Resumen

El uso exclusivo de informacin de una sola caracterstica como caracterstica de entrada no puede reflejar completamente la clasificacin de fallos del transformador y mejorar la precisin del diagnstico de fallos del transformador. Para abordar el problema anterior, se aplica el modelo de redes neuronales de convolucin para la evaluacin de fallos del transformador diseado para implementar una extraccin de caractersticas espaciales diferentes de extremo a extremo + clasificacin de diagnstico del estado del transformador para permitir que se integre la informacin de fuentes posiblemente heterogneas. Este mtodo integra informacin de diversas caractersticas del estado de funcionamiento del transformador de potencia para formar la caracterstica isomrica, y el modelo puede utilizarse para extraer automticamente informacin de diferentes espacios de caractersticas a partir de la cantidad de caractersticas isomricas utilizando sus operaciones nicas de convolucin unidimensional y agrupacin. El rendimiento del enfoque propuesto se compara con el de otros modelos, como la mquina de vectores soporte (SVM), la red neuronal de retropropagacin (BPNN), la red de creencia profunda (DBNs) y otros. Los resultados experimentales muestran que las redes neuronales de convolucin unidimensionales propuestas basadas en una caracterstica isomrica (IF-1DCNN) pueden clasificar con precisin el estado de fallo del transformador y reducir la interaccin adversa entre la informacin de diferentes espacios de caractersticas en la caracterstica mixta, lo que tiene una buena perspectiva de aplicacin en ingeniera.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Avería del transformador; Redes neuronales de convolución; Extracción de características; Clasificación de diagnósticos; Característica isomérica; Convolución unidimensional
• Keywords:Transformer fault; Convolution neural networks; Feature extraction; Diagnosis classification; Isomeric feature; One-dimensional convolution