CN101907665A - 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 - Google Patents
联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 Download PDFInfo
- Publication number
- CN101907665A CN101907665A CN2010102291249A CN201010229124A CN101907665A CN 101907665 A CN101907665 A CN 101907665A CN 2010102291249 A CN2010102291249 A CN 2010102291249A CN 201010229124 A CN201010229124 A CN 201010229124A CN 101907665 A CN101907665 A CN 101907665A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- parameter
- genetic algorithm
- ratio
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000003745 diagnosis Methods 0.000 title claims abstract description 68
- 230000002068 genetic effect Effects 0.000 title claims abstract description 59
- 239000007789 gas Substances 0.000 claims description 42
- 230000007257 malfunction Effects 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 abstract 1
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000010891 electric arc Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000004587 chromatography analysis Methods 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000007654 immersion Methods 0.000 description 4
- 238000013021 overheating Methods 0.000 description 4
- 206010020843 Hyperthermia Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036031 hyperthermia Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000007872 degassing Methods 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000009399 inbreeding Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明属于油浸式电力设备故障诊断方法领域，公开一种联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法。该方法针对目前常用的改良IEC三比值法，通过联合模糊理论和改进遗传算法模糊处理其气体比值边界和故障编码，并通过模糊推理得到故障诊断结果。采用模糊理论对改良IEC三比值法的边界值进行了模糊化处理，解决了改良IEC三比值法因编码边界条件过于绝对而故障诊断准确性不高的问题，对改良IEC三比值法诊断准确度的提高有一定的作用。采用自适应调整变异概率的遗传算法修正经验模糊隶属度函数，以获得模糊隶属度函数的最优参数，对于模糊理论在改良IEC三比值法上的应用奠定了很好的基础。
Description
技术领域
本发明属于油浸式电力设备故障诊断方法领域，特别涉及一种联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法。
背景技术
油浸式电力设备(如电力变压器、油浸式互感器)是电力系统中重要的设备，做好其运行维护，特别是故障诊断工作，对于提高电力系统的安全可靠运行、电能的可靠监测具有重要的意义。针对油浸式电力设备的故障诊断，采用油中溶解气体分析法是十分有效的方法。当油浸式电力设备有故障前兆或者发生故障时，设备所用的变压器油中就会分解出一些气体，检测这些气体的成分和含量，就能初步诊断电力设备的运行状态和故障程度，对于电力设备的故障诊断和故障预防具有重要的意义。
围绕提高油浸式电力设备特别是变压器的故障诊断准确度，前人做过各种有益的探索。这些探索主要基于如下一种思想，即将油中溶解气体的脱气、取样以及分析进行一系列自动化处理，以此来减小人工取气进行色谱分析对故障检测带来的误差，提高故障检测的准确度。这些研究和实践在油中溶解气体的提取和检测环节取得了一定的成果，然而，这些研究只是在如何更好地提取和检测气体上进行了探索，对于所得气体数据最终的处理方法和判断方法上却没有进一步深入的进行研究。
例如：专利申请号为200420052025.8、名称为《变压器绝缘在线监测装置》的专利申请文件，利用将油气分离器置于色谱检测控制箱之中的方法，以减少气体在管线传输中的损失和在管线中受外界温度的影响，通过提高气体纯度来提高检测准确度和精度，设备安装调试方便。但是，并没有涉及如何对检测所得的数据在算法上提高故障判断准确度的内容。
再如专利申请号为200920021615.7、名称为《绝缘油色谱分析系统》的专利申请文件，不但系统结构复杂，不利于在线检测变压器油的运行状态，而且在对所得数据的处理算法上，同样没有新的内容。
再如专利申请号为200910009358.X、名称为《全自动绝缘油色谱分析系统》的专利申请文件和专利申请号为200520087372.9、名称为《绝缘油色谱分析用自动脱气进样装置》的专利申请文件，其色谱分析系统可自动完成绝缘油样脱气、取气，进行分析过程，并自动判断充油电气设备故障类型。但前者主要应用于检测部门的实验室色谱分析系统，对于油浸式电力设备的场状态检测的意义不大；后者由于使用了色谱分析仪，因此系统在处理气体数据和提高判准确度算法方面没有突出的创新思想。
目前，利用色谱分析的数据来判断油浸式电力设备故障的方法有许多，如罗杰斯法、特征气体法、三比值法、IEC三比值法等。IEC三比值法，是根据IEC/IEEE编码的油中气体分析方法，也是目前应用最广泛的油浸式电力设备状态检测方法。它利用变压器油中的H2，CH4，C2H6，C2H4，C2H25种特征气体含量的比值以及CO，CO2的气体含量来判断油浸式电力设备的故障状态。由于IEC三比值法存在编码不全容易导致故障判断精度不高这一缺点，目前大多采用编码数目多的改良IEC三比值法进行油色谱分析。
在实际故障诊断过程中发现，因改良IEC三比值法编码的边界条件过于绝对化而降低了故障诊断准确度，特别是在碰到多种故障同时发生的情况下，过于绝对的边界条件对诊断准确度影响更大。究其原因，主要是因为改良IEC三比值法的诊断依据就是根据5种故障特征气体的比值，并根据对应的编码规则，得出相应的编码，然后与改良三比值法相关表格对照，寻找相应的编码以确定故障类型。由于编码值的判定严格按照准确的数值进行，但是故障严重程度是个渐进过程，因此严格按照准确数值进行编码值判定，容易引起编码值的判定失误。举例来说，按照改良IEC三比值法编码规则表，当0.1≤CH4/H2＜1时，编码值为0，CH4/H2≥1时，编码值为2，那么如果CH4/CH2＝1.01，按照规则，编码值应该为2。但是我们知道，在油纸绝缘中存在局部放电时，油裂解产生的气体主要是氢和甲烷，在低温过热时，产生的气体主要是甲烷，所以直接采用改良IEC三比值法，将产生错误的诊断结果。
发明内容
针对上述现有技术中存在的缺陷或不足，本发明的目的在于提出了一种联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法，通过改进遗传算法来优化模糊逻辑模糊隶属度函数的参数，实现对目前应用最广泛的油浸式电力设备故障诊断方法——改良IEC三比值法，在气体比值边界和故障编码上的进行模糊处理，并通过模糊推理得到故障诊断结果，大幅度降低其他干扰气体对诊断结果的影响，从而提高油浸式电力设备油中溶解气体色谱分析的准确度和精度，提高油浸式电力设备的运行可靠性。
为了达到上述目的，本发明采用以下技术方案予以实现。
一种联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法，针对目前常用的改良IEC三比值法，通过联合模糊理论和改进遗传算法模糊处理其气体比值边界和故障编码，并通过模糊推理得到故障诊断结果，其特征在于，具体步骤如下：
步骤1：采集油浸式电力设备油中5种气体的测试样本，即H2、CH4、C2H6、C2H4、C2H25种特征气体，并获取5种气体体积含量的比值参数x1＝[C2H2]/[C2H4]、x2＝[CH4]/[H2]、x3＝[C2H2]/[C2H6]；
步骤2：针对改良IEC三比值法的比值参数的边界值0.1、1、3，选择“Gaussmf”函数对其进行模糊化改良，以获得模糊化的边界，并将“Gaussmf”函数作为比值参数x1、x2、x3的模糊隶属度函数；针对改良IEC三比值法的故障编码值0、1、2，选择“Gbellmf”函数对其进行模糊化改良，以获得更加准确的识别编码，并将“Gbellmf”函数作为故障编码值0、1、2的模糊隶属度函数；“Gaussmf”函数和“Gbellmf”函数的参数采用改进型遗传算法分别获取最优值，具体过程如步骤3；
步骤3：对传统遗传算法进行改进，并利用改进型遗传算法对模糊隶属度函数“Gaussmf”和“Gbellmf”的参数进行优化，获取“Gaussmf”函数的最优参数和“Gbellmf”函数的最优参数，具体实现过程如下：
1)选择二进制编码策略，把“Gaussmf”函数的原始参数(a，b)，“Gbellmf”函数的原始参数(c，d，e)分别转换为位串结构编码；
2)产生初始群体为10组：群体中每组父代群体为84位二进制编码，父代群体由12个参数对应的二进制编码组成，其中12个参数为：模糊隶属度函数“Gaussmf”有2个参数a、b，比值参数x1、x2、x3分别对应3个“Gaussmf”函数共有6个参数；模糊隶属度函数“Gbellmf”有3个参数c、d、e，其中e＝1为固定值，不需要优化，故障编码值0、1、2分别对应3个“Gbellmf”函数共有6个参数；
同时，对传统遗传算法随机产生初始群体的方法进行了改进：采用提前通过预设5组优质个体、随机产生5组个体组合生成10组初始父代群体的群体产生方法；
3)确定遗传策略，包括依次采用选择、交叉、变异方法，以及确定交叉概率pc、变异概率pm等遗传参数，具体的遗传算法如下：
①选择算法采用轮盘赌方法；根据初始群体的个体故障诊断准确度按比例转化为选中概率，将10组初始群体分别编码为1～10，分布在轮盘的10个扇区，相当于转动10次轮盘，获得10次转盘停止时指针位置，得到10个[0，1]之间的随机数，指针停止在某一扇区，该区所代表的个体即被选中，10次选择中都未被选中的个体将被剔除，其位置将被多次选中的个体替代；
②交叉算法采用多点多位的交叉方法，交叉概率pc＝60％，具体交叉法为：以交叉概率pc任意选择A，B两组个体，并将每个个体的84位二进制编码按照30|54位分开，A，B两组个体的前30位互相交换，产生新的两组个体A’和B’；按照此方法，交叉产生10组新的个体作为新的群体；
③变异算法采用二进制变异，即根据变异概率随机选择个体，对已选择个体的84位中的1位再通过随机选择进行变异，将其中的1位从“1”变成“0”或从“0”变成“1”，初始变异概率pm＝10％；
④设定故障诊断准确度阈值f，并重复步骤①、②、③进行选择、交叉、变异得到新的遗传个体，新的遗传个体的故障诊断准确度n与阈值f相比连续3次的差别小于1％，则增大变异概率，每次增大5％，直至增大到30％，反之，如果新的遗传个体的故障诊断准确度n与阈值f相比连续3次的差别大于10％，则减小变异概率，每次减小5％，直至减小到5％；直到新的遗传个体的故障诊断准确度n大于阈值f并故障诊断准确度n连续3次相等，或者已完成预定迭代次数，即结束遗传算法，获得84位二进制编码最优个体；
步骤4：将步骤3中由改进遗传算法所得到的最优个体前42位反解码为比值参数x1、x2、x3分别对应的3个“Gaussmf”函数的6个参数；
步骤5：将步骤3中由改进遗传算法所得到的最优个体后42位反解码为故障编码值0、1、2分别对应的3个“Gbellmf”函数的6个参数；
