CN107274112A - 改良油中溶解气体的诊断算法模型 - Google Patents
改良油中溶解气体的诊断算法模型 Download PDFInfo
- Publication number
- CN107274112A CN107274112A CN201710568370.9A CN201710568370A CN107274112A CN 107274112 A CN107274112 A CN 107274112A CN 201710568370 A CN201710568370 A CN 201710568370A CN 107274112 A CN107274112 A CN 107274112A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- algorithm model
- dissolved gas
- oil dissolved
- gas
- 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 42
- 230000007257 malfunction Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000001537 neural effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 17
- 239000007789 gas Substances 0.000 description 32
- 239000000203 mixture Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012216 screening 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
- 238000009413 insulation Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000009666 routine test Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种改良油中溶解气体的诊断算法模型,涉及电力变压器内部故障诊断领域,该改良油中溶解气体的诊断算法模型可以提高故障诊断的正确率,减少变压器停电的次数,减轻人力劳动量。该改良油中溶解气体的诊断算法模型有效避免改良三比值法中存在故障编码缺失和在故障编码边界存在模糊性的问题。
Description
技术领域
本发明涉及电力变压器内部故障诊断领域,具体来说涉及一种改良油中溶解气体的诊断算法模型。
背景技术
电力变压器内部故障点周围的油绝缘和固体绝缘都会因为电性或热性故障引起绝缘材料分解从而产生不同类型的特征气体,这些气体包括:H2、CH4、C2H4、C2H2、C2H6、CO、CO2等,这些气体大部分可以溶解于绝缘油中。在我国使用的DL/T722-2000《变压器油中溶解气体分析和判断导则》归纳了多种类型的故障所产生的特征气体。油中溶解气体分析法(DGA)的数据采样可以做到无需停电、成本低廉、受电磁环境的干扰影响小、技术相对成熟和数据精度高等优点,同时又符合国家电网当下倡导推行的状态检修,并且又可以实现在线监测电力变压器到的状态,目前被普遍的应用于油浸式电力变压器的定期试验检查、在线监测与故障诊断中。现有的改良三比值诊断算法存在故障编码缺失和在故障编码边界存在模糊性。
发明内容
本发明所要解决的技术问题是提供一种改良油中溶解气体的诊断算法模型,能有效避免改良三比值法中存在故障编码缺失和在故障编码边界存在模糊性的问题。
为实现上述目的,本发明提供以下的技术方案:该改良油中溶解气体的诊断算法模型包括如下三部分:
(1)第一部分:通过在线监测传感器采集特征气体进行筛选,选出符合故障诊断要求的参数;
(2)第二部分:通过两个互补的数学诊断模型(模糊综合评判法和RBF神经网络法)计算出一组初步诊断的结果参数;
(3)第三部分:将先前初步诊断的结果参数归一化后乘以可靠系数再配上不确定因素形成一组故障概率分配(MASS函数),再将两组故障概率分配通过D-S证据理论融合形成全新的故障概率分配,通过最大隶属度法确认故障种类。
采用以上技术方案的有益效果是:该改良油中溶解气体的诊断算法模型可以提高故障诊断的正确率,减少变压器停电的次数,减轻人力劳动量。该改良油中溶解气体的诊断算法模型有效避免改良三比值法中存在故障编码缺失和在故障编码边界存在模糊性的问题。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的描述。
图1是本发明改良油中溶解气体的诊断算法模型的结构图。
图2是诊断算法模型中的数据筛选模块的结构图。
图3是RBF神经网络与模糊综合评判组成初步诊断模块的结构图。
图4是MASS函数计算与证据合成诊断模块的结构图。
图5是故障诊断模型诊断结果的故障类型图。
具体实施方式
下面结合附图详细说明本发明改良油中溶解气体的诊断算法模型的优选实施方式。
图1出示本发明改良油中溶解气体的诊断算法模型的具体实施方式:
该改良油中溶解气体的诊断算法模型包括如下三部分:
(1)第一部分:通过在线监测传感器采集特征气体进行筛选,选出符合故障诊断要求的参数;
(2)第二部分:通过两个互补的数学诊断模型(模糊综合评判法和RBF神经网络法)计算出一组初步诊断的结果参数;
(3)第三部分:将先前初步诊断的结果参数归一化后乘以可靠系数再配上不确定因素形成一组故障概率分配(MASS函数),再将两组故障概率分配通过D-S证据理论融合形成全新的故障概率分配,通过最大隶属度法确认故障种类。
如图1所示,多种理论融合系统主要有3大模块组成:参数筛选模块,RBF神经网络与模糊综合评判组成初步诊断模块,MASS函数计算与证据合成诊断模块。
首先由数据筛选模块筛选出不合格的气体参数,然后将这些气体参数送入RBF神经网络与模糊综合评判初步诊断模块进行初步诊断,其输出的结果经过MASS函数计算模块计算出MASS函数值,最后经过证据合成诊断模块将初步诊断的结果经过D-S合成法则进行数据整合得到电力变压器故障诊断结论。具体各个模块处理细节如下:
1、据筛选模块
如图2所示基于改良三比值法和特征气体法,变压器在线监测装置需要采集五组气体浓度,分别为H2、CH4、C2H4、C2H2、C2H6。当被测气体浓度或者产气速率(相对或者绝对的产气速率)达到注意值后,此时这一组五种气体的浓度将作为输入量传入RBF神经网络与模糊综合评判初步诊断模块。特别注意的是变压器在线监测装置实时监测变压器油中的数据,其数值会根据变压器运行状态的变化而改变。当数据波动在正常范围内不上报数据,只有数据波动超过正常值(特征气体注意值)时或者某个气体产气速率超过正常值时上报数据。
2、初步诊断模块
如图3所示一组超过注意值的五种气体的浓度将作为输入量传入RBF神经网络与模糊综合评判初步诊断模块。其中模糊综合评判法是将五个气体按照改良三比值法算出三组比值后将其模糊化,计算得出权重向量后带入公式B=AοR计算出结果。RBF神经网络将五组气体分别占五组总气体含量百分比作为输入,使得五组输入都在区间(0,1)中,并通过神经网络计算得出结果。两个数学模型计算得结果都是一组5个数字,故障定性如图5。
3、MASS函数计算与证据合成诊断模块
如图4将先前初步诊断的结果参数归一化后乘以可靠系数(模糊综合评判0.85,RBF神经网络0.87),再配上不确定度(模糊综合评判0.15,RBF神经网络0.13)形成两个故障概率分配(MASS函数),再将MASS(1)函数与MASS(2)函数通过D-S证据理论合成规则融合成全新的故障概率分配(MASS函数),最后通过最大隶属度法确认故障种类,故障定性见图5.。
以上的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (1)
1.一种改良油中溶解气体的诊断算法模型,其特征在于:所述改良油中溶解气体的诊断算法模型包括如下三部分:
(1)第一部分:通过在线监测传感器采集特征气体进行筛选,选出符合故障诊断要求的参数;
(2)第二部分:通过两个互补的数学诊断模型(模糊综合评判法和RBF神经网络法)计算出一组初步诊断的结果参数;
(3)第三部分:将先前初步诊断的结果参数归一化后乘以可靠系数再配上不确定因素形成一组故障概率分配(MASS函数),再将两组故障概率分配通过D-S证据理论融合形成全新的故障概率分配,通过最大隶属度法确认故障种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710568370.9A CN107274112B (zh) | 2017-07-07 | 2017-07-07 | 改良油中溶解气体的诊断算法模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710568370.9A CN107274112B (zh) | 2017-07-07 | 2017-07-07 | 改良油中溶解气体的诊断算法模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274112A true CN107274112A (zh) | 2017-10-20 |
CN107274112B CN107274112B (zh) | 2021-11-26 |
Family
ID=60071799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710568370.9A Active CN107274112B (zh) | 2017-07-07 | 2017-07-07 | 改良油中溶解气体的诊断算法模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274112B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
CN114252110A (zh) * | 2022-03-02 | 2022-03-29 | 山东和兑智能科技有限公司 | 变电设备智能评估系统与评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928231A (zh) * | 2012-11-13 | 2013-02-13 | 上海电力学院 | 一种基于d-s证据理论的设备故障诊断方法 |
CN103207950A (zh) * | 2013-04-16 | 2013-07-17 | 郑州航空工业管理学院 | 一种基于rbf神经网络的变压器故障诊断的智能方法 |
CN103577707A (zh) * | 2013-11-15 | 2014-02-12 | 上海交通大学 | 一种利用多模式融合推理的机器人故障诊断方法 |
CN104457903A (zh) * | 2014-12-31 | 2015-03-25 | 上海电力学院 | 一种锅炉汽包水位保护方法 |
CN105427200A (zh) * | 2015-11-05 | 2016-03-23 | 上海电力学院 | 一种基于模糊理论与数据融合的电厂故障诊断方法 |
-
2017
- 2017-07-07 CN CN201710568370.9A patent/CN107274112B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928231A (zh) * | 2012-11-13 | 2013-02-13 | 上海电力学院 | 一种基于d-s证据理论的设备故障诊断方法 |
