Indexed by：
Abstract：
针对配电变压器故障特征提取困难、故障识别难度大的问题,提出一种将振动信号、自适应噪声完备集合经验模态分解(CEEMDAN)与图卷积神经网络(GCN)三者有机结合的故障诊断方法.首先,采用CEEMDAN对来自加速度传感器的振动信号进行处理,获得一组固有模态分量(intrinsic modal function);其次求取边际谱信息作为特征向量;然后,对特征向量矩阵构造无向加权完全图,并使用改进灰狼优化算法对高斯核带宽进行寻优;最后,搭建一个具备多通道和多连通的改进GCN模型进行特征二次挖掘与故障分类.与此同时,还在模型中加入一种名叫＂峰值因子＂指标实现对未知类型故障的辨识.在实例分析中,分别对油浸式和干式变压器进行故障模拟,提取不同状态的样本进行测试.实验结果表明,所提方法对油浸式和干式变压器的故障识别准确率分别达到97.73％和95.6％,优于其他两种对比方法.在面对未知类型故障以及运行工况发生变化时,也具备较高是识别能力.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
电子测量与仪器学报
ISSN： 1000-7105
CN： 11-2488/TN
Year： 2022
Issue： 12
Volume： 36
Page： 86-96
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 7
Affiliated Colleges：
