基于HPO优化ECA-CNN-BiLSTM的变压器运行状态分类与识别方法

来源：南京信息工程大学学报·自然科学版杂志2025年第3期北京时间：

作者：邹德旭，毛雅婷，权浩，周涛，彭庆军，洪志湖，代维菊，王山

单位：邹德旭,重庆大学 电气工程学院, 重庆, 400044;中国南方电网云南电网有限责任公司 电力科学研究院, 昆明, 650217,毛雅婷,南京理工大学 自动化学院, 南京, 2100940,权浩,南京理工大学 自动化学院, 南京, 2100940,周涛,南京理工大学 自动化学院, 南京, 2100940,彭庆军,中国南方电网云南电网有限责任公司 电力科学研究院, 昆明, 650217,洪志湖,中国南方电网云南电网有限责任公司 电力科学研究院, 昆明, 650217,代维菊,中国南方电网云南电网有限责任公司 电力科学研究院, 昆明, 650217,王山,中国南方电网云南电网有限责任公司 电力科学研究院, 昆明, 650217

摘要：变压器运行状态分类与准确识别对于变压器稳定运行和电力系统安全供电至关重要,此类研究目前还存在对变压器负荷数据的关注使用较少、机理模型复杂度高以及油温等数据和过负荷状态并不明确对应等问题.因此,本文提出一种改进的混合模型,结合了猎人猎物优化(Hunter-Prey Optimization,HPO)算法和高效通道注意力(Efficient Channel Attention,ECA)模块,应用于卷积神经网络(Convolutional Neural Network,CNN)和双向长短时记忆(Bidirectional Long Short-Term Memory,BiLSTM)神经网络,用于变压器运行状态分类和过负荷故障识别.选取某主变包含9种变压器负荷相关特征的数据作为样本,通过K-Means++聚类和变压器正常周期性负荷分析选定负荷状态类别,基于HPO优化混合模型参数,提高模型的性能和泛化能力.通过对变压器负荷数据进行预处理和特征提取,使用优化后的模型进行负荷阶段的准确识别.实验结果表明,所提出方法的识别准确率可达99.24％,在变压器运行状态的分类和识别上取得了良好的效果.

关键词：电力变压器;状态分类识别;高效通道注意力;卷积神经网络;双向长短时记忆

基金资助：国家自然科学基金(51907090);云南电网有限责任公司电力科学研究院项目(YNKJXM20220009)