CN103439594A - Sf6电气设备故障诊断系统与方法 - Google Patents
Sf6电气设备故障诊断系统与方法 Download PDFInfo
- Publication number
- CN103439594A CN103439594A CN2013103342720A CN201310334272A CN103439594A CN 103439594 A CN103439594 A CN 103439594A CN 2013103342720 A CN2013103342720 A CN 2013103342720A CN 201310334272 A CN201310334272 A CN 201310334272A CN 103439594 A CN103439594 A CN 103439594A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- neural network
- fault diagnosis
- data
- training
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种SF6电气设备故障诊断系统与方法,按照SF6电气设备分解气体成分含量与故障类型之间的关系,根据已知的分解气体成分含量及对应的故障类型,基于支持向量机训练故障诊断神经网络,并采用该神经网络对待诊断的SF6电气设备进行诊断。另外,还可以用已知的分解气体成分含量及对应的故障类型测试故障诊断神经网络的诊断准确率,在准确率较低时重新进行训练,直至训练出的故障诊断神经网络的准确率高于阈值。利用本系统与方法只需简单的数据输入操作记得得到诊断结果,大大降低了对操作人员专业技能的要求,在对大量SF6电气设备进行诊断时,显著提高诊断效率。
Description
技术领域
本发明涉及电力系统技术领域,特别是涉及一种SF6电气设备故障诊断系统与方法。
背景技术
随着国民经济的发展,全社会对电力系统可靠性的要求不断提高,SF6电气设备作为主要的电气设备之一,其运行可靠性直接影响着电网的安全稳定运行。据统计,至今,南网范围内SF6电气设备已出现了多次设备事故,严重威胁电网安全运行。
运行经验表明,SF6电气设备内可能存在一些缺陷,这些缺陷最初无害,也不容易发现,但随着运行年限的延长,在震动和静电力作用下,异物碎屑的移动或是绝缘的老化等可能产生局部的放电现象,而局部放电产生的SF6分解气体会腐蚀金属表面、加速绝缘的老化,最终发展为击穿放电事故,造成很大的经济损失。
经过近二十年的研究,目前已经得到了SF6电气设备运行状态同SF6气体分解产物间的对应关系。随着研究的深入,在利用SF6气体组分分析对SF6电气设备状态诊断方面已经有了成功的运用经验。但现阶段,对该技术的运用,需要较专业人士的分析,即对工作人员的专业要求较高,当面对大量待诊断设备时,诊断效率低下凸显出来。
发明内容
基于上述情况,本发明提出了一种SF6电气设备故障诊断系统与方法,以减少对人的参与,提高诊断效率。
一种SF6电气设备故障诊断系统,包括:
神经网络训练单元,用于根据训练数据,利用支持向量机训练故障诊断神经网络;
神经网络测试单元,用于根据测试数据,判断训练的故障诊断神经网络的诊断准确率;
故障诊断单元,用于根据待诊断数据,利用训练出的故障诊断神经网络对待诊断SF6电气设备进行故障诊断,
所述训练数据和所述预测数据均包括已知故障类型的SF6电气设备的分解气体成分含量及对应的故障类型,所述待诊断数据包括待诊断SF6电气设备的分解气体成分含量。
一种SF6电气设备故障诊断方法,包括步骤:
根据训练数据,利用支持向量机训练故障诊断神经网络;
根据测试数据,判断训练的故障诊断神经网络的诊断准确率;
根据待诊断数据,利用训练出的故障诊断神经网络对待诊断SF6电气设备进行故障诊断,
所述训练数据和所述预测数据均包括已知故障类型的SF6电气设备的分解气体成分含量及对应的故障类型,所述待诊断数据包括待诊断SF6电气设备的分解气体成分含量。
本发明SF6电气设备故障诊断系统与方法,按照SF6电气设备分解气体成分含量与故障类型之间的关系,根据已知的分解气体成分含量及对应的故障类型,基于支持向量机训练故障诊断神经网络,并采用该神经网络对待诊断的SF6电气设备进行诊断。另外,还可以用已知的分解气体成分含量及对应的故障类型测试故障诊断神经网络的诊断准确率,在准确率较低时重新进行训练,直至训练出的故障诊断神经网络的准确率高于阈值。利用本系统与方法只需简单的数据输入操作记得得到诊断结果,大大降低了对操作人员专业技能的要求,在对大量SF6电气设备进行诊断时,显著提高诊断效率。
附图说明
图1为支持向量机的体系结构示意图;
图2为本发明SF6电气设备故障诊断系统的结构示意图;
图3为本发明SF6电气设备故障诊断系统操作界面的一个实施例;
图4为本发明SF6电气设备故障诊断方法的流程示意图。
具体实施方式
在采用SF6分解产物分析法诊断实际运行的SF6电气设备绝缘状态时,首先实际运行设备的数量比较多,再者考虑方法推广的方便,最好能够实现诊断系统的“智能”和“傻瓜”。“智能”是指在大量运行设备进行判断的时候,能够快速判断出其设备的状态;“傻瓜”是指不论哪个技术人员来使用这套诊断系统,都能够非常方便的得出准确的结果。于是,申请人开发了基于SVM的多维度仿真SF6电气设备缺陷诊断专家系统。
支持向量机(Support Vector Machine),简称SVM,是20世纪90年代由Vapnik和Chervonenkis等人提出。它在统计学习理论的基础上发展起来,综合了线性学习器、核函数理论、最优化理论、泛化性理论的优势,利用结构风险最小化原理,从理论上很好地克服了“维数灾难”、“过拟合”、“局部极小点”等传统学习算法所不可避免的问题。此方法能够在训练样本很少的情况下达到很好的推广能力。能够较好地解决小样本、非线性及高维数等模式分类问题。
