CN104598968A - 变压器故障诊断方法 - Google Patents
变压器故障诊断方法 Download PDFInfo
- Publication number
- CN104598968A CN104598968A CN201410535745.8A CN201410535745A CN104598968A CN 104598968 A CN104598968 A CN 104598968A CN 201410535745 A CN201410535745 A CN 201410535745A CN 104598968 A CN104598968 A CN 104598968A
- Authority
- CN
- China
- Prior art keywords
- neural network
- hidden node
- transformer
- network model
- node
- 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
Abstract
本发明涉及一种变压器故障诊断方法,属于电力设备状态检测技术领域,步骤包括:步骤一、采集变压器油中溶解气体浓度数据,溶解气体包括包括氢气、甲烷、乙烷、乙烯、和乙炔;步骤二、建立神经网络模型,建立的神经网络模型为带开关权值的遗传神经网络模型,利用量子免疫算法优化神经网络模型参数;步骤三、网络模型分析采集数据;步骤四、输出变压器故障分析结果。本发明提供的变压器故障诊断方法中利用了量子免疫算法优化神经网络模型进行分析变压器中采集的待分析数据,提高了局部搜索能力,达到了收敛性快、计算代价小的优点,适合处理器分析大量检测数据,解决了现有系统处理变压器检测的大量数据时计算速度慢、计算代价大的问题。
Description
技术领域
本发明涉及电力设备状态检测技术领域,特别涉及一种变压器故障诊断方法。
背景技术
变压器是电力系统中最重要的电气设备之一,其运行状态直接影响系统的安全性水平。因此,研究变压器故障诊断技术、提高变压器的运行维护水平具有重要的现实意义。常用的故障诊断方法较多,其中变压器油中溶解气体分析被公认为是一种探测变压器初期故障和进行绝缘寿命估计的有效手段,它为间接了解变压器内部的一般隐患提供了重要依据。目前,利用变压器油中溶解气体数据来诊断变压器不同故障均是通过在各个监测点布置监测仪器或传感器,测量分析监测点的变压器油的气体成分和气体浓度,分析数据并通过通讯电缆将测量数据传输至系统主机或服务器,但是如此主机就会分析大量数据,减弱了计算速度,计算代价较大。
发明内容
为了克服现有技术中系统处理大量变压器检测数据时计算速度慢、计算代价大的问题,本发明提供一种变压器故障诊断方法。
本发明的技术方案是:一种变压器故障诊断方法,该方法步骤包括:步骤一、采集变压器油中溶解气体浓度数据,溶解气体包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2);步骤二、建立神经网络模型,建立的神经网络模型为带开关权值的遗传神经网络模型,利用量子免疫算法优化神经网络模型参数;步骤三、量子免疫算法优化的神经网络模型分析采集数据;步骤四、输出变压器故障分析结果。
所述步骤一中采集的数据均经过归一化预处理,具体公式(1)为:
,式中:xi(i=1,2,…,5)为原始的气体浓度数据;xmax为同一样本气体浓度中的最大值;xmin为同一样本气体浓度中的最小值;xi ’为归一化后的数据。
所述步骤二中建立的神经网络模型为带开关权值的遗传神经网络模型时,神经网络的输入输出关系如公式(2)式中zi(i=1,2,…,ni)为网络输入;yk(k=1,2,…,no)网络输出;ni为输入变量数量;no为输出变量数量;nh为隐层节点数量;为第i个输入与第j个隐层节点的连接权值;为第j个隐层节点与第k个输出层节点的连接权值;bjl为隐层节点阈值,bil为输出层节点阈值;gnh为隐层节点间的连接开关,为1时表示有此隐层节点,为0时表示无此隐层节点;表示隐层节点和输出层节点的阈值开关,开关值为1表示节点有连接,反之表示没有连接;sij为第i个输入和第j个隐层节点的连接开关;表示S型对数函数: 。
所述步骤二中利用的量子免疫算法优化神经网络模型参数的步骤包括:
A.设置算法参数,包括种群规模参数、算法最大迭代次数参数和种群稀疏度参数,算法参数初始化;
B.种群初始化:根据预置参数产生原始种群,并初始化;
C.计算适应度:将公式(5)计算得到的输出y与系统设定阈值输出target代入公式(8) 计算适应度fitness,这里设目标输出为n维向量,式(4)中:zi(i=1,2,…,ni)为网络输入;yk(k=1,2,…,no)为网络输出;ni为输入变量数量;no为输出变量数量;nh为隐层节点数量;为第i个输入与第j个隐层节点的连接权值;为第j个隐层节点与第k个输出层节点的连接权值;为输出节点阈值开关计算时将其列为的最后一个元素;为输入层节点i与隐层节点j连接权值,为隐层节点阈值开关,计算时将其列为的最后一个元素;为隐层节点阈值;为输出层节点阈值;
D.若达到神经网络算法停止条件,则记录当前最优解,及抗体中权值为0的位置信息;若没有达到停止条件,则进行步骤E然后转向步骤C;
E.对原始种群进行克隆及更新操作,计算新种群的适应度值,保留新种群中前种群规模数量个最优个体组成下一代种群;
F.根据抗体中数值为0的权值的位置信息,对原有神经网络进行优化,删除对应位置的隐层节点。
本发明有如下积极效果:本发明提供的变压器故障诊断方法中利用了量子免疫算法优化神经网络模型进行分析变压器中采集的待分析数据,本方法利用量子编码的叠加性和随机性构造抗体,利用遗传算法的克隆操作产生原始种群和克隆子群实现种群扩张,使搜索空间扩大,提高了局部搜索能力,同时借助全干扰交叉操作避免陷入局部最优,达到了收敛性快,计算代价小的优点,适合处理器分析大量检测数据。
附图说明
图1 是本发明中变压器故障诊断方法的工作流程图;
图2 是本发明中量子免疫算法优化神经网络模型的工作流程图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
一种变压器故障诊断方法,如图1所示,该方法步骤包括:
步骤一、采集变压器油中溶解气体浓度数据,溶解气体包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)。
当变压器在故障状态下运行时,故障点周围的变压器油温度升高,其化学键断裂,形成多种特征气体,因不同键能的化学键在高温下有不同的稳定性,根据热力动力学原理,油裂解时生成的任何一种气体,其产气速率都随温度而变化,在一特定温度下达到最大值。随着温度的上升,最大值出现的顺序是甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2),同时高温还伴随着氢气(H2)的产生。故障下产生的气体通过运动、扩散、溶解和交换,将热解气体分子传递到变压器油的各部分。所以本发明中对变压器油中溶解气体:H2、CH4、C2H6、C2H4和C2H2进行油中溶解气体浓度数据监测,通过分析油中溶解气体浓度数据进行变压器故障判断。
采集到的数据还需经过归一化预处理,预处理是对数据进行归一化处理,归一化可以加快训练网络的收敛性,归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算,首先基本度量单位要同一,遗传算法是以样本在事件中的统计分别几率来进行训练和预测的,归一化是同一在某定量区间之间的统计概率分布。具体归一化处理公式为公式:
(1)
式中:xi(i=1,2,…,5)为原始的气体浓度数据;xmax为同一样本气体浓度中的最大值;xmin为同一样本气体浓度中的最小值;xi ’为归一化后的数据。归一化处理降低了各种气体之间由于量值差异造成的影响。
步骤二、建立神经网络模型,利用量子免疫算法优化神经网络模型参数。
建立神经网络模型时,选择的是遗传神经网络,建立的神经网络模型为带开关权值的遗传神经网络模型。在经典的神经网络理论中,网络结构在初始化后便不再变动,仅通过权值的变化来计算产生结果,这种算法增加了神经网络的结构复杂性,在实际应用中增加了计算结果的代价。带开关权值的神经网络通过调整开关的通断就能调整神经网络的结构和连接数量,从而减少计算代价。神经网络的输入输出关系如公式(2)所示:
其中zi(i=1,2,…,ni)为网络输入;yk(k=1,2,…,no)网络输出;ni为输入变量数量;no为输出变量数量;nh为隐层节点数量;为第i个输入与第j个隐层节点的连接权值;为第j个隐层节点与第k个输出层节点的连接权值;bjl为隐层节点阈值,bil为输出层节点阈值;gnh为隐层节点间的连接开关,为1时表示有此隐层节点,为0时表示无此隐层节点;表示隐层节点和输出层节点的阈值开关,开关值为1表示节点有连接,反之表示没有连接;sij为第i个输入和第j个隐层节点的连接开关。表示S型对数函数:
由式(2)可以看出,实际分别只有两种情况,如式(4)所示:
也具有同样的特点,若将连接开关省去,在算法初始化连接权值时将生成为具有一定稀疏度的数据集,即该集合中有若干数量的权值为0,则同样可以达到减少隐层连接的口的,还可以减少计算代价。改进后的神经网络输出为式(5):
式中:zi(i=1,2,…,ni)为网络输入;yk(k=1,2,…,no)为网络输出;ni为输入变量数量;no为输出变量数量;nh为隐层节点数量;为第i个输入与第j个隐层节点的连接权值;为第j个隐层节点与第k个输出层节点的连接权值;为输出节点阈值开关计算时将其列为的最后一个元素;为输入层节点i与隐层节点j连接权值,为隐层节点阈值开关,计算时将其列为的最后一个元素;为隐层节点阈值;为输出层节点阈值。
量子免疫算法优化神经网络模型参数的流程图如图2所示,步骤包括:
A. 设置算法参数,包括种群规模参数sizepop、算法最大迭代次数参数maxgen和种群稀疏度参数sparseratio,算法参数均进行初始化。
B. 种群初始化:根据预置参数产生原始种群,并初始化,种群中每个抗体的稀疏度均为sparseratio 。其中权值抗体初始化时,其抗体的编码方式采用量子比特编码。一个抗体中的量子位的状态是不确定的,可以为0或1,其状态表示为式(6):
其中表示相应状态出现概率的两个复数,其关系为。
具有n个量子比特位的抗体可以描述为式(7):
其中:m为量子位数,t表示种群代数。结合神经网络的应用实际来讲,m表示连接权值的数量。规模为n的量子种群表示为: ,Q(t)即为神经网络权值优化的解空间。
C. 计算适应度:将公式(5)
计算得到的输出y与系统设定阈值输出target代入公式(8)计算适应度fitness,这里设目标输出为n维向量。
D. 若达到神经网络算法停止条件,则记录当前最优解,及抗体中权值为0的位置信息;若没有达到停止条件,则进行步骤E然后转向步骤C。
E. 对原始种群进行克隆及种群更新操作,计算新种群的适应度值,保留新种群中前种群规模数量sizepop个最优个体组成下一代种群。设克隆前的种群为,则克隆操作后的种群为,其中C(t)为克隆产生的抗体子群,其种群中的每个抗体的稀疏度与原种群抗体稀疏度相同,仅是位置发生了变化。C(t)的种群规模采用轮盘赌方法,其克隆规模由式(9)给出:
式中:mi为种群中第i个个体的克隆规模,nc是与克隆规模先关且大于种群规模N的常数,本算法中设置为种群规模的1. 5倍,f(qi)为第i个抗体的适应度,表示向上取整函数。
F. 选择操作:根据抗体中数值为0的权值的位置信息,对原有神经网络进行优化,删除对应位置的隐层节点。量子克隆免疫算法能够根据预设的稀疏度对神经网络进行优化,提供神经网络的计算速度,降低计算负责度。
步骤三、量子免疫算法优化的神经网络模型分析采集数据。即神经网络模型优化完成后,进行机器训练,变压器油中相关测量气体溶解成分数据输入到量子免疫算法优化神经网络模型中,优化后的模型进行数据分析,对数据进行函数逼近以及实现目标分类,能够区分开各部位的信号并进行对比判断,变压器产生了什么故障,降低了误报率,数据分析结果更加精准。
根据IEC60599的规定,故障类型可分为6种:局部放电(PD),简称局放;低能放电(D1),简称低能;高能放电(D2),简称高能;低温过热(T1)(< 300°C),简称低热;中温过热(T2) (300°C < T <700°C),简称中热;高温过热(T3 ) ( > 700°C),简称高热。再加上正常状态(NC),所以本发明的诊断状态共有7类。
步骤四、输出变压器故障分析结果。系统利用量子免疫算法优化的神经网络模型对待测数据的分析结果会显示出来,同时系统的监测数据也会显示实时显示,方便工作人员随时查看。检测结果在显示的同时还会保存在数据库中,方便系统模型在机器训练过程中进行调用,达到更新数据库的目的,系统监测准确度更高,监测系统更加实用。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (4)
1.一种变压器故障诊断方法,其特征在于,该方法步骤包括:
步骤一、采集变压器油中溶解气体浓度数据,溶解气体包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2);
步骤二、建立神经网络模型,建立的神经网络模型为带开关权值的遗传神经网络模型,利用量子免疫算法优化神经网络模型参数;
步骤三、量子免疫算法优化的神经网络模型分析采集数据;
步骤四、输出变压器故障分析结果。
2.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述步骤一中采集的数据均经过归一化预处理,具体公式(1)为: ,式中:xi(i=1,2,…,5)为原始的气体浓度数据;xmax为同一样本气体浓度中的最大值;xmin为同一样本气体浓度中的最小值;xi ’为归一化后的数据。
3.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述步骤二中建立的神经网络模型为带开关权值的遗传神经网络模型时,神经网络的输入输出关系如公式(2)式中zi(i=1,2,…,ni)为网络输入;yk(k=1,2,…,no)网络输出;ni为输入变量数量;no为输出变量数量;nh为隐层节点数量;为第i个输入与第j个隐层节点的连接权值;为第j个隐层节点与第k个输出层节点的连接权值;bjl为隐层节点阈值,bil为输出层节点阈值;gnh为隐层节点间的连接开关,为1时表示有此隐层节点,为0时表示无此隐层节点;表示隐层节点和输出层节点的阈值开关,开关值为1表示节点有连接,反之表示没有连接;sij为第i个输入和第j个隐层节点的连接开关;表示S型对数函数: 。
4.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述步骤二中利用的量子免疫算法优化神经网络模型参数的步骤包括:
设置算法参数,包括种群规模参数、算法最大迭代次数参数和种群稀疏度参数,算法参数初始化;
种群初始化:根据预置参数产生原始种群,并初始化;
计算适应度:将公式(5)计算得到的输出y与系统设定阈值输出target代入公式(8) 计算适应度fitness,这里设目标输出为n维向量,式(4)中:zi(i=1,2,…,ni)为网络输入;yk(k=1,2,…,no)为网络输出;ni为输入变量数量;no为输出变量数量;nh为隐层节点数量;为第i个输入与第j个隐层节点的连接权值;为第j个隐层节点与第k个输出层节点的连接权值;为输出节点阈值开关计算时将其列为的最后一个元素;为输入层节点i与隐层节点j连接权值,为隐层节点阈值开关,计算时将其列为的最后一个元素;为隐层节点阈值;为输出层节点阈值;
若达到神经网络算法停止条件,则记录当前最优解,及抗体中权值为0的位置信息;若没有达到停止条件,则进行步骤E然后转向步骤C;
对原始种群进行克隆及更新操作,计算新种群的适应度值,保留新种群中前种群规模数量个最优个体组成下一代种群;
根据抗体中数值为0的权值的位置信息,对原有神经网络进行优化,删除对应位置的隐层节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535745.8A CN104598968A (zh) | 2014-10-13 | 2014-10-13 | 变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410535745.8A CN104598968A (zh) | 2014-10-13 | 2014-10-13 | 变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104598968A true CN104598968A (zh) | 2015-05-06 |
Family
ID=53124739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410535745.8A Pending CN104598968A (zh) | 2014-10-13 | 2014-10-13 | 变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598968A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
CN106324429A (zh) * | 2016-08-02 | 2017-01-11 | 天津大学 | 一种基于rs‑ia数据挖掘的配电网故障定位方法 |
CN107122829A (zh) * | 2017-06-16 | 2017-09-01 | 华北电力大学(保定) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
CN107861026A (zh) * | 2017-11-02 | 2018-03-30 | 湖北工业大学 | 一种基于混合免疫算法的配电网故障定位方法 |
CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN108152612A (zh) * | 2017-11-23 | 2018-06-12 | 全球能源互联网研究院有限公司 | 一种变压器故障预测方法、装置、终端及可读存储介质 |
CN109187809A (zh) * | 2018-10-27 | 2019-01-11 | 国网山东省电力公司电力科学研究院 | 一种变压器油中溶解气体数据实时生成及分析系统 |
CN114034344A (zh) * | 2021-11-12 | 2022-02-11 | 广东电网有限责任公司江门供电局 | 一种变压器模型测量分析方法 |
-
2014
- 2014-10-13 CN CN201410535745.8A patent/CN104598968A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353255B (zh) * | 2015-11-27 | 2018-07-31 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
CN106066432B (zh) * | 2016-05-26 | 2018-02-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
CN105930901B (zh) * | 2016-07-18 | 2018-05-25 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
CN106324429A (zh) * | 2016-08-02 | 2017-01-11 | 天津大学 | 一种基于rs‑ia数据挖掘的配电网故障定位方法 |
CN106324429B (zh) * | 2016-08-02 | 2023-06-02 | 天津大学 | 一种基于rs-ia数据挖掘的配电网故障定位方法 |
CN107122829A (zh) * | 2017-06-16 | 2017-09-01 | 华北电力大学(保定) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
CN107861026B (zh) * | 2017-11-02 | 2019-11-08 | 湖北工业大学 | 一种基于混合免疫算法的配电网故障定位方法 |
CN107861026A (zh) * | 2017-11-02 | 2018-03-30 | 湖北工业大学 | 一种基于混合免疫算法的配电网故障定位方法 |
CN108152612A (zh) * | 2017-11-23 | 2018-06-12 | 全球能源互联网研究院有限公司 | 一种变压器故障预测方法、装置、终端及可读存储介质 |
CN108090556A (zh) * | 2017-12-22 | 2018-05-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN108090556B (zh) * | 2017-12-22 | 2021-12-31 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器热评估方法 |
CN109187809A (zh) * | 2018-10-27 | 2019-01-11 | 国网山东省电力公司电力科学研究院 | 一种变压器油中溶解气体数据实时生成及分析系统 |
CN114034344A (zh) * | 2021-11-12 | 2022-02-11 | 广东电网有限责任公司江门供电局 | 一种变压器模型测量分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104598968A (zh) | 变压器故障诊断方法 | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN107037306B (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN106845526B (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN102062832B (zh) | 基于微扰动信号低频振荡模式辨识的电力系统在线预警方法 | |
CN112016251B (zh) | 一种核动力装置故障的诊断方法及系统 | |
CN102222151B (zh) | 一种基于自回归滑动平均的模拟电路故障预测方法 | |
CN113987033B (zh) | 主变在线监测数据群体偏差识别与校准方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN104380554A (zh) | 能量供应网中的故障识别 | |
CN109345408A (zh) | 基于长短期记忆网络的异常数据甄别方法 | |
CN112464996B (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
CN111598165A (zh) | 一种基于极限学习机的密度聚类离群点检测方法 | |
CN111767657A (zh) | 一种核动力系统故障诊断方法和系统 | |
CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN108988496A (zh) | 一种智能变电站二次系统故障的诊断方法、装置及设备 | |
CN116839228A (zh) | 一种模块式全科热水机智能控制系统 | |
CN111695634A (zh) | 一种基于有限陪审团机制的数据异常突变点检测算法 | |
Xu et al. | A novel imbalanced fault diagnosis method based on area identification conditional generative adversarial networks | |
CN116259161B (zh) | 一种电力故障预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150506 |