来源：期刊VIP网 时间：
作者：李州;汪繁荣;
单位：湖北工业大学电气与电子工程学院;
摘要：针对变压器故障诊断存在的精度低、鲁棒性不强等问题，提出一种基于卷积神经网络（CNN）和支持向量机（SVM）的故障诊断方法。首先，基于油中溶解气体分析（DGA）法，以5种特征量作为输入，利用CNN提取数据的特征信息；然后导入SVM中进行分类，实现变压器的故障诊断。基于336组油气数据对所提模型的性能进行验证，并将其与其他方法进行对比。实验结果表明：所构建的CNN-SVM诊断模型与CNN-BiLSTM网络、LSTM网络和CNN相比，综合故障诊断精度分别提高了8.9%、12.5%和19.6%，并且CNN-SVM模型有着更快的运行速度，运行时间约为3.11 s；当修改输入数据或减少输入的气体特征量时，CNN-SVM模型的诊断精度相比于其他方法下降最少，说明CNN-SVM模型具有更好的鲁棒性和特征提取能力。
关键词：变压器;;故障诊断;;卷积神经网络;;支持向量机;;特征提取;;诊断精度
基金资助：国家自然科学基金项目（61903129）
