CN106526370A - 一种基于化学反应算法的rvm变压器故障诊断方法 - Google Patents
一种基于化学反应算法的rvm变压器故障诊断方法 Download PDFInfo
- Publication number
- CN106526370A CN106526370A CN201610957092.1A CN201610957092A CN106526370A CN 106526370 A CN106526370 A CN 106526370A CN 201610957092 A CN201610957092 A CN 201610957092A CN 106526370 A CN106526370 A CN 106526370A
- Authority
- CN
- China
- Prior art keywords
- rvm
- fault
- chemical reaction
- dga
- binary tree
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nonlinear Science (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于化学反应算法的RVM变压器故障诊断方法,步骤包括:1)从待诊断变压器的DGA原始特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建训练输入向量,得到训练样本;2)建立基于RVM的二叉树多分类模型;3)采用化学反应算法对所述基于RVM的二叉树多分类模型进行参数寻优,得到基于RVM的二叉树多分类模型的最佳核函数参数;4)利用训练样本训练基于RVM的二叉树多分类模型;5)将待诊断变压器的DGA测试特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建测试输入向量,将测试输入向量输入训练好的基于RVM的二叉树多分类模型,得到待诊断变压器的故障诊断结果。
Description
技术领域
本发明涉及变压器故障诊断技术,具体涉及一种基于化学反应算法的RVM变压器故障诊断方法,用于针对油浸式变压器,通过对其使用过程中油箱内的气体含量比值进行分析,结合相关向量机(RVM)以及化学反应(CRO)算法对变压器进行智能诊断。
背景技术
电力变压器对于电力系统的正常运转至关重要,其运行状态正常与否直接关系到电力系统的安全水平。尽管变压器的结构十分稳定,经过多年的发展改进其机械性能以及电气强度都已经达到较高的水平,然而由于制造时局部缺陷难以完全杜绝,再加上变压器在长期运行过程中,由于自身的热、电条件变化再加上复杂的外部运行环境影响,容易出现绝缘老化以及材质劣化的现象,进而引发故障。所以有必要对变压器的故障进行有效监测,及时应对。
目前大型电力变压器主要是油浸式电力变压器,实践证明变压器油中溶解气体的组分和含量可以在很大程度上变压器的运行状态,并且由于油中气体的检测不受电磁波的干扰,检测结果具有复现性和可靠性。所以在现行的《电力设备预防性试验规程》中已经将变压器油中气相色谱分析方法放在首要的位置。基于DGA数据的变压器故障诊断方法能及时发现变压器潜在故障,可在变压器运行过程中进行故障分析,并能发现电气试验方法很难发现的故障基于DGA数据的变压器故障诊断方法已成为变压器故障诊断的一种有效方法,形成了特征气体组分法、特征气体含量法、特征气体含量比值法等传统诊断方法。电力变压器故障产气机理复杂,油中气体含量之间的分布特性很难推测,油中溶解气体含量及含量比值与故障类型之间的映射关系复杂,仅靠人为试验总结难以归纳出故障征兆与故障类型之间的关系。于是支持向量机、人工神经网络和贝叶斯分类器等人工智能方法被引入变压器故障诊断,并取得了较好的效果。尽管上述几种人工智能诊断方法,相对于传统诊断方式已经有了极大的提高,但是各项技术诊断都还存在不足,灵敏度和准确度要求都差强人意。人工神经网络、支持向量机和贝叶斯分类器的变压器故障诊断方法都是通过搜集到的变压器样本数据进行模型学习,从而确定故障征兆与故障类别之间的映射关系。这些诊断方法的特征变量通常都是选用特征气体含量或特征气体含量比值。三种诊断方法都以全局诊断正确率最高为目标,默认故障误诊为正常和正常误诊为故障、高危故障误诊为低危故障和低危故障误诊为高危故障等各种误诊造成的损失代价相同。
相关向量机(Relevance vector machine,RVM)具有支持向量机可有效解决小样本、高维、非线性分类问题等优点,克服了贝叶斯分类器需要大量样本数据,支持向量机规则化系数确定困难、核函数受Mercer条件限制的问题;RVM还兼有贝叶斯分类器可以以概率的形式输出诊断结果的优点,克服了支持向量机和神经网络诊断输出为硬分类间隔的问题。RVM已在电力系统暂态稳定评估、电力负荷预测齿轮早期故障智能诊断、轴承故障检测等预测和分类领域并取得了很好的应用效果。故此,针对变压器可训练数据少的特点,将其引入变压器故障诊断领域,可使得在相同的诊断时间下,诊断的准确率有了明显的提升。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种能够有效提升变压器故障诊断准确率,所需数据少、诊断速度快的基于化学反应算法的RVM变压器故障诊断方法。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于化学反应算法的RVM变压器故障诊断方法,步骤包括:
1)从待诊断变压器的DGA原始特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建训练输入向量,得到训练样本;
2)建立基于RVM的二叉树多分类模型;
3)采用化学反应算法对所述基于RVM的二叉树多分类模型进行参数寻优,得到基于RVM的二叉树多分类模型的最佳核函数参数;
4)利用训练样本训练基于RVM的二叉树多分类模型;
5)将待诊断变压器的DGA测试特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建测试输入向量,将测试输入向量输入训练好的基于RVM的二叉树多分类模型,得到待诊断变压器的故障诊断结果。
优选地,所述步骤1)中的DGA故障特征气体包括H2、CH4、C2H4、C2H6及C2H2五种气体;所述步骤5)中的故障诊断结果包括中低温过热状态、高温过热状态、低能放电状态、高能放电状态、正常状态共五种结果。
优选地,所述步骤1)中进行归一化处理的函数表达式如式(1)所示;
式(1)中,xi′代表DGA故障特征气体的归一化处理后的数据,xi代表DGA故障特征气体的浓度值原始数据,xmin代表DGA故障特征气体的浓度值最小值,xmax代表DGA故障特征气体的浓度值最大值。
优选地,所述步骤2)中基于RVM的二叉树多分类模型包括RVM分类器RVM1~RVM4,其中RVM分类器RVM1的分类结果包括正常状态和故障状态,故障状态对应分类器RVM2,RVM分类器RVM2的分类结果包括过热故障和放电故障,过热故障对应分类器RVM3,RVM分类器RVM3的分类结果包括中低温过热状态和高温过热状态,放电故障对应分类器RVM4,RVM分类器RVM4的分类结果包括低能放电状态和高能放电状态。
优选地,所述步骤2)中基于RVM的二叉树多分类模型的核函数采用如式(2)所示径向基核函数;
式(2)中,K(x,y)表示核函数的值,σ表示核函数的高宽参数。
优选地,所述步骤3)的详细步骤包括:
3.1)初始化基于RVM的二叉树多分类模型的核函数参数作为化学反应算法的分子,确定目标函数,所述目标函数为实际输出和期望输出的误差平均值,计算各个分子动能及势能的初始值;
3.2)判断是否存在分子间碰撞,如果存在分子间碰撞,则跳转执行步骤3.3),否则跳转步骤3.4);
3.3)选中分子,且被选中的分子数量为多个,判断选中的多个分子是否满足合成条件,如果不满足合成条件,则发生分子间碰撞,跳转执行步骤3.2);否则,将选中的多个分子合成,跳转执行步骤3.5);
3.4)选中分子,且被选中的分子数量为一个,判断选中的分子是否满足分解条件,如果不满足分解条件,则发生分子间碰撞,跳转执行步骤3.5);否则,将选中的多个分子分解,跳转执行步骤3.2);
3.5)计算分子的势能,选取势能PE最小的分子;
3.6)判断势能PE最小的分子是否满足化学反应算法预设的停止条件,如果不满足化学反应算法的停止条件,则跳转执行步骤3.2);否则,将势能PE最小的分子对应的核函数参数作为基于RVM的二叉树多分类模型的最佳核函数参数。
本发明基于化学反应算法的RVM变压器故障诊断方法具有下述优点:本发明通过从待诊断变压器的DGA原始特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建训练输入向量,得到训练样本,建立基于RVM的二叉树多分类模型,采用化学反应算法对所述基于RVM的二叉树多分类模型进行参数寻优,得到基于RVM的二叉树多分类模型的最佳核函数参数,利用训练样本训练基于RVM的二叉树多分类模型,将待诊断变压器的DGA测试特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建测试输入向量,将测试输入向量输入训练好的基于RVM的二叉树多分类模型,得到待诊断变压器的故障诊断结果,解决了基于DGA采用传统的三比值法进行变压器故障诊断时由于故障与故障特征数据之间的对应关系存在模糊性,判断时容易出现误判的问题,本发明使用RVM这种人工智能诊断模式,可以避免出现三比值法编码缺失或者是判断标准过于绝对的问题,同时由于化学反应算法的引入,可以有效优化参数,提升故障诊断准确率,基于RVM的二叉树多分类模型对于小样本泛化能力优越,所得诊断结果契合实际,对于变压器故障诊断有着极高的实用价值,能够及时的诊断并修复变压器故障,具有能够有效提升变压器故障诊断准确率,所需数据少、诊断速度快的优点,对于提升电网的系统运行经济性和可靠性都有着极大的意义。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中得到的基于RVM的二叉树多分类模型的示意图。
具体实施方式
如图1所示,本实施例基于化学反应算法的RVM变压器故障诊断方法的步骤包括:
1)从待诊断变压器的DGA原始特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建训练输入向量,得到训练样本;
2)建立基于RVM的二叉树多分类模型;
3)采用化学反应算法对基于RVM的二叉树多分类模型进行参数寻优,得到基于RVM的二叉树多分类模型的最佳核函数参数;
4)利用训练样本训练基于RVM的二叉树多分类模型;
5)将待诊断变压器的DGA测试特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建测试输入向量,将测试输入向量输入训练好的基于RVM的二叉树多分类模型,得到待诊断变压器的故障诊断结果。
变压器的主要故障可以分为过热故障以及放电故障两类,其中过热故障又可以进一步分为中低温过热(T1)和高温过热(T2),放电故障可进一步分为低能放电(PD1)和高能放电(PD2)。本实施例中,步骤1)中的DGA故障特征气体包括H2、CH4、C2H4、C2H6及C2H2五种气体;步骤5)中的故障诊断结果包括中低温过热状态、高温过热状态、低能放电状态、高能放电状态、正常状态共五种结果。
本实施例中,步骤1)中进行归一化处理的函数表达式如式(1)所示;
式(1)中,xi′代表DGA故障特征气体的归一化处理后的数据,xi代表DGA故障特征气体的浓度值原始数据,xmin代表DGA故障特征气体的浓度值最小值,xmax代表DGA故障特征气体的浓度值最大值。结合电工操作实际情况,我们选择以大型配电变压器的DGA数据作为故障诊断依据。具体来说是从中择取了比较能反应故障类型的5种溶解气体H2、CH4、C2H4、C2H6以及C2H2的浓度值作为输入向量,由于各种气体溶解在油中的基数值是不一样的,为了抹平由这种差异所造成的影响,需要按公式(1)对其进行归一化处理。将所得原始样本数据进行归一化处理后便得到可以用于测试以及训练的样本集。
对于RVM(相关向量机)这种机器学习分类系统而言,其存在多种可供选择的核函数,比如线性核函数、多项式核函数以及径向基核函数(简称为RBF)。本实施例中,步骤2)中基于RVM的二叉树多分类模型的核函数采用如式(2)所示径向基核函数;
式(2)中,K(x,y)表示核函数的值,σ表示核函数的高宽参数。
由于单一RVM主要针对的是二分类问题,本实施例中针对变压器所具备的多种故障类型特点,构建起基于RVM的二叉树多分类模型。如图2所示,步骤2)中基于RVM的二叉树多分类模型包括RVM分类器RVM1~RVM4,其中RVM分类器RVM1的分类结果包括正常状态和故障状态,故障状态对应分类器RVM2,RVM分类器RVM2的分类结果包括过热故障和放电故障,过热故障对应分类器RVM3,RVM分类器RVM3的分类结果包括中低温过热状态和高温过热状态,放电故障对应分类器RVM4,RVM分类器RVM4的分类结果包括低能放电状态和高能放电状态。由于基于RVM的二叉树多分类模型的准确性与各层RVM分类器的参数选择有很大的关联,本实施例基于化学反应优化算法对基于RVM的二叉树多分类模型进行参数寻优,提升诊断准确率以及诊断速度。对于RVM分类器而言,其核函数的高宽参数σ值取得是否恰当,直接关系系到分类效果。本实施例共用到了RVM分类器RVM1~RVM4共4个RVM分类器,那么各自的核函数参数可以构成一个四维向量。
由于上述基于RVM的二叉树多分类模型的准确性与各层RVM分类器的参数选择有很大的关联,本实施例基于化学反应算法对RVM分类模型进行参数寻优,提升诊断准确率以及诊断速度。参见图1,本实施例步骤3)的详细步骤包括:
3.1)初始化基于RVM的二叉树多分类模型的核函数参数作为化学反应算法的分子,确定目标函数,目标函数为实际输出和期望输出的误差平均值,计算各个分子动能及势能的初始值;
3.2)判断是否存在分子间碰撞,如果存在分子间碰撞,则跳转执行步骤3.3),否则跳转步骤3.4);
3.3)选中分子,且被选中的分子数量为多个,判断选中的多个分子是否满足合成条件,如果不满足合成条件,则发生分子间碰撞,跳转执行步骤3.2);否则,将选中的多个分子合成,跳转执行步骤3.5);
3.4)选中分子,且被选中的分子数量为一个,判断选中的分子是否满足分解条件,如果不满足分解条件,则发生分子间碰撞,跳转执行步骤3.5);否则,将选中的多个分子分解,跳转执行步骤3.2);
3.5)计算分子的势能,选取势能PE最小的分子;
3.6)判断势能PE最小的分子是否满足化学反应算法预设的停止条件,如果不满足化学反应算法的停止条件,则跳转执行步骤3.2);否则,将势能PE最小的分子对应的核函数参数作为基于RVM的二叉树多分类模型的最佳核函数参数。
化学反应算法(CRO)乃是近几年发展起来的一种元启发式算法,其基本原理是通过对化学反应过程中的能量以及运动过程进行模拟,由于反应过程中反应势能乃是递减的,所以化学反应算法的优化过程,简言之即搜索系统势能达到最小的过程。化学反应算法存在两个基本运算单元即分子(ω)以及容器壁(buffer),势能(PE)以及动能(KE)是分子所具备的两种能量。在化学反应算法的执行过程中,动能(KE)参数的作用是判断系统是否发生分子反应,而势能(PE)则是化学反应停止与否的最终衡量标准,对于实际问题而言,即目标函数。本实施例采用化学反应算法对核函数的高宽参数σ进行寻优,化学反应算法拥有四种基本反应算子,依次分别是单分子碰撞算子、单分子分解算子以及分子间碰撞算子和分子合成算子。其中单分子分解算子针对范围问题拥有较强的局部搜索能力,而分子合成算子则对化学反应算法的全局搜索能力进行了改善。1)首先初始化化学反应算法算法;2)确定目标函数,在这里我们选用实际输出与期望输出的误差平均值作为目标函数f;3)计算分子动能以及势能的初始值;4)进行迭代寻优;5)终止算法。当所得到的势能PE值取最小时,所得结果极为全局最优解。将所得到的核函数的高宽参数σ的值代入,最终得到合适的变压器故障诊断模型。接下来进一步结合由归一化特征气体训练样本数据对模型进行训练以及测试,得到最终的基于RVM的二叉树多分类模型。为了对本实施例基于化学反应算法的RVM变压器故障诊断方法进行进一步的验证,本实施例中将归一化的样本数据分成两组,一组用于基于RVM的二叉树多分类模型的训练,另一组用于测试。通过与其他诊断方法进行对比,可以发现本实施例基于化学反应算法的RVM变压器故障诊断方法中所提出的油浸式变压器故障诊断模型在诊断时间相同的情况下,有着更高的诊断准确率,并且相比于传统DGA智能诊断模型而言,有着更好的泛化能力以及适用性。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于化学反应算法的RVM变压器故障诊断方法,其特征在于步骤包括:
1)从待诊断变压器的DGA原始特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建训练输入向量,得到训练样本;
2)建立基于RVM的二叉树多分类模型;
3)采用化学反应算法对所述基于RVM的二叉树多分类模型进行参数寻优,得到基于RVM的二叉树多分类模型的最佳核函数参数;
4)利用训练样本训练基于RVM的二叉树多分类模型;
5)将待诊断变压器的DGA测试特征数据中选择能够反应故障类型的多种DGA故障特征气体的浓度值进行归一化处理后构建测试输入向量,将测试输入向量输入训练好的基于RVM的二叉树多分类模型,得到待诊断变压器的故障诊断结果。
2.根据权利要求1所述的基于化学反应算法的RVM变压器故障诊断方法,其特征在于,所述步骤1)中的DGA故障特征气体包括H2、CH4、C2H4、C2H6及C2H2五种气体;所述步骤5)中的故障诊断结果包括中低温过热状态、高温过热状态、低能放电状态、高能放电状态、正常状态共五种结果。
3.根据权利要求1所述的基于化学反应算法的RVM变压器故障诊断方法,其特征在于,所述步骤1)中进行归一化处理的函数表达式如式(1)所示;
式(1)中,x′i代表DGA故障特征气体的归一化处理后的数据,xi代表DGA故障特征气体的浓度值原始数据,xmin代表DGA故障特征气体的浓度值最小值,xmax代表DGA故障特征气体的浓度值最大值。
4.根据权利要求1所述的基于化学反应算法的RVM变压器故障诊断方法,其特征在于,所述步骤2)中基于RVM的二叉树多分类模型包括RVM分类器RVM1~RVM4,其中RVM分类器RVM1的分类结果包括正常状态和故障状态,故障状态对应分类器RVM2,RVM分类器RVM2的分类结果包括过热故障和放电故障,过热故障对应分类器RVM3,RVM分类器RVM3的分类结果包括中低温过热状态和高温过热状态,放电故障对应分类器RVM4,RVM分类器RVM4的分类结果包括低能放电状态和高能放电状态。
5.根据权利要求1所述的基于化学反应算法的RVM变压器故障诊断方法,其特征在于,所述步骤2)中基于RVM的二叉树多分类模型的核函数采用如式(2)所示径向基核函数;
式(2)中,K(x,y)表示核函数的值,σ表示核函数的高宽参数。
6.根据权利要求1所述的基于化学反应算法的RVM变压器故障诊断方法,其特征在于,所述步骤3)的详细步骤包括:
3.1)初始化基于RVM的二叉树多分类模型的核函数参数作为化学反应算法的分子,确定目标函数,所述目标函数为实际输出和期望输出的误差平均值,计算各个分子动能及势能的初始值;
3.2)判断是否存在分子间碰撞,如果存在分子间碰撞,则跳转执行步骤3.3),否则跳转步骤3.4);
3.3)选中分子,且被选中的分子数量为多个,判断选中的多个分子是否满足合成条件,如果不满足合成条件,则发生分子间碰撞,跳转执行步骤3.2);否则,将选中的多个分子合成,跳转执行步骤3.5);
3.4)选中分子,且被选中的分子数量为一个,判断选中的分子是否满足分解条件,如果不满足分解条件,则发生分子间碰撞,跳转执行步骤3.5);否则,将选中的多个分子分解,跳转执行步骤3.2);
3.5)计算分子的势能,选取势能PE最小的分子;
3.6)判断势能PE最小的分子是否满足化学反应算法预设的停止条件,如果不满足化学反应算法的停止条件,则跳转执行步骤3.2);否则,将势能PE最小的分子对应的核函数参数作为基于RVM的二叉树多分类模型的最佳核函数参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957092.1A CN106526370A (zh) | 2016-10-27 | 2016-10-27 | 一种基于化学反应算法的rvm变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957092.1A CN106526370A (zh) | 2016-10-27 | 2016-10-27 | 一种基于化学反应算法的rvm变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106526370A true CN106526370A (zh) | 2017-03-22 |
Family
ID=58325592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610957092.1A Pending CN106526370A (zh) | 2016-10-27 | 2016-10-27 | 一种基于化学反应算法的rvm变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106526370A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358322A (zh) * | 2017-07-12 | 2017-11-17 | 中南大学 | 一种无人机快递自动投送最短路径规划方法 |
CN107862114A (zh) * | 2017-10-25 | 2018-03-30 | 广西电网有限责任公司电力科学研究院 | 基于三比值特征量的小波pso‑svm变压器故障诊断方法 |
CN108717149A (zh) * | 2018-05-25 | 2018-10-30 | 西安工程大学 | 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法 |
CN109298258A (zh) * | 2018-09-18 | 2019-02-01 | 四川大学 | 结合rvm和dbn的变压器故障诊断方法及系统 |
CN112257335A (zh) * | 2020-10-10 | 2021-01-22 | 西南交通大学 | 一种结合pnn和svm的油浸式变压器的故障诊断方法 |
CN113484723A (zh) * | 2021-07-08 | 2021-10-08 | 上海交通大学 | 基于XGBoost算法的变压器故障诊断与健康评估系统及方法 |
CN117310546A (zh) * | 2023-11-03 | 2023-12-29 | 北京迪赛奇正科技有限公司 | 一种ups电源健康管理监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
CN102930299A (zh) * | 2012-11-20 | 2013-02-13 | 山东电力集团公司莱芜供电公司 | 基于优化方法的多特征选择多层次变压器故障诊断方法 |
CN103235973A (zh) * | 2013-04-16 | 2013-08-07 | 郑州航空工业管理学院 | 一种基于径向基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 |
-
2016
- 2016-10-27 CN CN201610957092.1A patent/CN106526370A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
CN102930299A (zh) * | 2012-11-20 | 2013-02-13 | 山东电力集团公司莱芜供电公司 | 基于优化方法的多特征选择多层次变压器故障诊断方法 |
CN103235973A (zh) * | 2013-04-16 | 2013-08-07 | 郑州航空工业管理学院 | 一种基于径向基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 |
Non-Patent Citations (5)
Title |
---|
尹金良等: "相关向量机及其在变压器故障诊断中的应用", 《电力自动化设备》 * |
张哲等: "基于主成分分析和支持向量机的变压器故障诊断", 《中国人工智能学会第十三届学术年会论文集》 * |
张珂斐等: "基于化学反应优化神经网络与融合DGA算法的油浸式变压器模型研究", 《高电压技术》 * |
梁永亮等: "一种优化特征选择-快速相关向量机变压器故障诊断方法", 《电网技术》 * |
罗颂荣等: "基于人工化学反应优化的SVM及旋转机械故障诊断", 《中国机械工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358322A (zh) * | 2017-07-12 | 2017-11-17 | 中南大学 | 一种无人机快递自动投送最短路径规划方法 |
CN107862114A (zh) * | 2017-10-25 | 2018-03-30 | 广西电网有限责任公司电力科学研究院 | 基于三比值特征量的小波pso‑svm变压器故障诊断方法 |
CN108717149A (zh) * | 2018-05-25 | 2018-10-30 | 西安工程大学 | 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法 |
CN109298258A (zh) * | 2018-09-18 | 2019-02-01 | 四川大学 | 结合rvm和dbn的变压器故障诊断方法及系统 |
CN112257335A (zh) * | 2020-10-10 | 2021-01-22 | 西南交通大学 | 一种结合pnn和svm的油浸式变压器的故障诊断方法 |
CN113484723A (zh) * | 2021-07-08 | 2021-10-08 | 上海交通大学 | 基于XGBoost算法的变压器故障诊断与健康评估系统及方法 |
CN117310546A (zh) * | 2023-11-03 | 2023-12-29 | 北京迪赛奇正科技有限公司 | 一种ups电源健康管理监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106526370A (zh) | 一种基于化学反应算法的rvm变压器故障诊断方法 | |
Dai et al. | Dissolved gas analysis of insulating oil for power transformer fault diagnosis with deep belief network | |
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN101587155B (zh) | 一种油浸式变压器的故障诊断方法 | |
CN106885978B (zh) | 一种基于绝缘油拉曼光谱小波包能量熵的油纸绝缘老化诊断方法 | |
Sun et al. | Fault diagnosis of power transformers using computational intelligence: A review | |
CN106291234B (zh) | 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法 | |
CN107505133A (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN106548230A (zh) | 基于改进粒子群优化神经网络的变压器故障诊断方法 | |
Wani et al. | Multiple incipient fault classification approach for enhancing the accuracy of dissolved gas analysis (DGA) | |
CN104535865A (zh) | 基于多参数的电力变压器运行故障综合诊断方法 | |
CN102930299B (zh) | 基于优化方法的多特征选择多层次变压器故障诊断方法 | |
CN105868770A (zh) | 一种基于非监督学习模型的高压断路器故障诊断方法 | |
Yan et al. | Transformer fault diagnosis based on BP‐Adaboost and PNN series connection | |
CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN103558042A (zh) | 一种基于全状态信息的机组故障快速诊断方法 | |
CN108020781A (zh) | 一种断路器故障诊断方法 | |
CN105758645A (zh) | 一种基于概率神经网络的发动机故障诊断系统 | |
CN114372693B (zh) | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 | |
CN106372724A (zh) | 一种人工神经网络算法 | |
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 | |
Guo et al. | Fault diagnosis of power transformers based on comprehensive machine learning of dissolved gas analysis | |
CN105629109A (zh) | 基于art1神经网络的油浸式变压器故障诊断方法 | |
Souahlia et al. | Artificial intelligence tools aided-decision for power transformer fault diagnosis |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |