Suzhou Electric Appliance Research Institute
期刊號： CN32-1800/TM| ISSN1007-3175

SUBSCRIPTION MANAGEMENT

發(fā)行征訂

首頁 >> 發(fā)行征訂 >> 征訂方式

基于WGAN-GP-BiGRU的少樣本斷路器故障診斷方法

來源：電工電氣發(fā)布時(shí)間：2025-09-26 13:26瀏覽次數(shù)：32

基于WGAN-GP-BiGRU的少樣本斷路器故障診斷方法

王鵬，史維平，蔡雙樂，楊霄，黑富坤，楊磊
(國網(wǎng)寧夏電力有限公司吳忠供電公司，寧夏 吳忠 751100)
 
    摘 要：針對傳統(tǒng)斷路器故障診斷樣本較少和診斷準(zhǔn)確率不高問題，提出了一種基于帶梯度懲罰的 Wasserstein 生成對抗網(wǎng)絡(luò)(WGAN-GP)和雙向門控循環(huán)單元(BiGRU)的故障診斷方法。該方法使用 WGAN-GP 對斷路器數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充，改善了原模型訓(xùn)練過程不穩(wěn)定的問題，并獲得高質(zhì)量樣本數(shù)據(jù)，再結(jié)合擴(kuò)充后的數(shù)據(jù)集通過 BiGRU 模型進(jìn)行故障診斷分類訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，在相同測試集下，所提出的診斷方法能有效增強(qiáng)模型對少樣本故障的識別能力，提高了故障診斷的準(zhǔn)確率。
    關(guān)鍵詞： 斷路器故障診斷；生成對抗網(wǎng)絡(luò)；雙向門控循環(huán)單元；數(shù)據(jù)增強(qiáng)；梯度懲罰
    中圖分類號：TM561     文獻(xiàn)標(biāo)識碼：A     文章編號：1007-3175(2025)09-0051-06
 
Fault Diagnosis Method of Circuit Breaker with Few
Samples Based on WGAN-GP-BiGRU
 
WANG Peng, SHI Wei-ping, CAI Shuang-le, YANG Xiao, HEI Fu-kun, YANG Lei
（Wuzhong Power Supply Company, State Grid Ningxia Electric Power Co., Ltd, Wuzhong 751100, China）
 
    Abstract: To address the issues of insufficient fault diagnosis samples and low diagnostic accuracy in traditional circuit breakers, this paper proposes a fault diagnosis method based on Wasserstein generative adversarial network with gradient penalty (WGAN-GP) and bidirectional gated recurrent unit (BiGRU). This method uses WGAN-GP to augment the circuit breaker data, which improves the instability of the original model training process and obtains high-quality sample data. Then, combined with the augmented dataset, the BiGRU model is used for fault diagnosis classification training. The experimental results show that, under the same test set, the proposed diagnostic method can effectively enhance the model’s ability to identify few-shot faults and improve the accuracy of fault diagnosis.
    Key words: circuit breaker fault diagnosis; generative adversarial network; bidirectional gate recurrent unit; data augmentation; gradient penalty
 
