一个弹性MEMS传感器阵列-AI系统用于基于DGA的变压器故障监测在高H环境中
Ze Zhang1, Yining Zhang1, Tengfei Li1
1State Key Laboratory for Manufacturing Systems Engineering, Xi'an Jiaotong University, Xi'an, Shaanxi 710049, P. R. China.
ACS sensors
|October 1, 2025
概括
这项研究介绍了一种混合传感器和深度学习框架,用于在电力变压器中准确地分析溶解气体,克服干扰以进行可靠的监控. 该系统提高了智能电网中的诊断可靠性.
科学领域:
- 电气工程 电气工程
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 金属氧化物半导体 (MOS) 气体传感器对于功率变压器中实时溶解气体分析 (DGA) 是至关重要的.
- 由于交叉干扰,高 (H2) 环境会降低MOS传感器的性能,限制变压器监控的准确性.
研究的目的:
- 开发一个协同优化的传感框架,集成混合传感器阵列和深度学习模型,以实现强大的DGA.
- 克服MOS传感器在高环境中的局限性,以改善功率变压器诊断.
主要方法:
- 开发了一个混合传感器阵列,结合了金 (Pd-Au) 和MOS传感器.
- 采用了包含1D卷积神经网络 (CNN) 和带有注意力机制的长短期记忆网络 (LSTM-AM) 的深度学习模型.
- 引入了一个平滑标签培训策略,以减轻预测不稳定性.
主要成果:
- 拟议的框架在定制数据集 (D1) 上实现了0.0020的平均平方误差 (MSE),显著超过UCI-TGS基准 (MSE:0.0157) 87.3%.
- 与传统方法相比,光滑标签策略减少了50%的预测差异.
- 综合系统证明了Pd-Au传感器性能的提高,训练损失减少了一半.
结论:
- 开发的硬件算法系统为电力变压器中的实时DGA提供了准确而强大的解决方案.
- 这种方法通过克服干扰挑战,提高了智能电网应用的诊断可靠性.
- 该研究强调了混合传感和深度学习在关键基础设施监控方面的潜力.
