CN107122829A - 一种利用虚拟样本训练神经网络诊断变压器故障的方法 - Google Patents
一种利用虚拟样本训练神经网络诊断变压器故障的方法 Download PDFInfo
- Publication number
- CN107122829A CN107122829A CN201710455447.1A CN201710455447A CN107122829A CN 107122829 A CN107122829 A CN 107122829A CN 201710455447 A CN201710455447 A CN 201710455447A CN 107122829 A CN107122829 A CN 107122829A
- Authority
- CN
- China
- Prior art keywords
- sample
- fault
- neural network
- transformer
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000006872 improvement Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 abstract description 14
- 238000010276 construction Methods 0.000 abstract description 6
- 238000003491 array Methods 0.000 abstract description 2
- 238000013024 troubleshooting Methods 0.000 abstract 1
- 238000013021 overheating Methods 0.000 description 9
- 210000000746 body region Anatomy 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010891 electric arc Methods 0.000 description 4
- 206010020843 Hyperthermia Diseases 0.000 description 3
- 230000036031 hyperthermia Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种利用虚拟样本训练神经网络诊断变压器故障的方法，包括建立变压器各故障的特征区域、选择虚拟故障样本、添加实际故障样本、构造BP神经网络、训练BP神经网络、故障诊断步骤。本发明应用正交表构造分布均匀且能反应全部数据空间特征的虚拟样本构造训练样本集，并将实际工程中改良三比值法诊断错误的样本添加到样本集中，用此样本集对神经网络进行训练，避免了训练样本的分布不均匀性，使得训练好的神经网络泛化能力更强。
Description
技术领域
本发明涉及一种诊断变压器故障的方法，尤其涉及一种利用虚拟样本训练神经网络诊断变压器故障的方法，属于电力主设备故障诊断技术领域。
背景技术
电力变压器作为电力系统中最重要和最关键的电气设备之一，其运行的安全可靠性直接关系到电力系统的安全与稳定。为确保变压器的安全、经济运行，及时准确地诊断出变压器内部的潜伏性故障及其故障类型非常必要。
近年来，各国专家学者以及领域技术人员对变压器故障诊断问题进行了大量的研究工作，特别是采用神经网络技术诊断变压器故障的理论取得了很多卓有成效的研究成果。但变压器故障率相对较低，从实际工程中收集到的故障样本有限且样本在数据空间的分布极不均匀，而神经网络的泛化能力对训练样本的依赖性非常高，如果训练样本不能满足特征代表性和分布均匀性的要求将严重影响其故障诊断的准确率，因此，基于神经网络的变压器故障诊断相关研究大多停留在理论探讨范围，鲜有应用于工程实践当中。
虚拟样本是指在未知样本概率分布函数的情况下，利用所研究领域的先验知识，构造出一定数量的样本。油中溶解气体分析(Dissolved gas analysis，DGA)是对油浸式变压器进行故障诊断最方便、有效的手段之一。其中改良三比值法作为国标推荐的判断油浸式变压器故障类型的主要方法，在工程实践中有着广泛应用。该方法是在对大量故障样本进行统计分析后总结的经验，具有较高的故障诊断准确率，可以认为是规范化的领域专家知识。因此，利用该知识构造一定数量的虚拟样本训练神经网络可有效的解决神经网络训练样本集的构造问题。
发明内容
本发明要解决的技术问题是提供一种利用虚拟样本训练神经网络诊断变压器故障的方法。
为解决上述技术问题，本发明采用的技术方案是：
一种利用虚拟样本训练神经网络诊断变压器故障的方法，包括以下步骤：
步骤1：建立变压器各故障的特征区域：根据油中溶解气体的改良三比值法对变压器故障空间进行划分，得到各故障对应的特征区域；
步骤2：选择虚拟故障样本：在各故障的特征区域内按照正交表选取均匀分布的特征点作为训练样本集中的虚拟故障样本；
步骤3：添加实际故障样本：对实际故障样本采用改良三比值法进行诊断，将其中诊断错误的故障样本添加到所述训练样本集；
步骤4：构造BP神经网络：按照变压器故障空间的特征构造BP神经网络；
步骤5：训练BP神经网络：采用所述训练样本集对BP神经网络进行训练，并用实际故障样本检测所述BP神经网络的训练精度，并提高所述BP神经网络的训练精度；
步骤6：故障诊断：将待测样本输入到所述BP神经网络中进行故障诊断。
所述步骤1中，变压器故障模式分为：第一低温过热故障A1、第二低温过热故障A2、中温过热故障A3、高温过热故障A4、局部放电故障A5、电弧放电故障A6、电弧放电兼过热故障A7、低能放电故障A8、低能放电兼过热故障A9、第一未定义故障模式A10、第二未定义故障模式A11；第一低温过热故障指变压器的温度低于150℃；第二低温过热故障指变压器的温度介于150～300℃之间；中温过热故障指变压器的温度介于300～700℃之间；高温过热故障指变压器的温度高于700℃；第一未定义故障模式和第二未定义故障模式的编码分别为“000”和“010”；
以三组气体含量的比值为坐标轴建立变压器故障空间的，各比值的取值范围均为[0.01,10]；各变压器故障模式对应的特征区域为均长方体区域。
所述步骤1中的特征区域用平面S1-S6划分，平面S1-S6为：
所述步骤2中的虚拟故障样本由输入向量I和期望输出向量D组成，输入向量I＝(x,y,z)表示三组气体含量的比值，向量D＝(D1,D2,…,D11)表示变压器发生的故障模式，其取值为：
输入向量I＝(x,y,z)为：特征区域(1,1,1)、(1,2,2)、(1,3,3)、(2,1,2)、(2,2,3)、(2,3,1)、(3,1,3)、(3,2,1)、(3,3,2)特征点的实际坐标；1、2、3，分别为相应特征区域各方向上的最小值、中间值和最大值。
所述BP神经网络的网络层数为4，其中输入层节点3个，分别接收 这三组比值的输入；输出层11个节点，输出向量O＝(O1,O2,…,O11),分别代表A1～A11这11种故障类型的概率；隐层1由13个节点构成,隐层2由17个节点构成；网络各节点的转移函数选择logsig函数。
采用上述技术方案所取得的技术效果在于：
1、本发明根据改良三比值法的故障特征，应用正交表构造分布均匀且能反应全部数据空间特征的虚拟样本构造训练样本集，并将实际工程中改良三比值法诊断错误的样本添加到样本集中，用此样本集对神经网络进行训练，避免了训练样本的分布不均匀性，使得训练好的神经网络泛化能力更强。
2、本发明在没有实际故障样本的情况下，也可得到与改良三比值法相同的诊断结果和诊断精度。
3、本发明添加了从工程现场得到的故障样本后，训练样本集可以不断的得到修正，训练后的神经网络其故障诊断准确率能够进一步提高。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的流程图；
图2是本发明实施例1的特征区域的空间分布图；
图3是本发明实施例1的特征区域的空间划分图；
图4是本发明的实施例1的特征点分布图；
图5是本发明的实施例1的BP神经网络。
具体实施方式
实施例1：
参考图1-图5，本发明包括以下步骤：
步骤1：根据油中溶解气体的改良三比值法对变压器故障空间进行划分，得到各故障对应的特征区域；
如图2所示，根据改良三比值法的故障编码规则及故障类型判断规则，变压器故障模式分为：低温过热(低于150℃)、低温过热(150～300℃)、中温过热(300～700℃)、高温过热(高于700℃)、局部放电、电弧放电、电弧放电兼过热、低能放电、低能放电兼过热、未定义故障模式1(编码为“000”)和未定义故障模式2(编码为“010”)等11类，用A1，…，A11表示。以 三组气体含量的比值为坐标轴建立三维立体空间，则每一种故障模式对应三维空间中的一个长方体特征区域，当样本数据坐标处于某长方体特征区域内则被判断属于相对应的故障类型。根据三对比值和故障特征区域的分布特点，取10作为比值的上限，当比值超过10时取为10，取0.01作为比值的下限，当比值小于0.01时取为0.01，即各比值的取值范围是[0.01,10]。
步骤2：在各故障特征区域按照正交表选取均匀分布的特征点作为虚拟故障样本，由此得到训练样本集，具体步骤为：
①创建训练样本集R和测试样本集T存放样本数据。每一条样本数据包括两个向量：输入向量I和期望输出向量D，其中向量I＝(x,y,z)表示三组气体含量的比值，向量D＝(D1,D2,…,D11)表示变压器发生的故障模式，其取值为：
如D＝(0,0,0,1,0,0,0,0,0,0,0)表示发生A4(高温过热)故障。
②根据改良三比值法各故障类型的分布特点，用式(2)定义的六个平面对步骤S101中确定的三维空间进行细分，得到排列整齐的小长方体区域，如图3所示；
③选取一个小长方体区域，该区域内的所有数据都对应同一种故障模式。例如图3标识的小长方体区域，其对应的故障模式为A4，其坐标范围是{0.01≤x≤0.1,1≤y≤10,3≤z≤10}。在三个坐标方向上分别确定3个水平，编号为：1、2、3，分别对应每个方向上的最小值、中间值和最大值；
④使用L9(34)正交表(表2)，任选三列分别对应x、y、z三个坐标方向，然后可以确定小长方体区域上的9个特征点。如图4所示，选择1、2、3列后得到：(1,1,1)、(1,2,2)、(1,3,3)、(2,1,2)、(2,2,3)、(2,3,1)、(3,1,3)、(3,2,1)、(3,3,2)9个点作为特征点；
⑤取9个特征点处的实际坐标和该小长方体区域对应的故障模式构成9对样本数据添加到训练样本集R中，其中由实际坐标构成输入向量I，由对应的故障模式构成期望输出向量D。在两类故障分类界面上的特征点，其坐标应根据数据精度要求取偏向该故障特征区域的值。例如数据精度为0.001时，9个样本数据如表1所示；
⑥重复步骤③～步骤⑤，将所有故障特征区域的特征点样本都添加到训练样本集R中，这样得到包含有243个样本数据的训练样本集R。
步骤3：对工程实践中收集到的实际故障样本采用改良三比值法进行诊断，将其中诊断错误的故障样本添加到训练集中；
从实际工程中收集变压器故障样本，首先将其添加到测试样本集T中，然后应用改良三比值法对该样本进行诊断，如果诊断正确，则说明该样本的特征已经可以被训练集表达；否则，说明该故障样本的特征不能被改良三比值法正确诊断，则也将此样本按照相同的格式添加到训练集R中。
步骤4：按照变压器故障诊断的特征，构造BP神经网络；
设计BP神经网络结构，根据训练样本的数量及变压器故障诊断问题的特点，设计网络层数为4，其中输入层节点3个，分别接收这三组比值的输入；输出层11个节点，输出为向量Y＝(Y1,Y2,…,Y11),分别代表A1～A11这11种故障类型的计算输出；隐层1由13个节点构成，隐层2由17个节点构成。网络各节点的转移函数选择logsig函数。网络结构如图5所示。
步骤5：采用上述的训练样本集对BP神经网络进行训练，并用实际故障样本对神经网络进行检测提高训练精度，具体步骤为：
①设定神经网络的训练精度为0.0001，使用训练样本集R对设计好的BP神经网络进行训练，得到满足精度要求的神经网络模型N。
②在步骤S101确定的三维空间中均匀地随机选取100个坐标点，并按照三比值法计算该样本的故障类型，然后构成样本数据对添加到测试样本集T中。例如：随机样本I＝(1.67,0.74,3.82),对应的期望输出向量I＝(0,0,0,0,0,1,0,0,0,0,0)；
③使用测试样本集T对神经网络模型N进行测试，检查网络的性能。测试方法为：从测试样本集T中取出一条样本数据，将其输入向量I输入到神经网络模型N中，计算神经网络的输出向量Y，并根据式(3)得到j*，即是神经网络判断的故障模式，将这一结果与期望输出(实际故障)比较，如果二者不一致，说明神经网络训练效果没有达到预期目标，则返回到步骤②重新训练；否则，继续取下一条样本数据，直到所有的样本数据都能够正确诊断为止。
步骤6：将待测样本输入到训练好的神经网络中进行故障诊断。
将待测样本输入训练好的神经网络N中，计算神经网络的输出向量O，根据式(3)判断变压器发生的故障类型为例如：现有油气监测数据H2＝40.1、CH4＝34.4、C2H6＝7.8、C2H4＝36、C2H2＝6.6，计算三组比值为 将向量I＝(0.183,0.858,4.615)输入神经网络N，计算输出向量为O＝(0.001,0.0022,0.0022,0.0033,0.0022,0.9997,0.004,0.0002,0,0,0)，由此可以诊断变压器存在A6(电弧放电)故障。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
表1
表2
Claims (3)
1.一种利用虚拟样本训练神经网络诊断变压器故障的方法，其特征在于：包括以下步骤：
步骤1：建立变压器各故障的特征区域：根据油中溶解气体的改良三比值法对变压器故障空间进行划分，得到各故障对应的特征区域；
步骤2：选择虚拟故障样本：在各故障的特征区域内按照正交表选取均匀分布的特征点作为训练样本集中的虚拟故障样本；
步骤3：添加实际故障样本：对实际故障样本采用改良三比值法进行诊断，将其中诊断错误的故障样本添加到所述训练样本集；
步骤4：构造BP神经网络：按照变压器故障空间的特征构造BP神经网络；
步骤5：训练BP神经网络：采用所述训练样本集对BP神经网络进行训练，并用实际故障样本检测所述BP神经网络的训练精度，并提高所述BP神经网络的训练精度；
步骤6：故障诊断：将待测样本输入到所述BP神经网络中进行故障诊断。
2.根据权利要求1所述的，其特征在于：所述步骤1中的特征区域用平面S1-S6划分，平面S1-S6为：
所述步骤2中的虚拟故障样本由输入向量I和期望输出向量D组成，输入向量I＝(x,y,z)表示三组气体含量的比值，向量D＝(D1,D2,…,D11)表示变压器发生的故障模式，其取值为：
输入向量I＝(x,y,z)为：特征区域(1,1,1)、(1,2,2)、(1,3,3)、(2,1,2)、(2,2,3)、(2,3,1)、(3,1,3)、(3,2,1)、(3,3,2)特征点的实际坐标；1、2、3，分别为相应特征区域对各方向上的最小值、中间值和最大值。
3.根据权利要求1所述的，其特征在于：所述BP神经网络的网络层数为4，其中输入层节点3个，分别接收 这三组比值的输入；输出层11个节点，输出向量O＝(O1,O2,…,O11),分别代表A1～A11这11种故障类型的概率；隐层1由13个节点构成,隐层2由17个节点构成；网络各节点的转移函数选择logsig函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710455447.1A CN107122829B (zh) | 2017-06-16 | 2017-06-16 | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710455447.1A CN107122829B (zh) | 2017-06-16 | 2017-06-16 | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107122829A true CN107122829A (zh) | 2017-09-01 |
| CN107122829B CN107122829B (zh) | 2020-09-01 |
Family
ID=59718362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710455447.1A Expired - Fee Related CN107122829B (zh) | 2017-06-16 | 2017-06-16 | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107122829B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110321603B (zh) * | 2019-06-18 | 2021-02-23 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
| CN112858917A (zh) * | 2021-01-15 | 2021-05-28 | 哈尔滨工业大学（威海） | 基于遗传算法优化神经网络的电池系统多故障诊断方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102564496A (zh) * | 2012-01-09 | 2012-07-11 | 云南电力试验研究院（集团）有限公司电力研究院 | 基于bp神经网络和人工鱼群的变电设备微观分析方法 |
| CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
| CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
| CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
| KR20130088444A (ko) * | 2012-01-31 | 2013-08-08 | 아주대학교산학협력단 | 계통 연계형 전력변환장치의 직류단 전압 센서 고장 진단 및 고장 허용 제어 장치 및 그 방법 |
| CN103268516A (zh) * | 2013-04-16 | 2013-08-28 | 郑州航空工业管理学院 | 一种基于神经网络的变压器故障诊断方法 |
| CN104198840A (zh) * | 2014-08-07 | 2014-12-10 | 华北电力大学（保定） | 一种应用b样条理论改进的变压器三比值故障诊断方法 |
| CN104598968A (zh) * | 2014-10-13 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 变压器故障诊断方法 |
| CN104931807A (zh) * | 2014-04-25 | 2015-09-23 | 许继电气股份有限公司 | 一种基于可视化模型的变压器故障检测方法 |
| CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
| CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
-
2017
- 2017-06-16 CN CN201710455447.1A patent/CN107122829B/zh not_active Expired - Fee Related
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102564496A (zh) * | 2012-01-09 | 2012-07-11 | 云南电力试验研究院（集团）有限公司电力研究院 | 基于bp神经网络和人工鱼群的变电设备微观分析方法 |
| KR20130088444A (ko) * | 2012-01-31 | 2013-08-08 | 아주대학교산학협력단 | 계통 연계형 전력변환장치의 직류단 전압 센서 고장 진단 및 고장 허용 제어 장치 및 그 방법 |
| CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
| CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
| CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
| CN103268516A (zh) * | 2013-04-16 | 2013-08-28 | 郑州航空工业管理学院 | 一种基于神经网络的变压器故障诊断方法 |
| CN104931807A (zh) * | 2014-04-25 | 2015-09-23 | 许继电气股份有限公司 | 一种基于可视化模型的变压器故障检测方法 |
| CN104198840A (zh) * | 2014-08-07 | 2014-12-10 | 华北电力大学（保定） | 一种应用b样条理论改进的变压器三比值故障诊断方法 |
| CN104598968A (zh) * | 2014-10-13 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 变压器故障诊断方法 |
| CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
| CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| P.V. RANJAN等: "Virtual instrumentation and its application in diagnosis of faults in power transformers", 《2000 TENCON PROCEEDINGS. INTELLIGENT SYSTEMS AND TECHNOLOGIES FOR THE NEW MILLENNIUM (CAT. NO.00CH37119)》 * |
| 周毅: "神经网络中的正交设计法研究", 《南京大学学报（自然科学）》 * |
| 孙虎儿 著: "《基于神经网络的优化设计及应用》", 31 May 2009, 北京：国防工业出版社 * |
| 张卫华 等: "基于改良三比值法的变压器故障基本信度分配计算方法", 《电力系统保护与控制》 * |
| 张卫华 等: "应用 B 样条理论改进的变压器三比值故障诊断方法", 《中国电机工程学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110321603B (zh) * | 2019-06-18 | 2021-02-23 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
| CN112858917A (zh) * | 2021-01-15 | 2021-05-28 | 哈尔滨工业大学（威海） | 基于遗传算法优化神经网络的电池系统多故障诊断方法 |
| CN112858917B (zh) * | 2021-01-15 | 2022-04-08 | 哈尔滨工业大学（威海） | 基于遗传算法优化神经网络的电池系统多故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107122829B (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN103207950B (zh) | 一种基于rbf神经网络的变压器故障诊断的智能方法 | |
| CN107194465A (zh) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 | |
| CN104572462B (zh) | 一种基于自适应随机策略的蜕变测试用例生成方法 | |
| CN105911975A (zh) | 一种航空发动机气路故障融合诊断方法 | |
| CN106447210B (zh) | 一种计及可信度评价的配网设备健康度动态诊断方法 | |
| CN106291233B (zh) | 一种基于卷积神经网络的故障选相方法 | |
| Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
| CN108414896B (zh) | 一种电网故障诊断方法 | |
| CN107632590B (zh) | 一种基于优先级的底事件排序方法 | |
| CN109490726A (zh) | 基于云理论的电力变压器绝缘状态评估方法 | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| CN106596900A (zh) | 一种基于改进图的半监督分类的变压器故障诊断方法 | |
| CN102662831B (zh) | 一种容错系统诊断策略优化方法 | |
| CN107122829A (zh) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 | |
| Wang et al. | A minimum hitting set algorithm with prejudging mechanism for model-based fault diagnosis in distribution networks | |
| CN104020401A (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
| CN108629491A (zh) | 一种换流变检修质量综合评估方法 | |
| CN106779269A (zh) | 基于变异系数法的智能变电站二次系统可靠性评估方法 | |
| CN105510729A (zh) | 一种变压器过热故障诊断方法 | |
| CN105117847A (zh) | 一种变压器故障重要度的评估方法 | |
| CN109711686A (zh) | 基于多目标决策层次分析法的电压暂降严重度评估方法 | |
| Asprou et al. | Optimal PMU placement for improving hybrid state estimator accuracy | |
| CN105242129B (zh) | 一种变压器绕组故障概率确定方法 | |
| CN112710923B (zh) | 基于故障后稳态信息的数据驱动单相接地故障选线方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200901 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |