CN107274112B - 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 PDF

Info

Publication number
CN107274112B
CN107274112B CN201710568370.9A CN201710568370A CN107274112B CN 107274112 B CN107274112 B CN 107274112B CN 201710568370 A CN201710568370 A CN 201710568370A CN 107274112 B CN107274112 B CN 107274112B
Authority
CN
China
Prior art keywords
groups
diagnosis
gas
gases
neural network
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.)
Active
Application number
CN201710568370.9A
Other languages
English (en)
Other versions
CN107274112A (zh
Inventor
许寅卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN201710568370.9A priority Critical patent/CN107274112B/zh
Publication of CN107274112A publication Critical patent/CN107274112A/zh
Application granted granted Critical
Publication of CN107274112B publication Critical patent/CN107274112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

改良油中溶解气体的诊断算法模型
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；
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；
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。
CN201710568370.9A 2017-07-07 2017-07-07 改良油中溶解气体的诊断算法模型 Active CN107274112B (zh)

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 CN107274112A (zh) 2017-10-20
CN107274112B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110879373B (zh) * 2019-12-12 2021-09-03 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
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

Citations (5)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
基于 D-S 证据理论信息融合的转辙机故障诊断方法研究;董海鹰等;《测试技术学报》;20131231;第27卷(第1期);第1-7页 *
基于改良三比值法的变压器故障模糊综合评判法;许寅卿等;《电力与能源》;20170430;第38卷(第2期);第132-135页 *

Also Published As

Publication number Publication date
CN107274112A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN105512474B (zh) 一种变压器状态监测数据的异常检测方法
CN114640173B (zh) 一种基于多特征量的变压器和发电机的预警模型
CN104569481B (zh) 瓦斯继电器油流流速采集系统和重瓦斯整定值校验方法
CN103713237B (zh) 一种电力系统输电线路短路故障诊断方法
CN103324992B (zh) 基于马尔可夫和熵权模糊综合评价的变压器风险预测方法
CN105719094A (zh) 一种输电设备状态评估方法
CN109284933B (zh) 一种基于数理统计的电子式互感器状态评估系统及方法
CN109724646A (zh) 一种配电网开关柜电缆接头监控方法、服务器及系统
CN103823433A (zh) 一种使用通讯过程分析实现继电保护设备在线监测的方法
CN103218695A (zh) 二次设备智能状态评估诊断系统及其方法
CN110287543B (zh) 一种继电保护装置寿命预测方法
CN103513125A (zh) 一种220kv级以上变压器一体化智能诊断系统及其方法
CN109100429A (zh) 一种组合预测残差修正的油中气体预测方法
CN116772944A (zh) 配气站的智能监控系统及其方法
CN107274112B (zh) 改良油中溶解气体的诊断算法模型
CN111551887A (zh) 一种多维度识别电压互感器计量性能在线监测平台
CN117148001A (zh) 一种基于人工智能的新能源汽车充电桩故障预测系统
CN106126875A (zh) 一种基于态势感知理论的变压器状态评估方法
CN113177646A (zh) 一种基于自适应边缘代理的配电设备在线监测方法及系统
CN115248402A (zh) 油浸变压器在线监测系统及方法
CN108681319A (zh) 一种基于传递函数的变压器绕组故障识别方法
CN109613372B (zh) 一种基于多元电网数据库的电网故障诊断方法
CN113987817A (zh) 一种用于水电厂发电设备的劣化分析方法
CN110750760B (zh) 一种基于态势感知和控制图的异常理论线损检测方法
CN115452031A (zh) 一种旋转编码开关生产用检测系统

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

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

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant