基于WGAN数据增强和ISSA-SVM的变压器故障诊断OA

针对变压器故障样本不均衡以及故障模型易陷入局部最优,从而影响故障识别性能的问题,提出一种融合基于Wasserstein距离生成对抗网络(Wasserstein generative adversarial network,WGAN)与改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machine,SVM)的变压器故障诊断方法。首先,利用WGAN对样本数据进行增强,缓解样本不均衡。其次,引入Logistic混沌映射、随机游走策略与自适应萤火虫算法对SSA进行改进,以提升其参数寻优能力,并用于SVM参数优化,构建ISSA-SVM故障诊断模型。最后,在基于WGAN增强后的数据集上进行故障诊断实验。实验结果表明,该方法在样本不均衡条件下仍具备较高的诊断性能,诊断准确率达到96.60%,优于SSA-SVM模型及其他数据平衡方法。