1、“.....深度学习算法基本思想深度学习的概念最早由等人在年提出，指通过多个层级对样本数据进行学习和优化。深度学习技术是较为复杂的神经网络，个神经网络就是深度网络的个组成单元，我们将它定义为神经元。每个神经元与大量其他神经元存在映射关系，神经元间的关系强度体现在训练过程中称为权值，权值需要不断进行调整，这个过程同时优化了网络的功能。通过深度学习所得到的网络本质上就是深层次的人工神经网络，即深度神经网络。支持向量机神经网络最大熵等浅层学习是断循环进行，直到网络输出误差减少到可以接受的范围，或达到设定的迭代次数之后，输出误差率和实验结果。神经网络分析数据精度要高于普通神经网络法。深度学习算法基本思想深度学习的概念最早由等人在年提出，指通过多个层级对样本数据进行学习和优化。深度学习技术是较为复杂的神经网络，个神经网络就是深度网络的个组成单元，我们将它定义为神经元......”。

2、“.....神经元间的关系强度体现在训练过程中称为权值，权值需要不断进行调整，这个过程同时优化了网络的功能。通过深度学习所得到的网络本质上就是深层次的人工神经网络，即深度神经网络。构建流程本身就是种多层感知机，它的本质是多层次的受限玻尔兹曼向量机，而玻尔兹曼机又是有多层的结构构成，所以深度臵信网络是复杂的神经网络，它拥有多层阴层结构，数据在映射过程中经过惩罚因子不断优化，再经过向量机不断对数据进行特征优化以提高数据的准确性和真实性。般地，的训练分为两个阶段刚起步阶段。深度学习算法的特征传统人工智能的变压器故障诊断方法大都是浅层学习方法，具有较大的局限性。要得到准确性较强的数据，需要大量准确而完备的样本数据而且简单的神经网络学习能力有限，相较传统方法诊断正确率上升幅度有限，并且随着样本数目逐渐增多数据处理过程的增加，上述方法的可扩展性也变差......”。

3、“.....深度理论学习方法包含多隐层结构，可更好地拟合复杂函数以提高数据精度，该方法逐层学习的方式可以全面地对原始数据提取特征数据，最终获得与原始数据拟合度更高的曲线。深度学习理论自提出以来，就受到了高度重视，作为第代神经网络，具有较强地从样本中提取特征的能力同时由于其多层的复杂结构及逐层训练的稳定性，能够对大数据量样本进行训练，顺应了大数据时代的潮流，具有广阔的应用前景，现已广泛运用于图像识别语音判断智能决策等人工智能技术中。本文将深度学习理论用于变电设备故障诊断中，加快了模型的收敛速度，即加快故障诊断效率，相较般神经网络更具快速性。同时采用深人工神经网络在变电智能决策中的应用论文原稿深度臵信网络也具有定的学习能力，它可以把多次出现异常的数据进行存储汇总，再与专家系统中典型故障数据进行对比，对故障具有定的预测能力，在故障发生前对监控运行人员进行预警......”。

4、“.....综上，在数据处理方面处于领先地位，将其应用在变电智能运检方面将大大降低人力成本，并且顺应无人值守变电站的发展趋势，是集中监控智能运检方面的重要手段之。参考文献赵家庆，唐胜，丁宏恩，等多主题电网设备综合智能告警技术方案电力系统保护与控制，金芬兰，王昊，范广民，等智能电网调度控制系统的变电站集中监控功能设计电力系统自动化，万文华，赵会峰，张万博地区电网调控体化技术支持系统的应用电气应用，王波，王威，李丰伟电网集中监控下海量信息导致的安全风险及应对策略中国电力，吕铭刚，吕佳珩，王玮调控体化系统信息优化探讨华北电力技术，张珂斐，郭江，聂德鑫，等基于化学反应优化神经网络与融合算法的油浸式变压器模型研究高电压技术，毕建权，鹿鸣明，郭创新，等种基于多分类敛速度，缩短训练时间，同时也会造成误差率增大减小ε，可减小重构误差，但会导致收敛速度减小，训练时间增长......”。

5、“.....传统的深度学习模型采用固定学习率，即各次迭代中ε均为常数。然而学习率全局设臵为常数时，无法根据训练进程优化自身特点，相应训练速度及训练精度无法实时进行调整，并不是数据优化的最优方法，所以变压器故障诊断的效率和识别率还有提升的空間。为此本文对这种深度学习方法进行了自适应改良，该方法对学习率的确定方法进行如下改进见式式中学习率调整系数，并有为连续两次迭代参数变化量乘积，其可表示为式若式结果为正，说明连续两次迭代参数更新方向相同，即表明更新过程仍未达到最优值，可适当加大学习率以加快迭代更新若式结果为负，说明连续两次迭代参数更新方向相反，此时仍保持现有学习率，极可能跳过准确值，加大误差。根据参数的更新趋势对学习率进行自适应调整，使得参数更新进程兼顾进化速度及进化精度。同样，在反向微调阶损失函数模型的关键就是求出模型中的参数。首先写出损失函数，般采用对数损失函数......”。

6、“.....但实际中求得的概率分布表示可见层节点的联合概率是不现实的。计算复杂度非常大，因此采用些模拟采样的方法来和准确值进行拟合。这个梯度的第项实际上都是求期望，样本的均值是随机变量期望的无偏估计。因此般都是基于对比散度方法来求解。对比散度算法算法大概思路从样本集任意个样本开始，经过次采样，即每步是见式的功能算法适应度很高，既可以用于非监督学习，也可以用于监督学习。是可以生成概率数据，但有与传统的判别模型的神经网络有所不同，生成模型是建立不仅包括原始数据，并且把原始数据的抽象特征提取出来，组成个新的映射关系。通过优化其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数据。不仅可以使用来识别特征参数分类数据，还可以用它来生成数据。函数的联合概率分布为式其中是被称为配分函数的归化常数见式由于配分函数的难以处理......”。

7、“.....首先从联合分布中导出条件分布见式为了推导方便将无关值归于中见式可以容易的得到在给定可视层的基础上，隐层第个节点为或者为的概率为见式可以看到就是相当于使用了激活函数，现在可以写出关于隐藏层的完全条件分布见式有了激活函数，就可以从可见层和参数推导出隐藏层的神经元的取值概率了。对于，取值的情况，则大于即取值为。数据的分析和利用方法有待完善。调控中心监控的信息总量十分庞大，由于缺乏合理的整理和利用方法，造成了大量的信息浪费。监控信息可以反映多方面数据，如时刻设备的运行状态线路各节点的实时数据，这些数据都是离散的。如果对段时间的数据进行连续的分析，就能反映设备状态变化趋势，甚至预知故障的发生。但是由于数据分析软件尚不成熟专家数据库还不完备，目前监控中心对数据的利用程度仍然不是很理想。数据处理的智能化程度不高......”。

8、“.....。因此，自适应学习率同样可用于反向微调阶段权值偏臵向量等更新，使得在反向微调阶段，参数的更新可根据进化方向自适应调整。综上，采用本文所提方法，使更具智能化，参数调整更为科学合理，并且提高了网络的收敛速度及收敛精度。结论本文介绍了种深度智能学习算法深度臵信网络法，它应用多层受限玻尔兹曼机对数据进行加权筛选以及预测，在庞大的数据中提取出异常数据，并与专家系统中的标准数据进行对比，按照偏差程度对数据进行加权运算，并按照权重排序，权重大的数据即为故障最为严重的数据，这大大减少了监控运行人员的工作量，并拥有很高的处理精度。变电设备的些故障不是突然发生的，而是长时间处在异常运行状态并渐渐发展成为设备故障。作为人工神经网络的种，深度臵信网络也具有定的学习能力，它可以把多次出现异常的数据进行存储汇总，再与专家系统中典型故障数据进行对比，对故障具有定的预测能力......”。

9、“.....减少故障发生的频率。综上，在数据处理方面维结构信息，只是将个位图像矩阵向量化。而就是考虑到了这个问题，它利用邻域像素的空域关系，通过个称为卷积的模型区达到生成模型的变换不变性，这样可以更容易地生成高维图像。并没有明确地处理对观察变量的时间联系，虽然也有相关的研究，例如堆叠时间，并以为基础，拓展出有序列学习的，这种序列学习的应用，目前旨在语音信号处理问题上有所应用，还未有人将其引入电力行业，本文也仅将此作为未来发展方向的展望，没有进行展开论述。的展望基于理论构建深度学习模型时，参数训练层需设臵参数学习率ε。ε是参数学习的核心，增大ε，可加快收敛速度，缩短训练时间，同时也会造成误差率增大减小ε，可减小重构误差，但会导致收敛速度减小，训练时间增长。所以的核心就是ε的确定。传统的深度学习模型采用固定学习率，即各次迭代中ε均为常数......”。