《表4 不同特征指标下各方法诊断准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《考虑复杂时序关联特性的Bi-LSTM变压器DGA故障诊断方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为进一步表现Bi-LSTM网络对复杂特征的提取能力，去掉额外构建的8个特征指标，仅将5种主要油中溶解气体的归一化值作为模型的输入参量，对模型进行训练，不同方法的诊断结果如表4所示。由表可知，基于Bi-LSTM网络的深度学习模型故障诊断准确率最高，且当特征指标数量急剧减少到原来数量的36%时，大多数传统人工智能方法诊断准确率都有不同程度的下降，只有KNN法的诊断准确率反而上升，原因在于其数学本质是利用欧氏距离进行计算，而向量的维度越高，欧氏距离的区分能力反而越弱，因此KNN法适用于较简单的分类。而Bi-LSTM网络对复杂非线性特征具有强大的提取能力，因此在特征指标急剧减少时，其网络的诊断准确率仅下降约1%，可见Bi-LSTM网络的适应性较强。