參考文獻(xiàn)
[1] 何鑫，段晨，劉闖. 基于改進(jìn)探路者算法優(yōu)化支持向量機(jī)的斷路器故障診斷[J]. 紅水河，2023，42(6) ：90-95.
[2] 李天輝，龐先海，范輝，等. 基于 IEMD 和 GA-WNN 的斷路器分合閘線圈故障診斷方法[J] . 中國電力，2022，55(5) ：111-121.
[3] 蓋曜麟，葛麗娟，郭懿中，等. 基于改進(jìn) SVM 算法的高壓斷路器故障診斷[J]. 高壓電器，2022，58(12) ：14-20.
[4] 龍紫筠，曾小蘭，阮紹炯，等. 基于改進(jìn)遺傳算法優(yōu)化支持向量機(jī)的斷路器故障診斷[J] . 電氣開關(guān)，2023，61(4) ：66-70.
[5] 賈浩，張蓮，張尚德，等. 基于 LSSA-BP 神經(jīng)網(wǎng)絡(luò)的斷路器分合閘電流特征診斷[J] . 湖南電力，2022，42(5) ：36-41.
[6] 包偉川，宿浩，李璐，等. 基于電流-振動(dòng)信號聯(lián)合分析的高壓斷路器操動(dòng)機(jī)構(gòu)故障診斷方法[J]. 高壓電器，2023，59(8) ：164-172.
[7] 鄭悅，姚瑛，晉萃萃，等. 基于 MSMOTE 與 FA-CNN-LSTM 的斷路器故障診斷[J] . 光電子·激光，2025，36(4) ：421-428.
[8] 鄒德旭，徐赫，權(quán)浩，等. 基于 DGA 和改進(jìn) SMOTE 的小樣本變壓器故障診斷方法[J] . 廣東電力，2024，37(7) ：118-126.
[9] 歐陽鑫，李志斌. 基于樣本擴(kuò)充和特征優(yōu)選的 IGWO 優(yōu)化 SVM 的變壓器故障診斷技術(shù)[J]. 電力系統(tǒng)保護(hù)與控制，2023，51(18) ：11-20.
[10] 趙冬梅，謝家康，杜澤航，等. 基于統(tǒng)計(jì)信息系數(shù)和 Wasserstein 生成對抗網(wǎng)絡(luò)的風(fēng)火系統(tǒng)暫態(tài)特征選擇與兩階段穩(wěn)定評估[J] . 電力自動(dòng)化設(shè)備，2023，43(4) ：106-113.
[11] 滕偉， 丁顯， 史秉帥， 等. 基于 WGAN-GP 的風(fēng)電機(jī)組傳動(dòng)鏈故障診斷[J] . 電力系統(tǒng)自動(dòng)化，2021，45(22) ：167-173.
[12] 董驍翀，孫英云，蒲天驕. 基于條件生成對抗網(wǎng)絡(luò)的可再生能源日前場景生成方法[J] . 中國電機(jī)工程學(xué)報(bào)，2020，40(17) ：5527-5536.
[13] 李洋，肖澤青，聶松松，等. 生成對抗網(wǎng)絡(luò)及其在新能源數(shù)據(jù)質(zhì)量中的應(yīng)用研究綜述[J] . 南方電網(wǎng)技術(shù)，2020，14(2) ：25-33.
[14] 徐昊，王永生，許志偉，等. 基于生成對抗網(wǎng)絡(luò)多變量風(fēng)電時(shí)間序列異常值處理[J] . 太陽能學(xué)報(bào)，2022，43(12) ：300-311.
[15] 邵振國，張承圣，陳飛雄，等. 生成對抗網(wǎng)絡(luò)及其在電力系統(tǒng)中的應(yīng)用綜述[J] . 中國電機(jī)工程學(xué)報(bào)，2023，43(3) ：987-1004.
[16] 王成磊，匡熠，濮永現(xiàn)，等. 基于改進(jìn)生成對抗網(wǎng)絡(luò)場景生成的長-短期儲(chǔ)能優(yōu)化配置[J] . 高電壓技術(shù)，2024，50(3) ：1131-1144.
[17] 劉云鵬， 許自強(qiáng)， 和家慧， 等. 基于條件式 Wasserstein 生成對抗網(wǎng)絡(luò)的電力變壓器故障樣本增強(qiáng)技術(shù)[J]. 電網(wǎng)技術(shù)，2020，44(4) ：1505-1513.
[18] 黃玲，李林霞，程瑜，等. 基于 SAM-WGAN-GP 的短期風(fēng)電功率預(yù)測[J]. 太陽能學(xué)報(bào)，2023，44(4) ：180-188.
[19] 臧海祥，郭鏡瑋，黃蔓云，等. 基于改進(jìn) Wasserstein 生成式對抗網(wǎng)絡(luò)的電力系統(tǒng)不良數(shù)據(jù)辨識[J]. 電力自動(dòng)化設(shè)備，2022，42(9) ：50-56.
[20] 陳新崗，趙龍，馬志鵬，等. 基于 ISSA-CNN-BiGRUAttention 的鋰電池健康狀態(tài)評估[J]. 電子測量技術(shù)，2024，47(8) ：45-52.
[21] 鞏冠華，婁柯，尹杰，等. 基于注意力機(jī)制的 CNN-BiGRU 模型預(yù)測風(fēng)力發(fā)電功率[J]. 安徽工程大學(xué)學(xué)報(bào)，2024，39(2) ：47-54.
[22] 李練兵， 高國強(qiáng), 陳偉光, 等. 考慮特征重組和 BiGRU-Attention-XGBoost 模型的超短期負(fù)荷功率預(yù)測[J]. 現(xiàn)代電力，2025，42(3) ：571-581.
[23] 龍赤宇. 低壓斷路器分合閘線圈電流監(jiān)測及故障診斷技術(shù)研究[D]. 北京：北京交通大學(xué)，2020.
[24] 任西壁. 基于分合閘線圈電流信號的高壓斷路器操作機(jī)構(gòu)故障診斷研究[D]. 成都：電子科技大學(xué)，2023.
[25] 黃新波，胡瀟文，朱永燦，等. 基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障診斷[J] . 電力自動(dòng)化設(shè)備，2018，38(5) ：136-140.
[26] 韓宇，董波. 一種基于線圈電流的高壓斷路器機(jī)械故障診斷方法[J]. 高壓電器，2019，55(9) ：241-246.
[27] 王正龍，張保穩(wěn). 生成對抗網(wǎng)絡(luò)研究綜述[J]. 網(wǎng)絡(luò)與信息安全學(xué)報(bào)，2021，7(4) ：68-85.
[28] 梁俊杰，韋艦晶，蔣正鋒. 生成對抗網(wǎng)絡(luò) GAN 綜述[J].計(jì)算機(jī)科學(xué)與探索，2020，14(1) ：1-17.
[29] 張彬，周粵川，張敏，等. 生成對抗網(wǎng)絡(luò)改進(jìn)角度與應(yīng)用研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究，2023，40(3) ：649-658.
[30] 王瑞，張璐婷，逯靜. 基于新型相似日選取和 VMD-NGO-BiGRU 的短期光伏功率預(yù)測[J] . 湖南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2024，51(2) ：68-80.
[31] 任爽，楊凱，商繼財(cái)，等. 基于 CNN-BiGRU-Attention 的短期電力負(fù)荷預(yù)測[J] . 電氣工程學(xué)報(bào)，2024，19(1) ：344-350.