CN107065568A - 一种基于粒子群支持向量机的变压器故障诊断方法 - Google Patents
一种基于粒子群支持向量机的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN107065568A CN107065568A CN201710386850.3A CN201710386850A CN107065568A CN 107065568 A CN107065568 A CN 107065568A CN 201710386850 A CN201710386850 A CN 201710386850A CN 107065568 A CN107065568 A CN 107065568A
- Authority
- CN
- China
- Prior art keywords
- fault
- support vector
- vector machine
- feature
- sample
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 239000002245 particle Substances 0.000 title claims abstract description 45
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 18
- 239000007789 gas Substances 0.000 claims description 16
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 15
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 9
- 206010020843 Hyperthermia Diseases 0.000 claims description 4
- 230000036031 hyperthermia Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000013480 data collection Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005288 electromagnetic effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于粒子群支持向量机的变压器故障诊断方法，包括：建立基于油中溶解气故障样本的故障数据集；基于油中溶解气组份不同组合构建故障特征集；引入基于距离的特征筛选算法，选择敏感特征子集；基于敏感特征子集，建立多分类支持向量机；以诊断精度为目标，利用粒子群算法优化支持向量机关键参数；建立基于最优参数的支持向量机模型，对待测样本进行故障诊断。本发明具有如下优点：通过扩展初始特征集，多角度反映故障特征，通过关键特征选择、消除冗余特征，保留敏感特征子集，简化故障诊断模型，提升故障诊断模型可解释性，有效提高故障诊断精度。
Description
技术领域
本发明涉及电力变压器技术领域，特别涉及一种基于粒子群支持向量机的变压器故障诊断方法。
背景技术
电力变压器是构成电力系统的重要枢纽设备，承担连接不同电压等级线路、电压转化与电能分配的重要功能。而由于变压器在制造、工艺、运输、安装及使用过程中面临多种潜在的缺陷与意外，以及运行中承受多种不同的物理场应力，导致电力变压器在正常老化及异常操作条件下不可避免的出现各类故障，导致电能供应中断，影响正常的工业生产、日常生活、社会秩序等，造成巨大的经济损失。因此，诊断变压器故障，及时进行维护，对保障电力系统稳定、可靠供电，降低潜在经济损失风险具有重要意义。
油中溶解气分析方法(Dissolved Gas Analysis，DGA)通过气体组份比值及相对占比由于易操作、不受电磁影响，是现在国内外使用最为广泛的变压器故障判断方法。但DGA方法存在一些不足：油中体积分数未达到相应注意值时无法进行故障诊断；比值编码缺失，导致故障类型不能准确判断；故障编码边界过于苛责，无法区分多重故障等问题。
发明内容
本发明旨在至少解决上述技术问题之一。
为此，本发明的目的在于提出一种基于粒子群支持向量机的变压器故障诊断方法，可以充分扩展基于DGA的故障特征集，有效消除故障表达特征的冗余性，保留关键、有效特征；利用智能算法选择故障诊断模型最优参数，提升模型训练速度，提高故障诊断准确性。
为了实现上述目的，本发明的实施例公开了一种基于粒子群支持向量机的变压器故障诊断方法，包括以下步骤：S1：基于故障类型明确的油中溶解气故障样本建立数据库，构成故障诊断模型的训练集和测试集；S2：基于油中溶解气组份，通过特征组合方式建立扩展特征集，规范所述扩展特征集的特征子集消除特征间数量级差异；S3：采用基于距离的特征选择方法计算类内、类间特征距离，评估各特征对分类敏感性，保留敏感特征，删除不满足预设条件的特征项，构成输入特征子集；S4：选择基于径向基核函数的支持向量机作为变压器故障诊断分类器，以所述输入特征子集作为输入项，各样本对应故障类型作为输出；S5：利用粒子群算法优化支持向量机的惩罚参数和径向基核函数参数，根据所述惩罚参数和所述径向基核函数参数得到最优参数组合；S6：使用基于最优参数组合的支持向量机诊断模型确定待测样本故障类型。
根据本发明实施例的基于粒子群支持向量机的变压器故障诊断方法，通过充分扩展基于DGA组份的故障特征，发现并挖掘潜在的有效新特征，利用基于距离的特征选择方法，保留对分类敏感的重要特征，删除冗余特征项，降低故障特征项维度；通过粒子群算法求取径向基核支持向量机最优关键参数组合，建立具有高可靠性的电力变压器故障诊断模型，提升故障诊断模型可解释性，有效提高故障诊断精度。
另外，根据本发明上述实施例的基于粒子群支持向量机的变压器故障诊断方法，还可以具有如下附加的技术特征：
进一步地，在步骤S1中，选择油中溶解气通用组份，包括氢气、甲烷、乙烷、乙烯和乙炔。
进一步地，在步骤S1中，对应于所述扩展特征集的故障类型包括：正常状态、局部放电、低能放电、高能放电、低温过热、中温过热和高温过热。
进一步地，在步骤S2还包括：利用所述故障特征集构建故障样本集合,并规范化所述故障样本集合。
进一步地，在步骤S3中，通过计算样本类内距离、类内平均值、特征平均值、类间平均距离，计算差异性因子，构建距离评估因子，基于评估因子阈值，保留满足所述评估因子阈值要求的特征项，删除不满足要求的特征项，构成所述特征子集。
进一步地，在步骤S4中，利用基于径向基核函数的支持向量机，建立故障诊断模型；其中，所述故障诊断模型选择所述特征子集作为输入，而各油中溶解气样本对应故障类型作为输出。
进一步地，在步骤S5中，采用粒子群算法，对粒子群速度与位置的更新和适应值求解进行迭代，直至满足预设终止条件迭代停止，获得所述最优参数组合。
进一步地，在步骤S6中，依据所述最优参数组合建立支持向量机诊断模型，并分析待测油中溶解气故障样本，输出最终故障类型。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例的基于粒子群支持向量机的变压器故障诊断方法的流程图；
图2是本发明一个实施例的基于粒子群算法的支持向量机关键参数选择流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
以下结合附图描述本发明。
图1是本发明实施例的基于粒子群支持向量机的变压器故障诊断方法的流程图。如图1所示，根据本发明实施例的基于粒子群支持向量机的变压器故障诊断方法，包括以下步骤：
S1：基于故障类型明确的油中溶解气故障样本建立数据库D，构成故障诊断模型的训练集和测试集。
在本发明的一个实施例中，基于常用特征气体氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)，未考虑一氧化碳(CO)、二氧化碳(CO2)、氮气(N2)、氧气(O2)等，建立扩展特故障征项数据集D，包括但不限于各气体相对含量、相互比值组合、烃类气体比值及总和等特征项。
S2：基于油中溶解气组份，通过特征组合方式建立扩展特征集D1，规范化扩展特征集D1的特征子集以消除特征间数量级差异。
在本发明的一个实施例中，对应于扩展特征集D1的故障类型包括：正常状态(NF)、局部放电(PD)、低能放电(LD)、高能放电(HD)、低温过热(LT)、中温过热(MT)、高温过热(HT)。
具体地，建立故障特征集如下表1所示：
表1基于DGA的扩展故障特征集
| 特征名 | 特征内容 | 特征名 | 特征内容 |
| R1 | H2％ | R13 | CH4/C2H2 |
| R2 | CH4％ | R14 | CH4/TH |
| R3 | C2H6％ | R15 | C2H6/C2H4 |
| R4 | C2H4％ | R16 | C2H6/C2H2 |
| R5 | C2H2％ | R17 | C2H6/TH |
| R6 | H2/CH4 | R18 | C2H4/C2H2 |
| R7 | H2/C2H6 | R19 | C2H4/TH |
| R8 | H2/C2H4 | R20 | C2H2/TH |
| R9 | H2/C2H2 | R21 | C2H2/TD |
| R10 | H2/TH | R22 | C2H4/TD |
| R11 | CH4/C2H6 | R23 | CH4/TD |
| R12 | CH4/C2H4 | R24 | TS |
其中，H2％＝H2/(H2+CH4+C2H6+C2H4+C2H2)，其余类似；TH＝CH4+C2H6+C2H4+C2H2；TD＝C2H4+C2H2+CH4；TS＝H2+CH4+C2H6+C2H4+C2H2。
在本发明的一个实施例中，利用故障特征集D1构建DGA故障样本集合D’,规范化故障样本集D’。
具体地，通过以下公式进行规范化处理：
其中xi、xni分别各故障特征项归一化前及归一化后的值，ximax和ximin为各故障特征项最大值和最小值。
S3：采用基于距离的特征选择方法，计算类内、类间特征距离，评估各特征对分类敏感性，保留敏感特征，删除不满足相关条件的特征项，构成输入特征子集D2。
在本发明的一个实施例中，通过计算样本类内距离、类内平均值、特征平均值、类间平均距离，计算差异性因子，构建距离评估因子。基于评估因子阈值ε，保留满足阈值要求的特征项，删除不满足要求的特征项，构成输入特征子集D2。
具体地，假定针对一个DGA故障样本数据库D，其故障类型包括C类，由DGA组份构成的特征集S：
S：{Tm,c,j，m＝1,2…Mc；c＝1,2,…,C；j＝1,2,…,J}
其中：Tm,c,j为第c类故障的第m个样本的第j个特征；Mc表示第c类的样本数，J代表各类特征个数；
计算同一类所有样本的类内平均距离
C个类内距离的平均值为：
计算类内距离的差异性因子
计算同一类所有样本的每个样本平均值：
计算不同类之间的平均距离：
计算类间距离的差异性因子：
计算加权因子
计算具有加权因子的类间和类内距离比值：
利用最大值规范化方法，得到距离评估因子：
设定距离评估阈值ε，当时，相应的特征；而当时，则剔除该特征项，从而构成输入特征子集D2。
S4：选择基于径向基核函数的支持向量机作为变压器故障诊断分类器，以输入特征子集D2作为输入项，各样本对应故障类型作为输出。
在本发明的一个实施例中，利用基于径向基(RBF)核函数的支持向量机，建立故障诊断模型；其中，故障诊断模型选择输入特征子集D2作为输入，而各DGA样本对应故障类型作为输出。
具体地，步骤S4进一步包括：
S401：设定输入与输入：将经过基于距离的特征选择方法精简后的输入特征子集D2作为输入，将各故障样本对应的状态类型(包括：正常、局部放电、低能放电、高能放电、低温过热、中温过热、高温过热)作为输出。
S402：面对非线性可分问题(变压器故障诊断)，依据SVM原理，在线性不可分时的最优分类面可用下式描述的优化问题表示。
式中，表示样本集中错分样本个数的上界，C用于控制对错分样本的惩罚程度，w为超平面法线，b为分类阈值，||ω||为分类间隔。
面对非线性问题，通过非线性变换转化为高维空间的线性问题，在变换空间中求最优分类面。由于核函数满足Mercer条件，可采用适当的内积函数实现非线性变换后的线性分类。本次分析采用基于RBF核函数的SVM。RBF核函数为
K(xi,x)＝exp(-||xi-x||2/2γ2)
式中：γ为径向基核函数的宽度参数。
S5：利用粒子群算法(Particle Swarm Optimization，PSO)优化支持向量机关键参数——惩罚参数C和径向基核函数参数γ，求得最优参数组合(C,γ)。
在本发明的一个实施例中，为了选择故障诊断模型最优关键参数——C与γ，采用粒子群算法，通过粒子群速度与位置的更新、适应值求解、终止条件对比等步骤迭代优化获得最优参数组合(C,γ)。
具体地，步骤S5进一步包括：
S501：粒子群算法初始化设定；随机初始化各个例子的初始位置与速度，设定适应度函数，惯性权值，加速度常数、最大速度及最大代数等。
S502：评价粒子适应度值；通过计算各个粒子对应的适应度值来确定粒子更新粒子位置与适应度值，通过迭代不断对每个粒子的适应度值、位置分别于Pbest、gbest作比较并更新。本次分析以故障诊断诊断率为适应度函数，即是：
FSVM(C,γ)＝accuracy
其中，各个例子位置、速度及惯性权重的更新计算公式如下所示：
Vid(i+1)＝ω×Vid(i)+c1×rand()×(Pbest-xid(i)+c2×rand()×gbest-xid(i))
xid(i+1)＝xid(i)+Vid(i+1)
式中：N和Nmax为当前进化代数和最大进化代数；Vid(i)为当前粒子速度，Vid(i+1)为例子更新后的速度；xid(i)是当前粒子的位置；xid(i+1)是粒子更新后的位置；w为惯性权重，用于平衡全局搜索和局部搜索；rand()为介于(0,1)的随机数，c1、c2是学习因子，通常c1＝c2＝2；基于粒子群算法的支持向量机关键参数选择流程图2所示。
S503：所有粒子进行迭代计算；当迭代次数达到最大代数或适应度值达到所需要求，则停止迭代，选择最好的适应度值条件下的粒子参数来选择对应的支持向量机的最优参数组合(C,γ)，并基于该参数组合构建故障诊断模型。
S6：使用基于最优参数组合的支持向量机诊断模型确定待测DGA样本故障类型。
在本发明的一个实施例中，依据最优参数组合(C,γ)建立支持向量机诊断模型，并分析待测DGA故障样本，输出最终故障类型。
根据本发明实施例的基于粒子群支持向量机的变压器故障诊断方法，通过充分扩展基于DGA组份的故障特征，发现并挖掘潜在的有效新特征，利用基于距离的特征选择方法，保留对分类敏感的重要特征，删除冗余特征项，降低故障特征项维度；通过粒子群算法求取径向基核支持向量机最优关键参数组合，建立具有高可靠性的电力变压器故障诊断模型，提升故障诊断模型可解释性，有效提高故障诊断精度。
另外，本发明实施例的基于粒子群支持向量机的变压器故障诊断方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。
Claims (8)
1.一种基于粒子群支持向量机的变压器故障诊断方法，其特征在于，包括以下步骤：
S1：基于故障类型明确的油中溶解气故障样本建立数据库，构成故障诊断模型的训练集和测试集；
S2：基于油中溶解气组份，通过特征组合方式建立扩展特征集，规范所述扩展特征集的特征子集消除特征间数量级差异；
S3：采用基于距离的特征选择方法计算类内、类间特征距离，评估各特征对分类敏感性，保留敏感特征，删除不满足预设条件的特征项，构成输入特征子集；
S4：选择基于径向基核函数的支持向量机作为变压器故障诊断分类器，以所述输入特征子集作为输入项，各样本对应故障类型作为输出；
S5：利用粒子群算法优化支持向量机的惩罚参数和径向基核函数参数，根据所述惩罚参数和所述径向基核函数参数得到最优参数组合；
S6：使用基于最优参数组合的支持向量机诊断模型确定待测样本故障类型。
2.根据权利要求1所述的基于粒子群支持向量机的变压器故障诊断方法，其特征在于，在步骤S1中，选择油中溶解气通用组份，包括氢气、甲烷、乙烷、乙烯和乙炔。
3.根据权利要求1所述的基于粒子群支持向量机的变压器故障诊断方法，其特征在于，在步骤S1中，对应于所述扩展特征集的故障类型包括：正常状态、局部放电、低能放电、高能放电、低温过热、中温过热和高温过热。
4.根据权利要求1所述的基于粒子群支持向量机的变压器故障诊断方法，其特征在于，在步骤S2还包括：
利用所述故障特征集构建故障样本集合,并规范化所述故障样本集合。
5.根据权利要求1所述的基于粒子群支持向量机的变压器故障诊断方法，其特征在于，在步骤S3中，通过计算样本类内距离、类内平均值、特征平均值、类间平均距离，计算差异性因子，构建距离评估因子，基于评估因子阈值，保留满足所述评估因子阈值要求的特征项，删除不满足要求的特征项，构成所述特征子集。
6.根据权利要求1所述的基于粒子群支持向量机的变压器故障诊断方法，其特征在于，在步骤S4中，利用基于径向基核函数的支持向量机，建立故障诊断模型；其中，所述故障诊断模型选择所述特征子集作为输入，而各油中溶解气样本对应故障类型作为输出。
7.根据权利要求6所述的基于粒子群支持向量机的变压器故障诊断方法，其特征在于，在步骤S5中，采用粒子群算法，对粒子群速度与位置的更新和适应值求解进行迭代，直至满足预设终止条件迭代停止，获得所述最优参数组合。
8.根据权利要求1所述的基于粒子群支持向量机的变压器故障诊断方法，其特征在于，在步骤S6中，依据所述最优参数组合建立支持向量机诊断模型，并分析待测油中溶解气故障样本，输出最终故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710386850.3A CN107065568B (zh) | 2017-05-26 | 2017-05-26 | 一种基于粒子群支持向量机的变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710386850.3A CN107065568B (zh) | 2017-05-26 | 2017-05-26 | 一种基于粒子群支持向量机的变压器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107065568A true CN107065568A (zh) | 2017-08-18 |
| CN107065568B CN107065568B (zh) | 2020-04-28 |
Family
ID=59610658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710386850.3A Active CN107065568B (zh) | 2017-05-26 | 2017-05-26 | 一种基于粒子群支持向量机的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107065568B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107576435A (zh) * | 2017-09-11 | 2018-01-12 | 山东大学 | 基于过程数据分析的拧紧工艺在线故障检测仪及其方法 |
| 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 |
| CN107907807A (zh) * | 2017-12-25 | 2018-04-13 | 国网湖北省电力公司信息通信公司 | 一种气体绝缘组合电器局部放电模式识别方法 |
| CN108398266A (zh) * | 2018-01-22 | 2018-08-14 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
| CN108681835A (zh) * | 2018-06-29 | 2018-10-19 | 广东工业大学 | 一种变压器绝缘油劣化状态评估方法 |
| 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 |
| CN110852017A (zh) * | 2019-10-08 | 2020-02-28 | 湖南省计量检测研究院 | 基于粒子群优化的支持向量机的氢燃料电池故障诊断方法 |
| CN112630564A (zh) * | 2020-12-07 | 2021-04-09 | 国网宁夏电力有限公司电力科学研究院 | 基于邻域粗糙集与ampos-elm的变压器dga故障诊断方法 |
| CN114019365A (zh) * | 2021-11-05 | 2022-02-08 | 国网河南省电力公司电力科学研究院 | 一种基于油中气体检测技术的有载分接开关故障诊断方法 |
| CN114372093A (zh) * | 2021-12-15 | 2022-04-19 | 南昌大学 | 一种变压器dga在线监测数据的处理方法 |
| CN114896883A (zh) * | 2022-05-13 | 2022-08-12 | 西安工程大学 | 一种基于mea-svm分类机的变压器故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102590688A (zh) * | 2012-03-13 | 2012-07-18 | 广州供电局有限公司 | 六氟化硫变压器运行工况评估方法 |
| US20130024131A1 (en) * | 2011-07-19 | 2013-01-24 | Arizona Public Service Company | Method and system for estimating transformer remaining life |
| CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
| CN106093612A (zh) * | 2016-05-26 | 2016-11-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器故障诊断方法 |
| CN106569056A (zh) * | 2016-10-21 | 2017-04-19 | 广州供电局有限公司 | 电力变压器的故障诊断方法及诊断装置 |
| CN106646158A (zh) * | 2016-12-08 | 2017-05-10 | 西安工程大学 | 基于多分类支持向量机变压器故障诊断提升方法 |
-
2017
- 2017-05-26 CN CN201710386850.3A patent/CN107065568B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024131A1 (en) * | 2011-07-19 | 2013-01-24 | Arizona Public Service Company | Method and system for estimating transformer remaining life |
| CN102590688A (zh) * | 2012-03-13 | 2012-07-18 | 广州供电局有限公司 | 六氟化硫变压器运行工况评估方法 |
| CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
| CN106093612A (zh) * | 2016-05-26 | 2016-11-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器故障诊断方法 |
| CN106569056A (zh) * | 2016-10-21 | 2017-04-19 | 广州供电局有限公司 | 电力变压器的故障诊断方法及诊断装置 |
| CN106646158A (zh) * | 2016-12-08 | 2017-05-10 | 西安工程大学 | 基于多分类支持向量机变压器故障诊断提升方法 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107576435B (zh) * | 2017-09-11 | 2019-08-23 | 山东大学 | 基于过程数据分析的拧紧工艺在线故障检测仪及其方法 |
| CN107576435A (zh) * | 2017-09-11 | 2018-01-12 | 山东大学 | 基于过程数据分析的拧紧工艺在线故障检测仪及其方法 |
| 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 |
| CN107907807A (zh) * | 2017-12-25 | 2018-04-13 | 国网湖北省电力公司信息通信公司 | 一种气体绝缘组合电器局部放电模式识别方法 |
| CN108398266A (zh) * | 2018-01-22 | 2018-08-14 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
| CN108398266B (zh) * | 2018-01-22 | 2020-06-23 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
| 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 |
| CN108681835A (zh) * | 2018-06-29 | 2018-10-19 | 广东工业大学 | 一种变压器绝缘油劣化状态评估方法 |
| CN110852017A (zh) * | 2019-10-08 | 2020-02-28 | 湖南省计量检测研究院 | 基于粒子群优化的支持向量机的氢燃料电池故障诊断方法 |
| CN112630564A (zh) * | 2020-12-07 | 2021-04-09 | 国网宁夏电力有限公司电力科学研究院 | 基于邻域粗糙集与ampos-elm的变压器dga故障诊断方法 |
| CN112630564B (zh) * | 2020-12-07 | 2023-02-28 | 国网宁夏电力有限公司电力科学研究院 | 基于邻域粗糙集与ampos-elm的变压器dga故障诊断方法 |
| CN114019365A (zh) * | 2021-11-05 | 2022-02-08 | 国网河南省电力公司电力科学研究院 | 一种基于油中气体检测技术的有载分接开关故障诊断方法 |
| CN114019365B (zh) * | 2021-11-05 | 2024-07-30 | 国网河南省电力公司电力科学研究院 | 一种基于油中气体检测技术的有载分接开关故障诊断方法 |
| CN114372093A (zh) * | 2021-12-15 | 2022-04-19 | 南昌大学 | 一种变压器dga在线监测数据的处理方法 |
| CN114896883A (zh) * | 2022-05-13 | 2022-08-12 | 西安工程大学 | 一种基于mea-svm分类机的变压器故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107065568B (zh) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107065568A (zh) | 一种基于粒子群支持向量机的变压器故障诊断方法 | |
| CN107656154B (zh) | 基于改进模糊c均值聚类算法的变压器故障诊断方法 | |
| CN110007652B (zh) | 一种水电机组劣化趋势区间预测方法与系统 | |
| Chakraborty et al. | Design of a material handling equipment selection model using analytic hierarchy process | |
| CN106569056B (zh) | 电力变压器的故障诊断方法及诊断装置 | |
| KR102707889B1 (ko) | 전지의 용량 측정 장치 및 방법, 및 상기 장치를 포함하는 전지 제어 시스템 | |
| CN106896219B (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
| CN107037306A (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
| US20020013664A1 (en) | Rotating equipment diagnostic system and adaptive controller | |
| CN109030790A (zh) | 一种电力变压器故障诊断方法和装置 | |
| CN109597307A (zh) | 一种基于隐马尔科夫模型的故障容错控制方法 | |
| CN106021858A (zh) | 一种表征室内空气环境质量的指标评价数据的计算方法 | |
| CN111832955B (zh) | 一种基于可靠度与多元统计的接触网状态评价方法 | |
| CN108268689A (zh) | 加热元件的状态诊断与评估方法及其应用 | |
| CN112084709B (zh) | 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法 | |
| CN116819377B (zh) | 电池组异常识别诊断方法和系统 | |
| CN109623814A (zh) | 一种机械臂控制方法 | |
| Trivedi et al. | Predictive maintenance of air conditioning systems using supervised machine learning | |
| CN104428727A (zh) | 用于通过监测涡轮机的性能来检测所述涡轮机的劣化的方法 | |
| CN109856530A (zh) | 一种有载分接开关在线监测故障诊断方法 | |
| CN117540285A (zh) | 基于能量熵和回归型支持向量机的轴承运行状态评估方法 | |
| CN109242093A (zh) | 一种基于模糊神经网络的电动汽车电机的可靠性评价方法 | |
| Zhou et al. | Novel probabilistic neural network models combined with dissolved gas analysis for fault diagnosis of oil-immersed power transformers | |
| Sharma et al. | Voltage stability assessment using artificial neural network | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231027 Address after: 510620, No. two, No. 2, Tianhe South Road, Guangzhou, Guangdong, Tianhe District Patentee after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Patentee after: TSINGHUA University Address before: Electric Power Testing and Research Institute, No. 38 Huangshi East Road, Baiyun District, Guangzhou City, Guangdong Province, 510620 Patentee before: GUANGZHOU POWER SUPPLY Co.,Ltd. Patentee before: TSINGHUA University |