摘要：针对变压器故障诊断精度差、准确率低的问题，提出一种基于数据特征优选与改进粒子群优化算法的长短期记忆网络(IPSO-LSTM)的变压器故障诊断方法。首先对原始数据集进行预处理，使用合成少数类样本过采样技术(SMOTE)扩充数据数量；其次利用特征比值法扩充特征维数至20维，使用随机森林(RF)算法判断特征重要程度进行特征优选，降低过拟合风险；然后引入自适应惯性权重对PSO算法进行改进，利用改进后的PSO算法来优化LSTM最优超参数；最后输入特征优选后的数据进行变压器故障诊断。结果表明所构建的故障诊断模型诊断精度为91.6%。该优化模型与LSTM，HBA-LSTM和PSO-LSTM诊断模型相比，准确率分别提高了10.12%，5.95%，3.57%，证明IPSO-LSTM诊断模型有更高的诊断准确率，在变压器故障诊断领域有一定的实际意义。
文章目录
1 算法原理
1.1 SMOTE算法
1.2 RF算法
1.3 LSTM算法
1.4 改进粒子群优化算法
1.5 IPSO-LSTM模型构建
2 变压器故障诊断具体实现过程
3 实验结果分析
3.1 故障类型和故障特征
3.2 特征优选结果分析
3.3 基于IPSO-LSTM的变压器故障诊断结果分析
3.4 不同数据集对比分析
3.5 不同优化算法的对比分析
3.6 不同数据集分析
4 结论
