CN106093135A - 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置 - Google Patents
一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置 Download PDFInfo
- Publication number
- CN106093135A CN106093135A CN201610388015.9A CN201610388015A CN106093135A CN 106093135 A CN106093135 A CN 106093135A CN 201610388015 A CN201610388015 A CN 201610388015A CN 106093135 A CN106093135 A CN 106093135A
- Authority
- CN
- China
- Prior art keywords
- graphene
- oxide
- gas
- degree
- sensor
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
- G01N27/125—Composition of the body, e.g. the composition of its sensitive layer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明公开了一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置,包括变压器油箱、油气分离膜、气体测试腔、石墨烯基气敏传感器阵列、数据采集模块、计算机、深度置信网络专家系统、Labview终端显示模块、声光报警模块、无线通讯模块。石墨烯基气敏传感器阵列为六单元气敏传感器阵列,通过检测石墨烯基气敏传感器阵列的电阻变化实现变压器油中溶解气体的组分和含量检测,采用深度置信网络专家系统根据不同气体种类及浓度与故障类型的对应关系判断电力变压器的故障类型。该发明适用于电力变压器故障智能诊断,具有实时监测、声光报警、无线远程传输的特点。
Description
技术领域
本发明涉及一种电力变压器故障特征气体检测装置,具体涉及一种基于石墨烯气敏传感器和深度置信网络专家系统的电力变压器故障特征气体检测装置。
背景技术
大型电力变压器作为电力系统的枢纽设备,其安全运行对保障电力系统安全稳定显得尤为重要,一旦变压器发生故障,将给国民经济造成巨大的损失。电力变压器绝缘状态监测在智能电网建设中备受重视。我国各发电厂和变电站中使用的电力变压器90%为油浸式变压器,该类变压器的绝缘系统以绝缘油和绝缘纸为主,在长期运行中其油中溶解气体含量的变化会导致绝缘性能严重劣化,引发电力设备故障甚至发生爆炸。因此,电力变压器绝缘油中溶解气体的组分是诊断电力变压器故障、预防灾难性事故发生较为有效的重要手段和决策依据,对于电网稳定安全运行、提高设备利用率和降低设备检修费用至关重要。
电力变压器油中溶解气体的检测方法主要包括气相色谱法、光声光谱法、红外光谱法等,普遍存在设备昂贵,操作复杂,测量精度比较低,容易受到干扰,而且实验周期长的不足,不利于变压器故障特征气体的在线实时监测。随着智能电网建设的发展,电网故障的危害范围也随之扩大,保障电网的安全可靠运行要求保证电网在各个环节上都能够智能监控其运行状态,迫切需要新型监测技术的发展和支持。基于变压器油中溶解气体分析的变压器故障诊断方法主要有传统的三比值法,然而三比值法的故障诊断正确率相对较低。由于变压器油中溶解气体的产生机理比较复杂并且存在着一些不确定性因素,需要凭借经验的同时借助合适的智能模型可以实现对数据特征的提取和分类。随着人工智能算法的不断发展,比如人工神经网络BP算法,专家系统,模糊理论,聚类算法,灰色系统,粗糙集等,用于电力变压器故障诊断,取得相对较好的诊断效果。
随着新型纳米材料石墨烯的出现,石墨烯材料具备特殊能带结构、大比表面积、高载流子迁移率等众多极为特殊的物理和化学特性,为研究新型的高性能气敏传感器提供了全新的材料和制造方法。近年来,对纳米石墨烯材料的应用也越来越广泛,成为具有很大应用潜力的新材料。随着纳米石墨烯研究的深入,采用有效的掺杂修饰方法实现石墨烯能带结构和表/界面特性调控以获得更为优异的气敏性能,成为石墨烯气敏传感器的研究热点。如金属纳米粒子、金属氧化物纳米粒子以及有机高分子聚合物掺杂在石墨烯薄膜中,可有效改善本征石墨烯及金属氧化物气体传感器的缺陷,进而提高气体传感器的检测性能,为研发新型气敏传感器阵列及检测系统提供了一种新途径。本发明公开了一种石墨烯基气敏传感器阵列协同深度置信网络专家系统用于电力变压器绝缘状态监测和诊断,具有抗电磁干扰、高灵敏度、稳定可靠等技术优势。
发明内容