步骤6：利用if-then的模糊逻辑推理方法，将改良IEC三比值法对应的26种故障编码类型转换成26条if-then规则，每条规则为8位；
步骤7：引入模糊理论求解函数“evalfis”，输入5种气体体积的比值参数x1，x2和x3，利用步骤4获得的已有优化比值参数的模糊隶属度函数“Gaussmf”对比值参数的边界值0.1、1、3进行模糊编码，通过求解函数“evalfis”，利用步骤5中获得的已有优化故障编码值的模糊隶属度函数“Gbellmf”并应用步骤6中的编码规则，即可得到改良IEC三比值法的故障类型编码。
改良IEC三比值法作为油浸电力设备中溶解特征气体的分析方法，在油浸电力设备故障检测领域的作用是巨大的。在油浸电力设备故障检测领域，应用本发明提出的联合模糊理论和改进遗传算法的油浸电力设备中溶解气体的改良IEC三比值分析法，其优越性主要体现在：
(1)采用模糊理论对改良IEC三比值法的边界值进行了模糊化处理，解决了改良IEC三比值法因编码边界条件过于绝对而故障诊断准确性不高的问题，对改良IEC三比值法诊断准确度的提高有一定的作用。
(2)采用if-then的模糊逻辑推理方法对故障编码进行模糊处理，通过模糊推理得到故障诊断结果，模糊理论的应用使故障诊断结果更加接近实际工作情况。
(3)采用自适应调整变异概率的遗传算法修正经验模糊隶属度函数，以获得模糊隶属度函数的最优参数，对于模糊理论在改良IEC三比值法上的应用奠定了很好的基础。
(4)针对随机初始化种群带来的初始种群过于分散导致进化代数增多的现象，采用给定部分种群以对初始进行一定的约束，加快进化的效率，对于故障诊断速度的提高有积极的意义。
附图说明
图1是联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法的流程图；
图2是通过遗传算法获得模糊隶属度函数最优参数的流程图；
图3是通过遗传算法优化的3个输入比值参数对应的“Gaussmf”模糊隶属度图；
图4是通过遗传算法优化的3个输出故障编码对应的“Gbellmf”模糊隶属度图。
具体实施方式
以下结合附图和技术方案的原理及发明给出的实施例，对本发明作进一步的详细说明。
(1)技术方案总体思路
本发明解决的核心命题是通过应用遗传算法和模糊理论改进改良IEC三比值法的边界条件和编码，提高其故障诊断准确度，进一步提高油浸式电力设备故障诊断准确度，从而提高设备的运行可靠性。本发明采用改良IEC三比值法，尤其是结合模糊理论和改进遗传算法，对改良IEC三比值法气体比值参数边界和故障编码进行模糊处理，并通过模糊推理得到故障诊断结果，从而：①解决了IEC三比值法因编码边界条件过于绝对而故障诊断准确性不高的问题，对IEC三比值法诊断准确度的提高有一定的作用。②利用模糊隶属度函数，使故障诊断结果更加接近实际工作情况。③采用自适应调整变异概率的遗传算法修正经验模糊隶属度函数，最大限度地发挥改良IEC三比值法诊断准确度。
(2)具体实施例
本发明按照一般判断油浸式电力设备故障的方法，利用模糊隶属度函数以及模糊理论来通过优化改良IEC三比值法的边界条件以及输入比值参数，提高改良IEC三比值法故障诊断准确，而所使用的模糊逻辑模糊隶属度函数的最优参数通过本发明中所述的改进遗传算法来获得。联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法，其具体方法流程图见图1。该故障诊断方法实现了故障特征气体比值边界和故障编码的模糊处理，并通过模糊推理得到故障诊断结果，通过本发明方法与改良IEC三比值法比较表明，该方法可以有效地提高油浸式电力设备故障诊断的准确度。
应用本发明，具体步骤如下：
步骤1：采集油浸式电力设备油中5种气体的测试样本，即H2、CH4、C2H6、C2H4、C2H25种特征气体。并获取5种气体体积含量的比值参数x1＝[C2H2]/[C2H4]、x2＝[CH4]/[H2]、x3＝[C2H2]/[C2H6]。本发明首先对具有吊芯结果的114组实验数据，表1给出了其中10组，应用改良三比值法进行故障诊断，诊断准确度为76.4％。
表110组吊芯结果实验数据
| 故障类型 | [C2H2]/[C2H4] | [CH4]/[H2] | [C2H4]/[C2H6] | 改良IEC三比值法诊断类型 |
| 火花放电 | 3.56 | 0.21 | 5.73 | 202火花放电 |
| 电弧放电 | 0.25 | 0.25 | 15.05 | 102电弧放电 |
| 电弧放电 | 1.00 | 0.31 | 6.52 | 102电弧放电 |
| 火花放电兼过热 | 3.93 | 1.24 | 10.45 | 222火花放电兼过热 |
| 电弧放电兼过热 | 1.55 | 1.08 | 1.82 | 121电弧放电兼过热 |
| 电弧放电兼过热 | 0.62 | 1.92 | 2.17 | 121电弧放电兼过热 |
| 高温过热 | 0.70 | 0.1 | 0.51 | 100电弧放电 |
| 高温过热 | 0.02 | 0.65 | 2.97 | 001低温过热＜150 |
步骤2：一般情况下，由于油浸式电力设备发生故障时，往往不止发生一种故障，即便只发生一种故障，其故障特征气体成分的含量比也不是每次都按照故障气体的产气比例发生，如果单一的按照IEC三比值法的明确边界划分方式将其结果划分，易将故障归错类型。针对该不足，本发明对改良IEC三比值法输入比值参数的边界条件(如0.1、1、3)，选择“Gaussmf”函数对其进行模糊化改良，以获得模糊化的边界条件，并将“Gaussmf”函数作为输入比值参数(x1、x2、x3)的模糊隶属度函数；针对改良选IEC三比值法输出故障编码值(如0、1、2)，选择“Gbellmf”函数对其进行模糊化改良，以获得更加准确的识别编码，并将“Gbellmf”函数作为输出识别结果(如0、1、2)的模糊隶属度函数。在模糊隶属度参数的选择上，一般是采用经验来选择参数的大小，这样虽可以获得比较好参数，但是很难能够获得最优的模糊隶属函数的参数值。因而本发明利用改进型的遗传算法来获取模糊隶属度函数的最优参数。具体思想过程如图2所示。“Gaussmf”函数和“Gbellmf”函数的参数采用改进型遗传算法分别获取最优值的具体过程如步骤3。
步骤3：对传统遗传算法进行改进，并利用改进型遗传算法对模糊隶属度函数“Gaussmf”和“Gbellmf”的参数进行优化，获取“Gaussmf”函数的最优参数和“Gbellmf”函数的最优参数。
为了解决传统遗传算法由于变异概率固定而容易造成子代进化时容易得到局部极值而结束算法的缺点，本发明对传统的遗传算法进行了改进，采用自适应调整变异概率的方法，以获得更好的模糊隶属度函数的参数。针对随机初始化种群容易带来初始种群过于分散进而导致进化代数增多的现象，采用给定部分优质种群以对初始进行一定的约束，加快进化的效率。改进后的遗传算法的描述如下：
1)选择二进制编码策略，把“Gaussmf”函数的原始参数(a，b)，“Gbellmf”函数的原始参数(c，d，e)分别转换为位串结构编码(如将“Gaussmf”函数参数a＝2乘以10后，转换成二进制编码0010100)。具体方法为：将2、0.5两个参数分别乘以10、100，变成20、50，然后转换成7位二进制编码，分别为0010100、0110010，相应的措施也同样应用于“Gbellmf”函数的原始参数(c，d，e)，所乘数为1，10，100，原则上要求乘完后的结果不超过127，即能被7位二进制码表示但又不能小于0000001即可；
2)产生初始群体为10组：群体中每组父代群体为84位二进制编码，父代群体中每个个体由12个参数对应的二进制编码组成，其中12个参数为：模糊隶属度函数“Gaussmf”有2个参数a、b(如a＝2、b＝0.5)，比值参数x1、x2、x3分别对应3个“Gaussmf”函数共有6个参数；模糊隶属度函数“Gbellmf”有3个参数c、d、e(如0.5、20、1)，其中最后一位e＝1为固定值，不需要优化，故障编码值0、1、2分别对应3个“Gbellmf”函数共有6个参数；对于每个“Gaussmf”函数参数，将2、0.5两个参数分别乘以10、100，变成20、50，然后转换成7位二进制编码，分别为0010100、0110010；对每个“Gbellmf”，将0.5、20分别乘以100、1后，进行7位二进制编码，分别为0.5*100＝50＝0110010、20*1＝20＝0010100。因此，两个模糊隶属度函数共有12个参数，每个参数有7位二进制编码，将他们合并后得到一组84位二进制编码，该84位编码即为一组父代个体。第二组父代个体可通过改变“Gaussmf”和“Gbellmf”的参数获得，如将前述2、0.5以及0.5、20分别采用模糊理论修改为1.8、0.6和0.4、18，再按照与上述相同的方法获得第二组父代84位二进制编码；同时，对传统遗传算法随机产生初始群体的方法进行了改进：采用提前预设5组优质个体、随机产生5组个体组合生成10组初始父代群体的群体产生方法，预设的5组个体为实验验证相对比较优质的个体，可以减少遗传迭代次数，并有利于获得最优后代群体，本发明所应用的5组优质个体如下：
pop(1，：)＝[000010100010010011100001110000001000001010100101110100000001010000101000111000011100]；
pop(3，：)＝[000010100010010011100001110000001000001010101000010100000001010000101000111000011100]；
pop(5，：)＝[000010100010010011100001110000001000001010100101110010110001010000101000111000011100]；
pop(7，：)＝[000010100010010010100001010000001000001010100101110010110001010000101000110010011001]；
pop(9，：)＝[000010100010010011100001110000001000001010101000010100000001000000100000101000010100]；
其中pop(n，：)，n代表个体的代码，例如pop(1，：)代表第一组个体，如上所示，5组个体分别为1，3，5，7，9。
3)确定遗传策略，包括依次采用选择、交叉、变异方法，以及确定交叉概率pc、变异概率pm等遗传参数，具体的遗传算法如下：
①选择算法采用轮盘赌方法；根据初始群体的个体故障诊断准确度按比例转化为选中概率，将10组初始群体分别编码为1～10，分布在轮盘的10个扇区，相当于转动10次轮盘，获得10次转盘停止时指针位置，得到10个[0，1]之间的随机数，指针停止在某一扇区，该区所代表的个体即被选中，10次选择中都未被选中的个体将被剔除，其位置将被多次选中的个体替代；表2所示为本发明初始化的10个个体及其被选择概率。采用轮盘赌方式的选择之后，个体8、10将被个体3、9替代，即群体中的8、10个体不复存在，3、9各被复制一次，这个过程称为再生。在此过程中，优质个体的被选中的概率明显大于随机产生的个体，即其适应度高于一般个体。按照该方法，经过多次轮盘赌选择之后，由于被选中概率大(适应度高)的个体将会被不断复制，而被选中概率小的个体将被不断淘汰，因此种群中的个体适应度将会越来越高。
表2采用轮盘赌方法时个体被选中概率表
| 个体 | 选中概率 | 随机数 | 累计概率 |
| 1 | 0.11435 | 0.22495 | 0.11735 |
| 2 | 0.07525 | 0.10284 | 0.187 |
| 3 | 0.11325 | 0.13726 | 0.31255 |
| 4 | 0.10135 | 0.51742 | 0.40525 |
| 5 | 0.11465 | 0.3362 | 0.5165 |
| 6 | 0.08595 | 0.84724 | 0.6052 |
| 7 | 0.1135 | 0.46058 | 0.7155 |
| 8 | 0.08375 | 0.65427 | 0.79785 |
| 9 | 0.10975 | 0.8789 | 0.90675 |
| 10 | 0.0925 | 0.23692 | 1 |
②交叉是遗传算法中重要的一个环节，在生物学上称为杂交。通过任意挑选种群中的两个个体(父个体)作为交叉对象，任意确定个体编码中的一点作为交叉位置，两个个体在交叉位置以右的基因互换，形成两个子个体。本发明中的交叉算法采用多点多位的交叉方法，交叉概率pc＝60％，具体交叉法为：以交叉概率pc任意选择A，B两组个体，并将每个个体的84位二进制编码按照30|54位分开，A，B两组个体的前30位互相交换，产生新的两组个体A’和B’；按照此方法，交叉产生10组新的个体作为新的群体。例如，提取初始化时产生的1、7号两个父个体：
pop(1，：)＝[000010100010010011100001110000||001000001010100101110100000001010000101000111000011100]
pop(7，：)＝[000010100010010010100001010000||001000001010100101110010110001010000101000110010011001]
将两个父个体“||”前后的个体互换，生成两个新的子个体：
pop’(1，：)＝[000010100010010011100001110000||001000001010100101110010110001010000101000110010011001]
pop’(7，：)＝[000010100010010010100001010000||001000001010100101110100000001010000101000111000011100]
③如果只有选择和交叉算法，随着进化代数的增加，种群中优秀的个体不断被复制，近亲繁殖现象严重，会使群体中较好个体充斥整个群体，出现“早熟”现象，由此得到的个体并不一定是最优秀的个体。为了解决“早熟”这一问题，采用自然界中变异的方法，对少数父代个体进行变异，生成新的子个体。本发明中，变异算法采用二进制变异，即根据变异概率随机选择个体，对已选择个体的84位中的1位再通过随机选择进行变异，将其中的1位从“1”变成“0”或从“0”变成“1”，初始变异概率pm＝10％。具体方法如下：
取1号个体：
pop(1，：)＝[000010100010010011100001110000001000001010100101110100000001010000101000111000011100]
对“1”为进行变异，即采取翻转操作，从“1”变为“0”后得到新的子个体：
pop(1，：)＝[000010100010010011100000010000001000001010100101110100000001010000101000111000011100]
④设定故障诊断准确度阈值f，并重复步骤①、②、③进行选择、交叉、变异得到新的遗传个体，新的遗传个体的故障诊断准确度n与阈值f相比连续3次的差别小于1％，则增大变异概率，每次增大5％，直至增大到30％，反之，如果新的遗传个体的故障诊断准确度n与阈值f相比连续3次的差别大于10％，则减小变异概率，每次减小5％，直至减小到5％；直到新的遗传个体的故障诊断准确度n大于阈值f并故障诊断准确度n连续3次相等，或者已完成预定迭代次数，即结束遗传算法，获得84位二进制编码最优个体；由于在未使用遗传算法和模糊理论之前，对具有吊芯结果的114组实验数据应用改良三比值法进行故障诊断的诊断准确度为76.4％，因此本发明中起初设定阈值f＝80％。通过上述遗传算法的优化，通过重复步骤①、②、③进行选择、交叉、变异的方法，将产生的个体通过114组数据检验，最终得到一个故障诊断准确度最高的个体，并对该准确度最高的个体进行解码，将其所对应的故障诊断准确度求出。
步骤4：将步骤3中由改进遗传算法所得到的最优个体前42位反解码为比值参数x1、x2、x3分别对应的3个“Gaussmf”函数的6个参数。并将这3个“Gaussmf”函数分别应用于改良IEC三比值法的3个输入比值参数x1，x2，x3，针对3个输入比值参数对应的“Gaussmf”模糊隶属度图如图3所示，图中纵坐标都代表隶属度，它的取值范围为0～1之间，横坐标为输入比值参数值的值；图3(a)为针对输入比值参数x1＝[C2H2]/[C2H4]的模糊隶属度图，图3(b)为针对输入比值参数x2＝[CH4]/[H2]的模糊隶属度图，3(c)为针对输入比值参数x3＝[C2H2]/[C2H6]的模糊隶属度图；
步骤5：将步骤3中由改进遗传算法所得到的最优个体后42位反解码为故障编码值0、1、2分别对应的3个“Gbellmf”函数的6个参数；并将这3个“Gbellmf”函数分别应用于改良IEC三比值法的3个输出故障类型编码，针对3个输出故障编码对应的“Gbellmf”模糊隶属度图如图4所示，图中纵坐标都代表隶属度，它的取值范围为0～1之间，横坐标对应输出故障类型编码的值，由于本发明在if-then规则中对于每个输出故障类型编码都加了1，因此，对于图4中4(a)，4(b)，4(c)来说，曲线对应的横坐标在故障类型输出判断之前都需要减去1；图4(a)为针对第一个故障编码的模糊隶属度图，图4(b)为针对第二个故障编码的模糊隶属度图，4(c)为针对第三个故障编码的模糊隶属度图；
步骤6：利用if-then的模糊逻辑推理方法，将改良IEC三比值法对应的26种故障编码类型转换成26条if-then规则，每条规则为8位，改良IEC三比值法的编码规则表如表3所示；
表3改良IEC三比值法的编码规则表
| x1＝[C2H2I/[C2H4I | x2＝[CH4]/[H2] | x3＝[C2H2]/[C2H6] | 诊断结果C0～C8 |
| x1＜0.1 | 0.1≤x2＜1 | x3＜1 | 000正常 |
| x1＜0.1 | 0.1≤x2＜1 | 1≤x3＜3 | 001低温过热＜150℃ |
| x1＜0.1 | x2≥1 | x3＜1 | 020低温过热150℃～300℃ |
| x1＜0.1 | x2≥1 | 1≤x3＜3 | 021中温过热300℃～700℃ |
| x1＜0.1 | * | x3≥3 | 012 or 002 or 022高温过热＞700℃ |
| x1＜0.1 | x2＜0.1 | x3＜1 | 010局部放电 |
| 0.1≤x1＜3 | x2＜1 | * | 100 or 101 or 102or 110 or 111 or 112电弧放电 |
| 0.1≤x1＜3 | x2≥1 | * | 120 or 121 or 122电弧放电兼放电 |
| x1≥3 | x2＜1 | * | 200 or 201 or 202or 210 or 211 or 212火花放电 |
| x1≥3 | x2≥1 | * | 220 or 221 or 222火花放电兼过热 |
注：*表示比值在该故障类型识别中不重要。
采用模糊逻辑的模糊推理方法，得到故障诊断结果。模糊规则如下：
rulelist＝[12211211；13113111；13213211；11312311；12311311；13313311；11112111；12111111；23123111；23223211；23323311；22121111；22221211；22321311；21122111；21222211；21322311；33133111；33233211；33333311；31132111；31232211；31332311；32131111；32231211；32331311]
在规则中，对于编码[12211211]，前3位数的值(1，2，3)表示输入特征气体比值的输入范围。如对于[C2H2]/[C2H4]来说，1表示该比值小于0.1，2表示该比值大于等于0.1且小于3，3表示该比值大于等于3。为了便于进行MATLAB处理，将输出编码的位值加1，在模糊推理出故障类型编码后，故障类型编码位置再减1。如对第1条模糊规则12211211，前3位数122为输入编码，接下来的3位数112，实际值应为001，倒数第2位表示是否应用规则，如果应用规则，则为1，否则为0，最后1位为规则采用的运算类型，1表示用and运算，2表示用or运算。例如“if([C2H2]/[C2H4]is小于0.1)and([CH4]/[H2]is大于等于0.1且小于1)and([C2H2]/[C2H6]is大于等于1且小于3)then(C1 is 0)(C2 is 0)(C3 is 1)”。
步骤7：引入模糊理论求解函数“evalfis”，输入5种气体体积的比值参数x1，x2和x3，利用步骤4获得的已有优化比值参数的模糊隶属度函数“Gaussmf”对比值参数的边界值0.1、1、3进行模糊编码，通过求解函数“evalfis”，利用步骤5中获得的已有优化故障编码值的模糊隶属度函数“Gbellmf”并应用步骤6中的编码规则，即可得到改良IEC三比值法的故障类型编码。本发明通过遗传算法对模糊隶属度函数参数的优化，故障诊断准确度有了进一步提高，本发明最终的最优个体通过吊芯结果的检验，其故障诊断准确度为85.1％。比改良IEC三比值法提高了8.7个百分点。
Claims (1)
1.一种联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法，针对目前常用的改良IEC三比值法，通过联合模糊理论和改进遗传算法模糊处理其气体比值边界和故障编码，并通过模糊推理得到故障诊断结果，其特征在于，具体步骤如下：
步骤1：采集油浸式电力设备油中5种气体的测试样本，即H2、CH4、C2H6、C2H4、C2H25种特征气体，并获取5种气体体积含量的比值参数x1＝[C2H2]/[C2H4]、x2＝[CH4]/[H2]、x3＝[C2H2]/[C2H6]；
步骤2：针对改良IEC三比值法的比值参数的边界值0.1、1、3，选择“Gaussmf”函数对其进行模糊化改良，以获得模糊化的边界，并将“Gaussmf”函数作为比值参数x1、x2、x3的模糊隶属度函数；针对改良IEC三比值法的故障编码值0、1、2，选择“Gbellmf”函数对其进行模糊化改良，以获得更加准确的识别编码，并将“Gbellmf”函数作为故障编码值0、1、2的模糊隶属度函数；“Gaussmf”函数和“Gbellmf”函数的参数采用改进型遗传算法分别获取最优值，具体过程如步骤3；
步骤3：对传统遗传算法进行改进，并利用改进型遗传算法对模糊隶属度函数“Gaussmf”和“Gbellmf”的参数进行优化，获取“Gaussmf”函数的最优参数和“Gbellmf”函数的最优参数，具体实现过程如下：
1)选择二进制编码策略，把“Gaussmf”函数的原始参数(a，b)，“Gbellmf”函数的原始参数(c，d，e)分别转换为位串结构编码；
2)产生初始群体为10组：群体中每组父代群体为84位二进制编码，父代群体由12个参数对应的二进制编码组成，其中12个参数为：模糊隶属度函数“Gaussmf”有2个参数a、b，比值参数x1、x2、x3分别对应3个“Gaussmf”函数共有6个参数；模糊隶属度函数“Gbellmf”有3个参数c、d、e，其中e＝1为固定值，不需要优化，故障编码值0、1、2分别对应3个“Gbellmf”函数共有6个参数；
同时，对传统遗传算法随机产生初始群体的方法进行了改进：采用提前通过预设5组优质个体、随机产生5组个体组合生成10组初始父代群体的群体产生方法；
3)确定遗传策略，包括依次采用选择、交叉、变异方法，以及确定交叉概率pc、变异概率pm等遗传参数，具体的遗传算法如下：
①选择算法采用轮盘赌方法；根据初始群体的个体故障诊断准确度按比例转化为选中概率，将10组初始群体分别编码为1～10，分布在轮盘的10个扇区，相当于转动10次轮盘，获得10次转盘停止时指针位置，得到10个[0，1]之间的随机数，指针停止在某一扇区，该区所代表的个体即被选中，10次选择中都未被选中的个体将被剔除，其位置将被多次选中的个体替代；
②交叉算法采用多点多位的交叉方法，交叉概率pc＝60％，具体交叉法为：以交叉概率pc任意选择A，B两组个体，并将每个个体的84位二进制编码按照30|54位分开，A，B两组个体的前30位互相交换，产生新的两组个体A’和B’；按照此方法，交叉产生10组新的个体作为新的群体；
③变异算法采用二进制变异，即根据变异概率随机选择个体，对已选择个体的84位中的1位再通过随机选择进行变异，将其中的1位从“1”变成“0”或从“0”变成“1”，初始变异概率pm＝10％；
④设定故障诊断准确度阈值f，并重复步骤①、②、③进行选择、交叉、变异得到新的遗传个体，新的遗传个体的故障诊断准确度n与阈值f相比连续3次的差别小于1％，则增大变异概率，每次增大5％，直至增大到30％，反之，如果新的遗传个体的故障诊断准确度n与阈值f相比连续3次的差别大于10％，则减小变异概率，每次减小5％，直至减小到5％；直到新的遗传个体的故障诊断准确度n大于阈值f并故障诊断准确度n连续3次相等，或者已完成预定迭代次数，即结束遗传算法，获得84位二进制编码最优个体；
步骤4：将步骤3中由改进遗传算法所得到的最优个体前42位反解码为比值参数x1、x2、x3分别对应的3个“Gaussmf”函数的6个参数；
步骤5：将步骤3中由改进遗传算法所得到的最优个体后42位反解码为故障编码值0、1、2分别对应的3个“Gbellmf”函数的6个参数；
步骤6：利用if-then的模糊逻辑推理方法，将改良IEC三比值法对应的26种故障编码类型转换成26条if-then规则，每条规则为8位；
步骤7：引入模糊理论求解函数“evalfis”，输入5种气体体积的比值参数x1，x2和x3，利用步骤4获得的已有优化比值参数的模糊隶属度函数“Gaussmf”对比值参数的边界值0.1、1、3进行模糊编码，通过求解函数“evalfis”，利用步骤5中获得的已有优化故障编码值的模糊隶属度函数“Gbellmf”并应用步骤6中的编码规则，即可得到改良IEC三比值法的故障类型编码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010102291249A CN101907665A (zh) | 2010-07-16 | 2010-07-16 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010102291249A CN101907665A (zh) | 2010-07-16 | 2010-07-16 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101907665A true CN101907665A (zh) | 2010-12-08 |
Family
ID=43263181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2010102291249A Pending CN101907665A (zh) | 2010-07-16 | 2010-07-16 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101907665A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102435893A (zh) * | 2011-11-04 | 2012-05-02 | 国电南京自动化股份有限公司 | 一种基于自适应遗传算法的油浸式变压器故障诊断方法 |
| CN102645615A (zh) * | 2012-04-26 | 2012-08-22 | 中国人民解放军海军工程大学 | 基于量子遗传算法的船舶电力系统故障诊断方法 |
| CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
| CN103278719A (zh) * | 2013-06-06 | 2013-09-04 | 广东电网公司佛山供电局 | 基于矩阵图及置信度的电力设备故障检测方法和系统 |
| CN104101794A (zh) * | 2014-02-19 | 2014-10-15 | 江苏倍尔科技发展有限公司 | 电力变压器综合控制系统 |
| CN104360194A (zh) * | 2014-11-17 | 2015-02-18 | 国网河南省电力公司 | 一种智能电网故障诊断方法 |
| CN105510729A (zh) * | 2014-10-11 | 2016-04-20 | 国家电网公司 | 一种变压器过热故障诊断方法 |
| CN105675802A (zh) * | 2014-11-19 | 2016-06-15 | 国网河南省电力公司南阳供电公司 | 一种变压器故障的诊断方法 |
| WO2016127598A1 (zh) * | 2015-02-13 | 2016-08-18 | 国家电网公司 | 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法 |
| CN109669086A (zh) * | 2019-01-25 | 2019-04-23 | 武汉大学 | 一种基于隶属度的变压器故障诊断方法 |
| CN109872703A (zh) * | 2017-12-01 | 2019-06-11 | Ls产电株式会社 | 能够执行与局部放电有关的自诊断的显示设备 |
| CN109989740A (zh) * | 2019-04-10 | 2019-07-09 | 中煤科工集团西安研究院有限公司 | 基于多源信息融合的煤系地层钻进智能识别系统及其方法 |
| CN111476318A (zh) * | 2020-04-30 | 2020-07-31 | 常州大学 | 一种基于模糊决策的变压器故障诊断方法及系统 |
| CN113486577A (zh) * | 2021-06-28 | 2021-10-08 | 金陵科技学院 | 一种基于混合分布估计算法的地理大数据传输方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
| CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
-
2010
- 2010-07-16 CN CN2010102291249A patent/CN101907665A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
| CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《中国电机工程学报》 20061231 荣命哲等 基于遗传算法和模糊逻辑的油浸式电力设备故障诊断方法 131-136 1 第26卷, 第25期 2 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102435893B (zh) * | 2011-11-04 | 2013-10-09 | 国电南京自动化股份有限公司 | 一种基于自适应遗传算法的油浸式变压器故障诊断方法 |
| CN102435893A (zh) * | 2011-11-04 | 2012-05-02 | 国电南京自动化股份有限公司 | 一种基于自适应遗传算法的油浸式变压器故障诊断方法 |
| CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
| CN102663412B (zh) * | 2012-02-27 | 2014-11-05 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
| CN102645615A (zh) * | 2012-04-26 | 2012-08-22 | 中国人民解放军海军工程大学 | 基于量子遗传算法的船舶电力系统故障诊断方法 |
| CN102645615B (zh) * | 2012-04-26 | 2014-04-02 | 中国人民解放军海军工程大学 | 基于量子遗传算法的船舶电力系统故障诊断方法 |
| CN103278719B (zh) * | 2013-06-06 | 2015-11-18 | 广东电网公司佛山供电局 | 基于矩阵图及置信度的电力设备故障检测方法和系统 |
| CN103278719A (zh) * | 2013-06-06 | 2013-09-04 | 广东电网公司佛山供电局 | 基于矩阵图及置信度的电力设备故障检测方法和系统 |
| CN104101794A (zh) * | 2014-02-19 | 2014-10-15 | 江苏倍尔科技发展有限公司 | 电力变压器综合控制系统 |
| CN105510729A (zh) * | 2014-10-11 | 2016-04-20 | 国家电网公司 | 一种变压器过热故障诊断方法 |
| CN104360194A (zh) * | 2014-11-17 | 2015-02-18 | 国网河南省电力公司 | 一种智能电网故障诊断方法 |
| CN105675802A (zh) * | 2014-11-19 | 2016-06-15 | 国网河南省电力公司南阳供电公司 | 一种变压器故障的诊断方法 |
| WO2016127598A1 (zh) * | 2015-02-13 | 2016-08-18 | 国家电网公司 | 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法 |
| CN109872703A (zh) * | 2017-12-01 | 2019-06-11 | Ls产电株式会社 | 能够执行与局部放电有关的自诊断的显示设备 |
| CN109872703B (zh) * | 2017-12-01 | 2022-04-15 | Ls产电株式会社 | 能够执行与局部放电有关的自诊断的显示设备 |
| CN109669086A (zh) * | 2019-01-25 | 2019-04-23 | 武汉大学 | 一种基于隶属度的变压器故障诊断方法 |
| CN109989740A (zh) * | 2019-04-10 | 2019-07-09 | 中煤科工集团西安研究院有限公司 | 基于多源信息融合的煤系地层钻进智能识别系统及其方法 |
| CN111476318A (zh) * | 2020-04-30 | 2020-07-31 | 常州大学 | 一种基于模糊决策的变压器故障诊断方法及系统 |
| CN113486577A (zh) * | 2021-06-28 | 2021-10-08 | 金陵科技学院 | 一种基于混合分布估计算法的地理大数据传输方法 |
| CN113486577B (zh) * | 2021-06-28 | 2022-03-29 | 金陵科技学院 | 一种基于混合分布估计算法的地理大数据传输方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101907665A (zh) | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 | |
| CN110633792B (zh) | 端到端基于卷积循环神经网络的轴承健康指标构建方法 | |
| CN103245861B (zh) | 一种基于贝叶斯网络的变压器故障诊断方法 | |
| CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
| CN108663582A (zh) | 一种变压器的故障诊断方法及系统 | |
| CN110969262A (zh) | 一种变压器故障诊断方法 | |
| CN106067066A (zh) | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 | |
| US9135557B2 (en) | Internal abnormality diagnosis method, internal abnormality diagnosis system, and decision tree generation method for internal abnormality diagnosis of oil-filled electric apparatus utilizing gas concentration in oil | |
| CN107132310A (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
| CN103268516A (zh) | 一种基于神经网络的变压器故障诊断方法 | |
| CN110689069A (zh) | 一种基于半监督bp网络的变压器故障类型诊断方法 | |
| CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
| CN111259953B (zh) | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 | |
| CN113259216B (zh) | 一种can总线信号解析方法及系统 | |
| CN112731137A (zh) | 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 | |
| CN110689068A (zh) | 一种基于半监督svm的变压器故障类型诊断方法 | |
| CN111737907A (zh) | 一种基于深度学习和dga的变压器故障诊断方法及装置 | |
| CN113468461A (zh) | 基于支持向量机和遗传算法的油浸式变压器故障诊断方法 | |
| CN107491783A (zh) | 基于改进密度峰值聚类算法的变压器故障类型分类方法 | |
| CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
| CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
| CN105629109A (zh) | 基于art1神经网络的油浸式变压器故障诊断方法 | |
| CN105137238A (zh) | 一种气体绝缘组合电器故障诊断系统 | |
| CN111487563B (zh) | 基于遗传算法及属性支持度的变压器状态知识获取方法及设备 | |
| CN112085084B (zh) | 一种基于多特征融合共同向量的变压器故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Open date: 20101208 |