CN103207950A (zh) * | 2013-04-16 | 2013-07-17 | 郑州航空工业管理学院 | 一种基于rbf神经网络的变压器故障诊断的智能方法 |
CN103577707A (zh) * | 2013-11-15 | 2014-02-12 | 上海交通大学 | 一种利用多模式融合推理的机器人故障诊断方法 |
CN104457903A (zh) * | 2014-12-31 | 2015-03-25 | 上海电力学院 | 一种锅炉汽包水位保护方法 |
CN105427200A (zh) * | 2015-11-05 | 2016-03-23 | 上海电力学院 | 一种基于模糊理论与数据融合的电厂故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
董海鹰等: "基于 D-S 证据理论信息融合的转辙机故障诊断方法研究", 《测试技术学报》 * |
许寅卿等: "基于改良三比值法的变压器故障模糊综合评判法", 《电力与能源》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
CN114252110A (zh) * | 2022-03-02 | 2022-03-29 | 山东和兑智能科技有限公司 | 变电设备智能评估系统与评估方法 |
CN114252110B (zh) * | 2022-03-02 | 2022-12-06 | 山东和兑智能科技有限公司 | 变电设备智能评估系统与评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107274112B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103901882B (zh) | 一种列车动力系统在线监控故障诊断的系统及其方法 | |
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 | |
CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
CN103761684A (zh) | 一种输电电缆整体状态的综合评估方法及系统 | |
CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN103207950A (zh) | 一种基于rbf神经网络的变压器故障诊断的智能方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN112966990B (zh) | 一种变电设备综合状态评价方法 | |
Erginel | Fuzzy rule-based $\tilde p $ and $ n\tilde p $ control charts | |
CN104504238A (zh) | 一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法 | |
CN111126489A (zh) | 一种基于集成学习的输电设备状态评价方法 | |
CN106932200A (zh) | 滚动轴承故障的高斯过程多特征智能诊断方法 | |
CN112187528A (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
CN107274112A (zh) | 改良油中溶解气体的诊断算法模型 | |
CN106126875A (zh) | 一种基于态势感知理论的变压器状态评估方法 | |
CN104142680A (zh) | 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法 | |
CN104101795A (zh) | 一种变压器故障控制方法 | |
CN106770861B (zh) | 油浸式变压器在线监控数据可用性的评价方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN107843788A (zh) | 一种利用特征气体进行油浸变压器的故障诊断方法 | |
CN109215821A (zh) | 核电站蒸发器主给水流量冗余测量通道比较方法及系统 | |
CN106647274A (zh) | 一种连续生产过程中运行工况稳态判别方法 | |
Zhou et al. | A transformer fault diagnosis method based on grey relational analysis and integrated weight determination |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211013 Address after: 1122 Yuanshen Road, Pudong New Area, Shanghai, 200122 Applicant after: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co. Address before: 201906 room 1402, No. 75, Lane 2233, Qilianshan Road, Baoshan District, Shanghai Applicant before: Xu Yinqing |
|
GR01 | Patent grant | ||
GR01 | Patent grant |