技术摘要：
一种基于条件变分自动编码器的变压器故障样本增强方法，涉及电力变压器故障检测技术领域，本发明充分利用少量的变压器故障样本数据进行数据增强，在一定程度上能够避免过拟合现象，不仅能够解决变压器故障样本数据不平衡的问题，还可以极大地提升变压器故障诊断的准确  全部
背景技术：
已知的，变压器作为电网的重要运行设备，准确地识别电力变压器的运行状态对 于保证电力的供应具有重要的意义。由于电力变压器发生故障的次数较少和故障信息记录 不全等问题，这不仅导致了电力变压器故障样本的数量匮乏，而且各个故障类型的样本数 量也不均衡,极大地限制了变压器故障诊断的准确率。 目前，解决变压器故障样本过少和数据不平衡的方法主要包括过采样算法和欠采 样算法。其中，为了解决变压器故障数据不均衡的问题,欠采样算法随机删除了部分故障类 型的数据,这可能会丢失潜在的有用信息，其应用范围具有很强的局限性。相对而言，过采 样算法是基于现有的少量样本进行数据增强，以避免过拟合。传统的过采样算法主要包括 随机过采样算法(random  oversampling，ROS)和合成少数类过采样技术(synthetic  minority  oversampling  technique，SMOTE)。对于样本数量较少的故障类型，ROS通过简单 地复制样本，从而增加样本个数。SMOTE是在ROS的基础上，对原始样本进行插值操作以获得 新样本。传统的过采样算法虽然在一定程度上提高了故障诊断的准确率，但由于无法很好 地捕获数据整体的分布特征，对于模型诊断性能的提升较为有限。 近年来，深度生成网络得到快速的发展，成为了各个领域关注的热点。深度生成网 络不需要人为地假设样本的先验分布，通过无监督学习获得变压器故障样本的规律，用于 产生新的样本数据。尤其条件变分自动编码器，由于它具有很好的非线性映射能力和自适 应性，已被广泛地应用于图像生成、曲线建模和缺失数据填补等领域。条件变分自动编码器 在数据生成领域取得的巨大成功也给变压器故障样本增强带来了新的契机。 因此，如何提出一种基于条件变分自动编码器的变压器故障样本增强方法就成了 本领域技术人员的长期技术诉求。
技术实现要素：
为克服