本发明目的是克服现有技术的不足,提供一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置,包括变压器油箱、油气分离膜、气体测试腔、石墨烯基气敏传感器阵列、数据采集模块、计算机、深度置信网络专家系统、Labview终端显示模块、声光报警模块、无线通讯模块;其特征在于石墨烯基气敏传感器阵列为氧化镍(NiO)/石墨烯、钯-氧化锌(Pd-ZnO)/石墨烯、氧化钴(Co3O4)/石墨烯、铂-氧化铁(Pt-Fe2O3)/石墨烯、银-氧化铜(Ag-CuO)/石墨烯、氧化锡(SnO2)/石墨烯复合薄膜构筑的六单元气敏传感器阵列,深度置信网络专家系统是以三层受限波尔兹曼机构建的深度置信网络和专家模型为核心的数据处理系统;变压器油箱中产生的故障特征气体经油气分离膜后进入气体测试腔,气体测试腔置有石墨烯基气敏传感器阵列,其响应信号由多通道数据采集模块获取传输至计算机,由深度置信网络专家系统进行数据融合处理后在Labview终端显示模块上显示变压器运行状态及故障诊断结果,并由无线通讯模块将变压器运行状态远程传输至监控终端,声光报警模块实现预警;通过检测石墨烯基气敏传感器阵列的电阻变化实现变压器油中溶解气体的组分和含量检测,采用深度置信网络专家系统根据不同气体种类及浓度与故障类型的对应关系判断电力变压器的故障类型。
本发明所述的石墨烯基气敏传感器阵列由六个旁热式管状结构气敏传感器构成。
本发明所述的石墨烯基气敏传感器采用氧化镍(NiO)/石墨烯、钯-氧化锌(Pd-ZnO)/石墨烯、氧化钴(Co3O4)/石墨烯、铂-氧化铁(Pt-Fe2O3)/石墨烯、银-氧化铜(Ag-CuO)/石墨烯、氧化锡(SnO2)/石墨烯复合薄膜覆涂在陶瓷管上,通过陶瓷管中的加热丝控制工作温度
本发明所述的石墨烯基气敏传感器阵列的氧化镍(NiO)/石墨烯、钯-氧化锌(Pd-ZnO)/石墨烯、氧化钴(Co3O4)/石墨烯、铂-氧化铁(Pt-Fe2O3)/石墨烯、银-氧化铜(Ag-CuO)/石墨烯、氧化锡(SnO2)/石墨烯复合薄膜传感器制备与工作条件如下:
氧化镍(NiO)/石墨烯复合薄膜传感器:将38mg NiCl4·6H2O和1mg石墨烯加入20mL去离子水,加入10.75mg NaOH,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时,覆涂于陶瓷管表面形成25纳米厚度的薄膜,该传感器在工作温度160℃下对乙烯气体具有最高灵敏度;
钯-氧化锌(Pd-ZnO)/石墨烯复合薄膜传感器:将80mg Zn(NO3)2·6H2O,19mgPdCl2,10mL无水乙醇溶液,2mL乙二醇溶液和2mL聚乙二醇溶液加入50mL去离子水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时;然后将1mg石墨烯加入到上述混合溶液中,180℃加热12小时,覆涂于陶瓷管表面形成30纳米厚度的薄膜,该传感器在工作温度50℃下对氢气气体具有最高灵敏度;
氧化钴(Co3O4)/石墨烯复合薄膜传感器:将19mg Co3O4粉末和1mg石墨烯加入30mL去离子水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时,覆涂于陶瓷管表面形成20纳米厚度的薄膜,该传感器在工作温度140℃下对乙炔气体具有最高灵敏度;
铂-氧化铁(Pt-Fe2O3)/石墨烯复合薄膜传感器:将8mg H2PtCl6粉末和26mg Fe2O3加入30mL去离子水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时;然后将1mg石墨烯加入到上述混合溶液中,180℃加热12小时,覆涂于陶瓷管表面形成40纳米厚度的薄膜,该传感器在工作温度260℃下对甲烷气体具有最高灵敏度;
银-氧化铜(Ag-CuO)/石墨烯复合薄膜传感器:将10mg AgNO3,170mg CuCl2·2H2O,110mg Na2CO3加入到50mL的去离子水中,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时;然后将1mg石墨烯加入到上述混合溶液中,180℃加热12小时,覆涂于陶瓷管表面形成30纳米厚度的薄膜,该传感器在工作温度160℃下对乙烷气体具有最高灵敏度;
氧化锡(SnO2)/石墨烯复合薄膜传感器:将15.75mg SnCl4·H2O和1mg石墨烯加入20mL去离子水,滴入2.5mL氨水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时,覆涂于陶瓷管表面形成35纳米厚度的薄膜,该传感器在工作温度240℃下对变压器油中溶解气体具有较好灵敏度,获取交叉敏感信息。
本发明所述的深度置信网络专家系统由六入五出的深度置信网络和五入七出的专家系统构成;深度置信网络的输入为氧化镍(NiO)/石墨烯、钯-氧化锌(Pd-ZnO)/石墨烯、氧化钴(Co3O4)/石墨烯、铂-氧化铁(Pt-Fe2O3)/石墨烯、银-氧化铜(Ag-CuO)/石墨烯、氧化锡(SnO2)/石墨烯复合薄膜传感器的电阻响应值,输出为变压器油中溶解气体甲烷、氢气、乙炔、乙烯、乙烷的浓度含量,深度置信网络的输出作为专家系统的输入,专家系统输出为运行正常、中低温过热、高温过热、局部放电、低能放电、高能放电、电弧放电的状态类型。
本发明所述的深度置信网络专家系统与Labview终端显示模块、HC-12无线通讯模块、声光报警模块相连,具有显示与声光报警功能,将监测数据传送给上位机及无线远程传输。
本发明所述的深度置信网络由三层受限波尔兹曼机组成,对于一组确定的状态,受限波尔兹曼机的能量函数采用
其中n,m分别表示可视层和隐藏层的神经元个数;v,h分别表示可视层和隐藏层的状态向量;a,b分别表示可视层和隐藏层的状态向量;w表示连接可视层与隐藏层之间的权值矩阵,θ={w,a,b}。
本发明所述的深度置信网络专家系统的工作过程包括以下步骤:
步骤A:将石墨烯基气敏传感器阵列测得的数据进行特征提取,经过预处理形成样本数据,设置训练集和测试集;
步骤B:将训练数据输入第一层受限波尔兹曼机(RBM),从第一层到高层逐层学习深度置信网络(DBN)中所有受限波尔兹曼机;
步骤C:根据训练数据和目标数据对比,利用共轭梯度法加速学习,在步骤B的基础上从最高层往最低层逐步后向微调参数,完成深度置信网络模型的整个训练过程;
步骤D:将测试数据输入上述步骤C中的深度置信网络模型,得到变压器油中溶解气体的组分和含量;
步骤E:将得到变压器油中溶解气体组分和含量与专家系统数据库的专家规则对比,经过网络推理机的推测和分析,对电力变压器的内部故障类型作出诊断。
本发明采用的气敏传感元件制备工艺简单方便,不依赖于苛刻的制备设备,成本低廉,而且具有响应速度快,重复性和稳定性好的特点。
附图说明
图1为本发明实施方式的一个示例,1为变压器油箱,2为变压器,3为绝缘油,4为油气分离膜,5为气体阀门,6为温度控制器,7为湿度控制器,8为风扇,9为气体测试腔,10为石墨烯基气敏传感器阵列,11为数据采集模块,12为计算机,13为深度置信网络专家系统,14为Labview终端显示模块,5为HC-12无线通讯模块,16为声光报警模块。
图2为本发明中的石墨烯基复合薄膜气敏传感器的性能示意图。
图3为本发明中的深度置信网络专家系统算法的流程图。
图4为本发明中的氧化钴/石墨烯复合薄膜的扫描电子显微镜表征图。
图5为本发明中的氧化钴/石墨烯复合薄膜传感器在不同浓度乙炔气体(1ppm,4ppm,7ppm,10ppm)下的气敏响应曲线。
具体实施方式
以下实施例将结合附图对本发明作进一步说明。
参见图1,本发明实施例用于电力变压器2绝缘油3中的溶解气体检测,置于经油气分离膜4过滤后,气体通过气体阀门5进入气体测试腔9中,通过检测石墨烯基气敏传感器阵列10的电阻变化实现变压器油中溶解气体的组分和含量检测,采用深度置信网络专家系统13根据不同气体种类及浓度与故障类型的对应关系判断电力变压器的故障类型,在Labview终端显示模块14上显示变压器运行状态及故障诊断结果,并由无线通讯模块15将变压器运行状态远程传输至监控终端,声光报警模块16实现预警;
参见图2,本发明实施例中的石墨烯基复合薄膜的厚度为25-40纳米,对变压器油中溶解气体组分的最佳工作温度为50-260℃。
本发明实施例中的氧化镍(NiO)/石墨烯复合薄膜传感器制备方法如下:将38mgNiCl4·6H2O和1mg石墨烯加入20mL去离子水,加入10.75mg NaOH,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时,覆涂于陶瓷管表面形成25纳米厚度的薄膜,该传感器在工作温度160℃下对乙烯气体具有最高灵敏度。
本发明实施例中的钯-氧化锌(Pd-ZnO)/石墨烯复合薄膜传感器制备方法如下:将80mg Zn(NO3)2·6H2O,19mg PdCl2,10mL无水乙醇溶液,2mL乙二醇溶液和2mL聚乙二醇溶液加入50mL去离子水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时;然后将1mg石墨烯加入到上述混合溶液中,180℃加热12小时,覆涂于陶瓷管表面形成30纳米厚度的薄膜,该传感器在工作温度50℃下对氢气气体具有最高灵敏度。
本发明实施例中的氧化钴(Co3O4)/石墨烯复合薄膜传感器制备方法如下:将19mgCo3O4粉末和1mg石墨烯加入30mL去离子水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时,覆涂于陶瓷管表面形成20纳米厚度的薄膜,该传感器在工作温度140℃下对乙炔气体具有最高灵敏度。
本发明实施例中的铂-氧化铁(Pt-Fe2O3)/石墨烯复合薄膜传感器制备方法如下:将8mg H2PtCl6粉末和26mg Fe2O3加入30mL去离子水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时;然后将1mg石墨烯加入到上述混合溶液中,180℃加热12小时,覆涂于陶瓷管表面形成40纳米厚度的薄膜,该传感器在工作温度260℃下对甲烷气体具有最高灵敏度。
本发明实施例中的银-氧化铜(Ag-CuO)/石墨烯复合薄膜传感器制备方法如下:将10mg AgNO3,170mg CuCl2·2H2O,110mg Na2CO3加入到50mL的去离子水中,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时;然后将1mg石墨烯加入到上述混合溶液中,180℃加热12小时,覆涂于陶瓷管表面形成30纳米厚度的薄膜,该传感器在工作温度160℃下对乙烷气体具有最高灵敏度。
本发明实施例中的氧化锡(SnO2)/石墨烯复合薄膜传感器制备方法如下:将15.75mg SnCl4·H2O和1mg石墨烯加入20mL去离子水,滴入2.5mL氨水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时,覆涂于陶瓷管表面形成35纳米厚度的薄膜,该传感器在工作温度240℃下对变压器油中溶解气体具有较好灵敏度,获取交叉敏感信息。
本发明实施例中的深度置信网络专家系统采用六入五出的深度置信网络和五入七出的专家系统构成;深度置信网络的输入为氧化锡(SnO2)/石墨烯、氧化镍(NiO)/石墨烯、钯-氧化锌(Pd-ZnO)/石墨烯、氧化钴(Co3O4)/石墨烯、铂-氧化铁(Pt-Fe2O3)/石墨烯、银-氧化铜(Ag-CuO)/石墨烯复合薄膜传感器的电阻响应值,输出为变压器油中溶解气体甲烷、氢气、乙炔、乙烯、乙烷的浓度含量,深度置信网络的输出作为专家系统的输入,专家系统输出为运行正常、中低温过热、高温过热、局部放电、低能放电、高能放电、电弧放电的状态类型。
本发明实施例中的深度置信网络专家系统的工作流程图如图3所示,石墨烯基气敏传感器阵列获取数据分为训练数据集和测试数据集,训练数据集用于深度置信网络模型的构筑,测试数据集用于深度置信网络模型的应用评价,利用共轭梯度法加速学习,构筑深度置信网络模型,得到变压器油中溶解气体的组分和含量。而后,将得到变压器油中溶解气体组分和含量与专家系统数据库的专家规则对比,经过网络推理机的推测和分析,对电力变压器的内部故障类型作出诊断。
本发明实施例中的深度置信网络专家系统与Labview终端显示模块、HC-12无线通讯模块、声光报警模块相连,具有显示与声光报警功能,将监测数据传送给上位机及无线远程传输。
本发明实施例中制备的氧化钴/石墨烯复合薄膜的扫描电子显微镜表征图如图4所示,褶皱状的石墨烯与柱状的氧化钴纳米粒子形成多孔薄膜结构,有利于气体的吸附。
本发明实施例中的氧化钴/石墨烯复合薄膜传感器随乙炔气体浓度变化的电阻响应曲线如图5所示,为在1ppm,4ppm,7ppm,10ppm乙炔气体环境下的响应/恢复特性,展示了响应迅速、高稳定性、高灵敏度的优点。
Claims (7)
1.一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置,包括变压器油箱、油气分离膜、气体测试腔、石墨烯基气敏传感器阵列、数据采集模块、计算机、深度置信网络专家系统、Labview终端显示模块、声光报警模块、无线通讯模块;其特征在于石墨烯基气敏传感器阵列为氧化镍(NiO)/石墨烯、钯-氧化锌(Pd-ZnO)/石墨烯、氧化钴(Co3O4)/石墨烯、铂-氧化铁(Pt-Fe2O3)/石墨烯、银-氧化铜(Ag-CuO)/石墨烯、氧化锡(SnO2)/石墨烯复合薄膜构筑的六单元气敏传感器阵列,深度置信网络专家系统是以三层受限波尔兹曼机构建的深度置信网络和专家模型为核心的数据处理系统;变压器油箱中产生的故障特征气体经油气分离膜后进入气体测试腔,气体测试腔置有石墨烯基气敏传感器阵列,其响应信号由多通道数据采集模块获取传输至计算机,由深度置信网络专家系统进行数据融合处理后在Labview终端显示模块上显示变压器运行状态及故障诊断结果,并由无线通讯模块将变压器运行状态远程传输至监控终端,声光报警模块实现预警;通过检测石墨烯基气敏传感器阵列的电阻变化实现变压器油中溶解气体的组分和含量检测,采用深度置信网络专家系统根据不同气体种类及浓度与故障类型的对应关系判断电力变压器的故障类型。
2.根据权利要求1所述的电力变压器故障智能诊断装置,其特征在于:所述石墨烯基气敏传感器阵列由六个旁热式管状结构气敏传感器构成。
3.根据权利要求1所述的电力变压器故障智能诊断装置,其特征在于所述石墨烯基气敏传感器采用氧化镍(NiO)/石墨烯、钯-氧化锌(Pd-ZnO)/石墨烯、氧化钴(Co3O4)/石墨烯、铂-氧化铁(Pt-Fe2O3)/石墨烯、银-氧化铜(Ag-CuO)/石墨烯、氧化锡(SnO2)/石墨烯复合薄膜覆涂在陶瓷管上,通过陶瓷管中的加热丝控制工作温度。
4.根据权利要求1所述的电力变压器故障智能诊断装置,其特征在于:所述深度置信网络专家系统由六入五出的深度置信网络和五入七出的专家系统构成;深度置信网络的输入为氧化镍(NiO)/石墨烯、钯-氧化锌(Pd-ZnO)/石墨烯、氧化钴(Co3O4)/石墨烯、铂-氧化铁(Pt-Fe2O3)/石墨烯、银-氧化铜(Ag-CuO)/石墨烯、氧化锡(SnO2)/石墨烯复合薄膜传感器的电阻响应值,输出为变压器油中溶解气体甲烷、氢气、乙炔、乙烯、乙烷的浓度含量,深度置信网络的输出作为专家系统的输入,专家系统输出为运行正常、中低温过热、高温过热、局部放电、低能放电、高能放电、电弧放电的状态类型。
5.根据权利要求1所述的电力变压器故障智能诊断装置,其特征在于:所述深度置信网络专家系统与Labview终端显示模块、HC-12无线通讯模块、声光报警模块相连,具有显示与声光报警功能,将监测数据传送给上位机及无线远程传输。
6.根据权利要求1所述的电力变压器故障智能诊断装置,其特征在于:所述石墨烯基气敏传感器阵列的氧化镍(NiO)/石墨烯、钯-氧化锌(Pd-ZnO)/石墨烯、氧化钴(Co3O4)/石墨烯、铂-氧化铁(Pt-Fe2O3)/石墨烯、银-氧化铜(Ag-CuO)/石墨烯、氧化锡(SnO2)/石墨烯复合薄膜传感器制备与工作条件如下:
氧化镍(NiO)/石墨烯复合薄膜传感器:将38mg NiCl4·6H2O和1mg石墨烯加入20mL去离子水,加入10.75mg NaOH,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时,覆涂于陶瓷管表面形成25纳米厚度的薄膜,该传感器在工作温度160℃下对乙烯气体具有最高灵敏度;
钯-氧化锌(Pd-ZnO)/石墨烯复合薄膜传感器:将80mg Zn(NO3)2·6H2O,19mg PdCl2,10mL无水乙醇溶液,2mL乙二醇溶液和2mL聚乙二醇溶液加入50mL去离子水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时;然后将1mg石墨烯加入到上述混合溶液中,180℃加热12小时,覆涂于陶瓷管表面形成30纳米厚度的薄膜,该传感器在工作温度50℃下对氢气气体具有最高灵敏度;
氧化钴(Co3O4)/石墨烯复合薄膜传感器:将19mg Co3O4粉末和1mg石墨烯加入30mL去离子水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时,覆涂于陶瓷管表面形成20纳米厚度的薄膜,该传感器在工作温度140℃下对乙炔气体具有最高灵敏度;
铂-氧化铁(Pt-Fe2O3)/石墨烯复合薄膜传感器:将8mg H2PtCl6粉末和26mg Fe2O3加入30mL去离子水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时;然后将1mg石墨烯加入到上述混合溶液中,180℃加热12小时,覆涂于陶瓷管表面形成40纳米厚度的薄膜,该传感器在工作温度260℃下对甲烷气体具有最高灵敏度;
银-氧化铜(Ag-CuO)/石墨烯复合薄膜传感器:将10mg AgNO3,170mg CuCl2·2H2O,110mg Na2CO3加入到50mL的去离子水中,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时;然后将1mg石墨烯加入到上述混合溶液中,180℃加热12小时,覆涂于陶瓷管表面形成30纳米厚度的薄膜,该传感器在工作温度160℃下对乙烷气体具有最高灵敏度;
氧化锡(SnO2)/石墨烯复合薄膜传感器:将15.75mg SnCl4·H2O和1mg石墨烯加入20mL去离子水,滴入2.5mL氨水,超声处理25分钟后,将混合溶液转移到聚四氟乙烯反应釜中,180℃加热12小时,覆涂于陶瓷管表面形成35纳米厚度的薄膜,该传感器在工作温度240℃下对变压器油中溶解气体具有较好灵敏度,获取交叉敏感信息。
7.根据权利要求1所述的电力变压器故障智能诊断装置,其特征在于:所述深度置信网络专家系统的工作过程包括以下步骤:
步骤A:将石墨烯基气敏传感器阵列测得的数据进行特征提取,经过预处理形成样本数据,设置训练集和测试集;
步骤B:将训练数据输入第一层受限波尔兹曼机(RBM),从第一层到高层逐层学习深度置信网络(DBN)中所有受限波尔兹曼机;
步骤C:根据训练数据和目标数据对比,利用共轭梯度法加速学习,在步骤B的基础上从最高层往最低层逐步后向微调参数,完成深度置信网络模型的整个训练过程;
步骤D:将测试数据输入上述步骤C中的深度置信网络模型,得到变压器油中溶解气体的组分和含量;
步骤E:将得到变压器油中溶解气体组分和含量与专家系统数据库的专家规则对比,经过网络推理机的推测和分析,对电力变压器的内部故障类型作出诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610388015.9A CN106093135B (zh) | 2016-06-02 | 2016-06-02 | 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610388015.9A CN106093135B (zh) | 2016-06-02 | 2016-06-02 | 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106093135A true CN106093135A (zh) | 2016-11-09 |
CN106093135B CN106093135B (zh) | 2020-11-10 |
Family
ID=57447312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610388015.9A Active CN106093135B (zh) | 2016-06-02 | 2016-06-02 | 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106093135B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769653A (zh) * | 2016-11-16 | 2017-05-31 | 国网山东省电力公司新泰市供电公司 | 一种快速检测变压器故障的系统和方法 |
CN106802599A (zh) * | 2017-02-17 | 2017-06-06 | 巴音郭楞职业技术学院 | 一种基于专家数据库的电力变压器故障诊断系统 |
CN107247231A (zh) * | 2017-07-28 | 2017-10-13 | 南京航空航天大学 | 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法 |
CN108181355A (zh) * | 2017-12-29 | 2018-06-19 | 哈尔滨工业大学 | 用于二氧化氮气敏传感器的二硫化锡/石墨烯/二氧化锡三元复合气敏材料的制备方法 |
CN108254417A (zh) * | 2018-01-04 | 2018-07-06 | 广东美的制冷设备有限公司 | 空气检测装置、空气质量检测方法和计算机可读存储介质 |
CN108562697A (zh) * | 2018-03-30 | 2018-09-21 | 歌尔股份有限公司 | 一种室内有害气体监测装置 |
CN108897354A (zh) * | 2018-07-13 | 2018-11-27 | 广西大学 | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 |
CN109060892A (zh) * | 2018-06-26 | 2018-12-21 | 西安交通大学 | 基于石墨烯复合材料传感器阵列的sf6分解物检测方法 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
CN110208334A (zh) * | 2019-05-13 | 2019-09-06 | 中国石油大学(华东) | 针对呼出气的湿度传感器制备方法及其检测系统 |
CN110514700A (zh) * | 2019-09-27 | 2019-11-29 | 西安电子科技大学 | 一种氧化铜和四氧化三钴异质结构纳米线复合敏感材料、乙二醇传感器及制备方法 |
CN112083047A (zh) * | 2020-08-11 | 2020-12-15 | 西安交通大学 | 一种便携式气体检测装置及检测方法 |
CN112345598A (zh) * | 2020-10-23 | 2021-02-09 | 中国电力科学研究院有限公司 | 用于输变电设备故障气体检测的微纳传感设备 |
CN112505097A (zh) * | 2020-08-20 | 2021-03-16 | 江门市阳邦智能科技有限公司 | 氧化铈传感器及其制备方法 |
CN112578669A (zh) * | 2020-11-27 | 2021-03-30 | 西安交通大学 | 一种二维材料转移方法及智能转移系统 |
CN113740778A (zh) * | 2021-09-06 | 2021-12-03 | 长春工业大学 | 一种电厂用500kV大功率电力变压器故障的诊断装置及其方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149246A (zh) * | 2012-09-27 | 2013-06-12 | 中国石油大学(华东) | 石墨烯薄膜湿度传感器 |
CN103838836A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 基于判别式多模态深度置信网多模态数据融合方法和系统 |
CN104914138A (zh) * | 2015-07-03 | 2015-09-16 | 深圳市共进电子股份有限公司 | 湿度传感器、湿度传感器阵列及其制备方法 |
US20160054312A1 (en) * | 2014-04-28 | 2016-02-25 | Nanomedical Diagnostics, Inc. | Chemically differentiated sensor array |
CN105445335A (zh) * | 2015-11-17 | 2016-03-30 | 中国石油大学(华东) | 一种用于电力变压器绝缘状态监测的湿度传感系统 |
CN105527325A (zh) * | 2016-01-20 | 2016-04-27 | 中国石油大学(华东) | 一种基于二氧化锡/类石墨烯二硫化钼薄膜的湿度传感器 |
-
2016
- 2016-06-02 CN CN201610388015.9A patent/CN106093135B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149246A (zh) * | 2012-09-27 | 2013-06-12 | 中国石油大学(华东) | 石墨烯薄膜湿度传感器 |
CN103838836A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 基于判别式多模态深度置信网多模态数据融合方法和系统 |
US20160054312A1 (en) * | 2014-04-28 | 2016-02-25 | Nanomedical Diagnostics, Inc. | Chemically differentiated sensor array |
CN104914138A (zh) * | 2015-07-03 | 2015-09-16 | 深圳市共进电子股份有限公司 | 湿度传感器、湿度传感器阵列及其制备方法 |
CN105445335A (zh) * | 2015-11-17 | 2016-03-30 | 中国石油大学(华东) | 一种用于电力变压器绝缘状态监测的湿度传感系统 |
CN105527325A (zh) * | 2016-01-20 | 2016-04-27 | 中国石油大学(华东) | 一种基于二氧化锡/类石墨烯二硫化钼薄膜的湿度传感器 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769653A (zh) * | 2016-11-16 | 2017-05-31 | 国网山东省电力公司新泰市供电公司 | 一种快速检测变压器故障的系统和方法 |
CN106802599A (zh) * | 2017-02-17 | 2017-06-06 | 巴音郭楞职业技术学院 | 一种基于专家数据库的电力变压器故障诊断系统 |
CN107247231A (zh) * | 2017-07-28 | 2017-10-13 | 南京航空航天大学 | 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法 |
CN108181355B (zh) * | 2017-12-29 | 2020-05-26 | 哈尔滨工业大学 | 用于二氧化氮气敏传感器的二硫化锡/石墨烯/二氧化锡三元复合气敏材料的制备方法 |
CN108181355A (zh) * | 2017-12-29 | 2018-06-19 | 哈尔滨工业大学 | 用于二氧化氮气敏传感器的二硫化锡/石墨烯/二氧化锡三元复合气敏材料的制备方法 |
CN108254417A (zh) * | 2018-01-04 | 2018-07-06 | 广东美的制冷设备有限公司 | 空气检测装置、空气质量检测方法和计算机可读存储介质 |
CN108562697A (zh) * | 2018-03-30 | 2018-09-21 | 歌尔股份有限公司 | 一种室内有害气体监测装置 |
CN109060892A (zh) * | 2018-06-26 | 2018-12-21 | 西安交通大学 | 基于石墨烯复合材料传感器阵列的sf6分解物检测方法 |
CN108897354B (zh) * | 2018-07-13 | 2020-10-20 | 广西大学 | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 |
CN108897354A (zh) * | 2018-07-13 | 2018-11-27 | 广西大学 | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
CN110208334A (zh) * | 2019-05-13 | 2019-09-06 | 中国石油大学(华东) | 针对呼出气的湿度传感器制备方法及其检测系统 |
CN110514700A (zh) * | 2019-09-27 | 2019-11-29 | 西安电子科技大学 | 一种氧化铜和四氧化三钴异质结构纳米线复合敏感材料、乙二醇传感器及制备方法 |
CN110514700B (zh) * | 2019-09-27 | 2021-09-07 | 西安电子科技大学 | 一种氧化铜和四氧化三钴异质结构纳米线复合敏感材料、乙二醇传感器及制备方法 |
CN112083047A (zh) * | 2020-08-11 | 2020-12-15 | 西安交通大学 | 一种便携式气体检测装置及检测方法 |
CN112505097A (zh) * | 2020-08-20 | 2021-03-16 | 江门市阳邦智能科技有限公司 | 氧化铈传感器及其制备方法 |
CN112345598A (zh) * | 2020-10-23 | 2021-02-09 | 中国电力科学研究院有限公司 | 用于输变电设备故障气体检测的微纳传感设备 |
CN112578669A (zh) * | 2020-11-27 | 2021-03-30 | 西安交通大学 | 一种二维材料转移方法及智能转移系统 |
CN113740778A (zh) * | 2021-09-06 | 2021-12-03 | 长春工业大学 | 一种电厂用500kV大功率电力变压器故障的诊断装置及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106093135B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106093135A (zh) | 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置 | |
Sun et al. | Chemical sensing strategies for real-time monitoring of transformer oil: A review | |
Zhang et al. | Diversiform metal oxide-based hybrid nanostructures for gas sensing with versatile prospects | |
Nikolic et al. | Semiconductor gas sensors: Materials, technology, design, and application | |
Yuan et al. | Detection and identification of volatile organic compounds based on temperature-modulated ZnO sensors | |
Chang et al. | Self-powered environmental monitoring via a triboelectric nanogenerator | |
Tonezzer et al. | Selective discrimination of hazardous gases using one single metal oxide resistive sensor | |
Miah et al. | Polypyrrole-based sensors for volatile organic compounds (VOCs) sensing and capturing: A comprehensive review | |
US11143610B2 (en) | Sensing element compositions and sensor system for detecting and monitoring structures for hydrocarbons | |
Sun et al. | Preparation of polypyrrole@ WO3 hybrids with pn heterojunction and sensing performance to triethylamine at room temperature | |
Tang et al. | SWCNTs-based MEMS gas sensor array and its pattern recognition based on deep belief networks of gases detection in oil-immersed transformers | |
CN105954323B (zh) | 一种火电厂排放气态污染物超低浓度智能监测装置 | |
US20160334353A1 (en) | Sensor for in situ selective detection of components in a fluid | |
Zhou et al. | Hydrothermal synthesis of hierarchical ultrathin NiO nanoflakes for high-performance CH4 sensing | |
CN110188309A (zh) | 基于隐马尔科夫模型的油浸式电力变压器缺陷预警方法 | |
Assar et al. | Enhancement of methane gas sensing characteristics of graphene oxide sensor by heat treatment and laser irradiation | |
Liu et al. | Discriminating BTX molecules by the nonselective metal oxide sensor-based smart sensing system | |
Zhang et al. | Porous oxide-functionalized seaweed fabric as a flexible breath sensor for noninvasive nephropathy diagnosis | |
Nair et al. | Highly sensitive, flexible H2 gas sensors based on less platinum bimetallic Ni–Pt nanocatalyst-functionalized carbon nanofibers | |
CN109490685A (zh) | 一种基于油中溶解气体在线监测的变压器早期缺陷预警方法 | |
Nahirniak et al. | Sensing properties of SnO2-MWCNTs nanocomposites towards H2 | |
Alizadeh et al. | Predicting the hydrogen uptake ability of a wide range of zeolites utilizing supervised machine learning methods | |
Kumar JR et al. | A potential application of polyethyleneimine-reduced graphene oxide nanocomposite sensing film coated on interdigitated electrode prepared from copper-clad for carbon dioxide detection | |
Kanaparthi et al. | Simultaneous detection of CO and NH3 gases at room temperature with an array of ZnS chemiresistive sensors and the superposition principle | |
Nasri et al. | A smart gas sensor using machine learning algorithms: Sensor types based on IED configurations, fabrication techniques, algorithmic approaches, challenges, progress and limitations: A Review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |