属度函数进行修正，提高边界数据对多数类类簇的隶属关系，降低少数类类簇簇心受边界数据错误划分的影响，从而使得簇心倾向于稳定在理想位置，有效将不平衡数据集进行划分，提高数据集可分辨性。此外，参考人类学习和表决活动过程，在IFC后级建立DNN裁决网络，通过对分划的数据集进行不同程度学习，利用普通网络和专家网络进行联合表决，从而获取更为可信的预测结果。将该方法和传统方法进行实验结果对比，证明该方法能够有效改善不平衡数据下的故障诊断准确率，模型诊断精度得到较大提升。