SVM的主要思想是建立一个分类超平面作为决策曲面,使得正例和反例之间的隔离边缘被最大化。学习机器在测试数据上的误差率(即泛化误差率)以训练误差率和一个依赖于VC维数(Vapnik-Chervonenkis dimension)的项的和为界,在可分模式情况下,支持向量机对于前一项的值为零,并且使第二项最小化。因此,虽然它不利用问题的领域内部问题,但在模式分类问题上支持向量机能提供好的泛化性能,这个属性是支持向量机特有的。
支持向量机具有以下的优点:
①通用性:能够在很广的各种函数集中构造函数;
②鲁棒性:不需要微调;
③有效性:在解决实际问题中总是属于最好的方法之一;
④计算简单:方法的实现只需要利用简单的优化技术;
⑤理论上完善:基于VC推广性理论的框架。
在支持向量xi和输入空间抽取的向量x之间的内积核这一个概念是构造支持向量机学习算法的关键。支持向量机是由算法从训练数据中抽取的小的子集构成。
支持向量机的结构体系如图1所示。
图1中,左端x(i)(i=1,2,3,…,n)为神经网络的输入,K为核函数,其种类主要有:
线性核函数:K(x,xi)=xTxi;
多项式核函数:K(x,xi)=(γxTxi+r)p,r>0;
径向基核函数:K(x,xi)=exp(-γ||x-xi||2),γ>0;
两层感知器核函数:K(x,xi)=tanh(γxTxi+r)。
基于上述优点,申请人采用支持向量机来训练神经网络,下面对本发明方案进行介绍。
本发明的SF6电气设备故障诊断系统,如图2所示,包括:
神经网络训练单元,用于根据训练数据,利用支持向量机训练故障诊断神经网络;
神经网络测试单元,用于根据测试数据,判断训练的故障诊断神经网络的诊断准确率;
故障诊断单元,用于根据待诊断数据,利用训练出的故障诊断神经网络对待诊断SF6电气设备进行故障诊断。
所述训练数据和所述预测数据均包括已知故障类型的SF6电气设备的分解气体成分含量及对应的故障类型,所述待诊断数据包括待诊断SF6电气设备的分解气体成分含量。
如上所述,本发明的SF6电气设备故障诊断系统在最初使用时,需要对神经网络进行训练,使其具有分类判断能力,图3所示,是本系统的操作界面的一个实施例。训练数据优选地取自项目试验数据,虽然样本量小,但是通过测试数据发现,采用SVM算法的神经网络具有很强的分类能力。随着试验数据的进一步增加,可对神经网络进行更加全面的训练,使其分类预测能力更强,从而指导故障判断。
与训练数据相同,测试数据也优选地来自项目试验数据,由于事先知道模拟的故障类型,因此通过系统输出可以判断神经网络的诊断准确率。测试结束后,可根据诊断准确率决定是否采用,如果准确率较低,可更换训练数据或修改训练数据对应的故障类型,重新对神经网络进行训练。
作为一个优选的实施例,输入本系统的训练数据、测试数据和待诊断数据先经过归一化处理再进行使用,所以无需考虑输入数据的单位,只需保证每种气体含量量化单位统一即可(如均采用气相色谱图峰值或者均采用量值单位ppm)。
本发明的SF6电气设备故障诊断方法是与好桑树系统对应的方法,如图4所示,包括步骤:
步骤S101、根据训练数据,利用支持向量机训练故障诊断神经网络;
步骤S102、根据测试数据,判断训练的故障诊断神经网络的诊断准确率;
步骤S103、根据待诊断数据,利用训练出的故障诊断神经网络对待诊断SF6电气设备进行故障诊断。
所述训练数据和所述预测数据均包括已知故障类型的SF6电气设备的分解气体成分含量及对应的故障类型,所述待诊断数据包括待诊断SF6电气设备的分解气体成分含量。
作为一个优选的实施例,在所述诊断准确率低于阈值时,调整所述训练数据,重新训练故障诊断神经网络,直至训练出的故障诊断神经网络的诊断准确率高于阈值。
作为一个优选的实施例,所述训练数据、测试数据和待诊断数据为经过归一化处理的数据。
综上,采用本发明的SF6电气设备故障诊断系统与方法,能够实现对大批量的SF6电气设备气体组分含量数据的分析,方便、准确、快速地对运行设备进行状态判断。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种SF6电气设备故障诊断系统,其特征在于,包括:
神经网络训练单元,用于根据训练数据,利用支持向量机训练故障诊断神经网络;
神经网络测试单元,用于根据测试数据,判断训练的故障诊断神经网络的诊断准确率;
故障诊断单元,用于根据待诊断数据,利用训练出的故障诊断神经网络对待诊断SF6电气设备进行故障诊断,
所述训练数据和所述预测数据均包括已知故障类型的SF6电气设备的分解气体成分含量及对应的故障类型,所述待诊断数据包括待诊断SF6电气设备的分解气体成分含量。
2.根据权利要求1所述的SF6电气设备故障诊断系统,其特征在于,
所述神经网络训练单元,在所述诊断准确率低于阈值时,调整所述训练数据,重新训练故障诊断神经网络,直至训练出的故障诊断神经网络的诊断准确率高于阈值。
3.根据权利要求1或2所述的SF6电气设备故障诊断系统,其特征在于,
所述神经网络训练单元、所述神经网络测试单元和所述故障诊断单元还用于对对应的数据进行归一化处理。
4.一种SF6电气设备故障诊断方法,其特征在于,包括步骤:
根据训练数据,利用支持向量机训练故障诊断神经网络;
根据测试数据,判断训练的故障诊断神经网络的诊断准确率;
根据待诊断数据,利用训练出的故障诊断神经网络对待诊断SF6电气设备进行故障诊断,
所述训练数据和所述预测数据均包括已知故障类型的SF6电气设备的分解气体成分含量及对应的故障类型,所述待诊断数据包括待诊断SF6电气设备的分解气体成分含量。
5.根据权利要求4所述的SF6电气设备故障诊断方法,其特征在于,
在所述诊断准确率低于阈值时,调整所述训练数据,重新训练故障诊断神经网络,直至训练出的故障诊断神经网络的诊断准确率高于阈值。
6.根据权利要求4或5所述的SF6电气设备故障诊断方法,其特征在于,所述训练数据、测试数据和待诊断数据为经过归一化处理的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310334272.0A CN103439594B (zh) | 2013-08-02 | 2013-08-02 | Sf6电气设备故障诊断系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310334272.0A CN103439594B (zh) | 2013-08-02 | 2013-08-02 | Sf6电气设备故障诊断系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103439594A true CN103439594A (zh) | 2013-12-11 |
CN103439594B CN103439594B (zh) | 2016-06-08 |
Family
ID=49693299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310334272.0A Active CN103439594B (zh) | 2013-08-02 | 2013-08-02 | Sf6电气设备故障诊断系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103439594B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137238A (zh) * | 2015-08-27 | 2015-12-09 | 刘利强 | 一种气体绝缘组合电器故障诊断系统 |
CN105160402A (zh) * | 2015-05-27 | 2015-12-16 | 刘利强 | 一种sf6电气设备故障诊断方法 |
CN106323985A (zh) * | 2016-08-29 | 2017-01-11 | 常熟品智自动化科技有限公司 | 计算机视觉结合自我学习行为的实木板材品质检测方法 |
CN107862332A (zh) * | 2017-10-31 | 2018-03-30 | 国网重庆市电力公司电力科学研究院 | 基于支持向量机识别六氟化硫局部放电特性的绝缘缺陷 |
CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
CN108896850A (zh) * | 2018-07-20 | 2018-11-27 | 浙江浙能常山天然气发电有限公司 | 一种三轴振动技术的六氟化硫封闭式组合电器的检测方法 |
CN110888025A (zh) * | 2019-11-27 | 2020-03-17 | 华东师范大学 | 一种基于机器学习的gis设备故障判断方法 |
CN113255474A (zh) * | 2021-05-07 | 2021-08-13 | 华中科技大学 | 一种汽车发动机故障诊断方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446500B (zh) * | 2016-07-14 | 2019-07-19 | 江苏信息职业技术学院 | 一种基于改进的有监督正交邻域保持嵌入维数约简的故障辨识方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
-
2013
- 2013-08-02 CN CN201310334272.0A patent/CN103439594B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
Non-Patent Citations (5)
Title |
---|
YING-JUN GUO等: "The Fault Diagnosis of Power Transformer Based on Improved RBF Neural Network", 《PROCEEDINGS OF THE SIXTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》, 22 August 2007 (2007-08-22), pages 1111 - 1114, XP031153979 * |
朱承治: "输变电设备优化检修(OM)若干关键技术研究", 《中国博士学位论文全文数据库 工程科技II辑》, no. 07, 15 July 2009 (2009-07-15), pages 70 - 74 * |
杨廷方: "变压器在线监测与故障诊断新技术的研究", 《中国博士学位论文全文数据库 工程科技II辑》, no. 12, 15 December 2009 (2009-12-15) * |
江伟等: "基于多类支持向量机的变压器故障诊断模型", 《水电能源科学》, vol. 25, no. 1, 28 February 2007 (2007-02-28), pages 52 - 55 * |
许永建: "变压器故障诊断技术研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 08, 15 August 2010 (2010-08-15) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160402A (zh) * | 2015-05-27 | 2015-12-16 | 刘利强 | 一种sf6电气设备故障诊断方法 |
CN105137238A (zh) * | 2015-08-27 | 2015-12-09 | 刘利强 | 一种气体绝缘组合电器故障诊断系统 |
CN106323985A (zh) * | 2016-08-29 | 2017-01-11 | 常熟品智自动化科技有限公司 | 计算机视觉结合自我学习行为的实木板材品质检测方法 |
CN106323985B (zh) * | 2016-08-29 | 2020-02-11 | 常熟品智自动化科技有限公司 | 计算机视觉结合自我学习行为的实木板材品质检测方法 |
CN107862332A (zh) * | 2017-10-31 | 2018-03-30 | 国网重庆市电力公司电力科学研究院 | 基于支持向量机识别六氟化硫局部放电特性的绝缘缺陷 |
CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
CN108896850A (zh) * | 2018-07-20 | 2018-11-27 | 浙江浙能常山天然气发电有限公司 | 一种三轴振动技术的六氟化硫封闭式组合电器的检测方法 |
CN108896850B (zh) * | 2018-07-20 | 2023-04-07 | 浙江浙能常山天然气发电有限公司 | 一种基于三轴振动技术的六氟化硫封闭式组合电器的检测方法 |
CN110888025A (zh) * | 2019-11-27 | 2020-03-17 | 华东师范大学 | 一种基于机器学习的gis设备故障判断方法 |
CN110888025B (zh) * | 2019-11-27 | 2021-11-19 | 华东师范大学 | 一种基于机器学习的gis设备故障判断方法 |
CN113255474A (zh) * | 2021-05-07 | 2021-08-13 | 华中科技大学 | 一种汽车发动机故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103439594B (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439594A (zh) | Sf6电气设备故障诊断系统与方法 | |
CN106482937B (zh) | 一种高压断路器机械状态的监测方法 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
WO2021103496A1 (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
CN107449994A (zh) | 基于cnn‑dbn网络的局放故障诊断方法 | |
Yang et al. | Condition evaluation for opening damper of spring operated high-voltage circuit breaker using vibration time-frequency image | |
CN106250934B (zh) | 一种缺陷数据的分类方法及装置 | |
CN110334948B (zh) | 基于特征量预测的电力设备局部放电严重程度评估方法及系统 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN106529834A (zh) | 核电站安全状态的评估方法、系统及核电站设备 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN109470985A (zh) | 一种基于多分辨奇异值分解的电压暂降源识别方法 | |
CN109858503A (zh) | 基于梯度提升决策树的牵引变流器故障诊断方法 | |
CN106019138A (zh) | 一种高压断路器机械故障的在线诊断方法 | |
CN104614638A (zh) | 小电流系统接地选线方法 | |
CN109993122A (zh) | 一种基于深度卷积神经网络的行人乘扶梯异常行为检测方法 | |
Ji et al. | A CNN-based network failure prediction method with logs | |
Moloi et al. | A hybrid method for high impedance fault classification and detection | |
CN104252685B (zh) | 电力系统暂态稳定评估预想故障快速强壮分类方法 | |
KR102389439B1 (ko) | 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법 | |
CN105137238A (zh) | 一种气体绝缘组合电器故障诊断系统 | |
CN104879295A (zh) | 一种基于多层流模型和故障树最小割集的大型复杂系统故障诊断方法 | |
Zhang et al. | Mechanical life prognosis of high voltage circuit breakers based on support vector machine | |
CN112446430A (zh) | 一种直流输电系统故障识别方法 | |
CN104866574A (zh) | 一种基于knn算法的断路器缺陷等级划分方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8 Patentee after: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD. Address before: 510080 Dongfeng East Road, Dongfeng, Guangdong, Guangzhou, Zhejiang Province, No. 8 Patentee before: Electrical Power Research Institute of Guangdong Power Grid Corporation |
|
CP01 | Change in the name or title of a patent holder |