文献

J-GLOBAL ID：201702245370959290   整理番号：17A1917258

深い信念ネットワークを用いた電力変圧器故障診断のための鉱油の溶存ガス分析【Powered by NICT】

Dissolved gas analysis of insulating oil for power transformer fault diagnosis with deep belief network

著者 (4件)： Dai Jiejie (Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai, 200240, China) ,  Song Hui (Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai, 200240, China) ,  Sheng Gehao (Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai, 200240, China) ,  Jiang Xiuchen (Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai, 200240, China)
資料名： IEEE Transactions on Dielectrics and Electrical Insulation  (IEEE Transactions on Dielectrics and Electrical Insulation)
巻： 24  号： 5  ページ： 2828-2835  発行年： 2017年 
JST資料番号： W0578A  ISSN： 1070-9878  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 絶縁油の溶存ガス分析(DGA)は,変圧器故障診断のための重要な基礎を提供することができる。診断精度を改善するために,本論文では,深層信念ネットワーク(DBN)に基づく新しい変圧器故障診断手法を提案した。変圧器油と故障タイプ中の溶解ガスの間の関係を解析することにより,ガスの非コード比は,DBNモデルの特性パラメータとして決定した。DBNは,断層タイプのより詳細な差を抽出するために多層と多次元マッピング採用した。このプロセスでは,診断パラメータである事前訓練された。逆伝搬アルゴリズムは,サンプルのラベルを調整し,パラメータを最適化した。提案手法の効果を検証するために,診断DBNモデルを状態グリッド社中国と以前の文献から収集した種々の油クロマトグラフィーデータセットを用いて構築し,試験した。DBN診断モデルの性能を異なる特性パラメータ,異なる訓練データセットとサンプルデータセットで解析した。添加では,診断モデルに及ぼす放電と過熱多重故障の影響を調べた。提案した手法の性能をそれぞれサポートベクトルマシン(SVM),逆伝播ニューラルネットワーク(BPNN)と比法から導かれたものと比較した。結果は,提案した方法は,電力変圧器故障診断の精度を著しく改善することを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： モデル ,  *変圧器 ,  *故障 ,  過熱 ,  *電力変圧器 ,  溶解 ,  *故障診断 ,  絶縁油 ,  最適化
準シソーラス用語： 診断モデル ,  特性パラメータ ,  変圧器油 ,  *溶存ガス分析 ,  *鉱油 ,  *信念ネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 変圧器  (NB08020Q)

タイトルに関連する用語 (5件)： 信念ネットワーク ,  電力変圧器 ,  故障診断 ,  鉱油 ,  溶存ガス分析