The safety of electric power networks depends on the health of the transformer. However, once a variety of transformer failure occurs, it will not only reduce the reliability of the power system but also cause major accidents and huge economic losses. Until now, many diagnosis methods have been proposed to monitor the operation of the transformer. Most of these methods cannot be detected and diagnosed online and are prone to noise interference and high maintenance cost that will cause obstacles to the real-time monitoring system of the transformer. This paper presents a full-time online fault monitoring system for cast-resin transformer and proposes an overheating fault diagnosis method based on infrared thermography (IRT) images. First, the normal and fault IRT images of the cast-resin transformer are collected by the proposed thermal camera monitoring system. Next is the model training for the Wasserstein Autoencoder Reconstruction (WAR) model and the Differential Image Classification (DIC) model. The differential image can be acquired by the calculation of pixel-wise absolute difference between real images and regenerated images. Finally, in the test phase, the well-trained WAR and DIC models are connected in series to form a module for fault diagnosis. Compared with the existing deep learning algorithms, the experimental results demonstrate the great advantages of the proposed model, which can obtain the comprehensive performance with lightweight, small storage size, rapid inference time and adequate diagnostic accuracy.

中文翻译：

---

Wasserstein生成对抗网络和深度学习分类器基于红外热像的电力变压器故障诊断。

电力网络的安全取决于变压器的健康状况。但是，一旦发生各种变压器故障，不仅会降低电力系统的可靠性，还会造成重大事故和巨大的经济损失。迄今为止，已经提出了许多诊断方法来监视变压器的运行。这些方法中的大多数无法在线检测和诊断，并且容易受到噪声干扰和较高的维护成本，这将对变压器的实时监控系统造成障碍。本文提出了一种用于铸造树脂变压器的全时在线故障监测系统，并提出了一种基于红外热像图（IRT）图像的过热故障诊断方法。第一的，所提出的热像仪监控系统收集了铸塑变压器的正常和故障IRT图像。接下来是Wasserstein自动编码器重构（WAR）模型和差分图像分类（DIC）模型的模型训练。可以通过计算真实图像和再生图像之间的像素方向绝对差来获取差分图像。最后，在测试阶段，将训练有素的WAR和DIC模型串联起来，以形成用于故障诊断的模块。与现有的深度学习算法相比，实验结果证明了该模型的巨大优势，该模型具有重量轻，存储量小，推理速度快，诊断准确度高的综合性能。接下来是Wasserstein自动编码器重构（WAR）模型和差分图像分类（DIC）模型的模型训练。可以通过计算真实图像和再生图像之间的像素方向绝对差来获取差分图像。最后，在测试阶段，将训练有素的WAR和DIC模型串联起来，以形成用于故障诊断的模块。与现有的深度学习算法相比，实验结果证明了该模型的巨大优势，该模型具有重量轻，存储量小，推理速度快，诊断准确度高的综合性能。接下来是Wasserstein自动编码器重构（WAR）模型和差分图像分类（DIC）模型的模型训练。可以通过计算真实图像和再生图像之间的像素方向绝对差来获取差分图像。最后，在测试阶段，将训练有素的WAR和DIC模型串联起来，以形成用于故障诊断的模块。与现有的深度学习算法相比，实验结果证明了该模型的巨大优势，该模型具有重量轻，存储量小，推理速度快，诊断准确度高的综合性能。可以通过计算真实图像和再生图像之间的像素方向绝对差来获取差分图像。最后，在测试阶段，将训练有素的WAR和DIC模型串联起来，以形成用于故障诊断的模块。与现有的深度学习算法相比，实验结果证明了所提模型的巨大优势，可以实现轻量级，存储量小，推理速度快，诊断准确度高的综合性能。可以通过计算真实图像和再生图像之间的像素方向绝对差来获取差分图像。最后，在测试阶段，将训练有素的WAR和DIC模型串联起来，以形成用于故障诊断的模块。与现有的深度学习算法相比，实验结果证明了该模型的巨大优势，该模型具有重量轻，存储量小，推理速度快，诊断准确度高的综合性能。