CN108021945A - 一种变压器状态评价模型建立方法及装置 - Google Patents

一种变压器状态评价模型建立方法及装置 Download PDF

Info

Publication number
CN108021945A
CN108021945A CN201711283991.9A CN201711283991A CN108021945A CN 108021945 A CN108021945 A CN 108021945A CN 201711283991 A CN201711283991 A CN 201711283991A CN 108021945 A CN108021945 A CN 108021945A
Authority
CN
China
Prior art keywords
transformer
transformer state
state evaluation
evaluation model
data
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
Application number
CN201711283991.9A
Other languages
English (en)
Inventor
杜双育
易潇然
吴昊
叶海峰
鄂盛龙
罗颖婷
林春耀
杨强
陈扬
周恩泽
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.)
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangdong Power Grid 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 Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority to CN201711283991.9A priority Critical patent/CN108021945A/zh
Publication of CN108021945A publication Critical patent/CN108021945A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种变压器状态评价模型建立方法及装置，该方法包括：根据获取到的变压器状态数据通过相关向量机建立各种变压器典型故障风险模型；通过贝叶斯网络将各种所述变压器典型故障风险模型关联，建立变压器状态评价模型，再进行迭代直至建立若干个变压器状态评价模型，并获取到与各个所述变压器状态评价模型对应的权重和参数；通过AdaBoost算法将各个所述变压器状态评价模型对应的权重和各个所述变压器状态评价模型对应的参数进行线性组合，建立目标变压器状态评价模型。本发明通过相关向量机、贝叶斯网络和AdaBoost算法建立出用于对变压器状态进行评价的模型，该模型能够针对变压器的多种特征信息，对不同变压器信息条件下的状态进行精准的评价。

Description

一种变压器状态评价模型建立方法及装置
技术领域
本发明涉及变压器状态评价领域，尤其涉及一种变压器状态评价模型建立方法及装置。
背景技术
对变压器进行状态评价是指结合变压器的各类试验数据(出厂试验数据、交接试验数据、历年预试数据)、历年在线监测数据等，采用一定的方法(人工智能、数据挖掘等)对这些数据及其变化趋势进行科学的分析，在需要的情况下也可以考虑变压器的家族缺陷数据、运行环境数据等非试验数据的影响，来综合判断变压器的整体运行状态情况。
目前针对变压器状态的评价方法主要分为四类：状态量评分法、经验公式法、部分特征量判别法和基于人工智能与数据挖掘技术的评价方法。目前技术下的变压器状态评价模型建立方法都具有非常明显的优缺点：状态量评分法简单易执行，但主观性太大，阈值也无法反应量值的变化趋势；经验公式法计算简单，但公式适用性和计算准确度难以保证；部分特征量判别法准确性较高，但只能局部反映设备运行状态，不够系统；人工智能与数据挖掘技术较系统，但在数据现状不完全支撑的前提下准确性无法保证，且由于研究的时间不长，也没有经过实际的检验，还需要长期的讨论与验证。
于是，目前的变压器状态评价技术方案整体上缺少精确性、系统性的支撑信息，较难有效指导设备风险防范和治理工作。具体地，由于变压器设备数据整合体系尚未完全成熟，缺乏多维度、立体化的设备指标体系，无法对变压器深层次状态特征、缺陷故障规律、重要性级别、综合贡献度等信息进行精准、系统地描述，导致状态评价预警分析、差异化运维决策时，较难根据设备的差异化特征识别关键需求、定位工作方向、采取针对性措施。
目前尚无系统实现变压器设备全貌特征的有效集成管理，无法通过多源数据自动挖掘提炼出对决策更加直接的变压器隐性特征信息，对不同变压器信息条件下的状态无法自动推送合理评价。
发明内容
本发明实施例提供了一种变压器状态评价模型建立方法及装置，解决了目前尚无系统实现变压器设备全貌特征的有效集成管理，无法通过多源数据自动挖掘提炼出对决策更加直接的变压器隐性特征信息，对不同变压器信息条件下的状态无法自动推送合理评价的技术问题。
本发明实施例提供了一种变压器状态评价模型建立方法，包括：
S1：根据获取到的变压器状态数据通过相关向量机建立各种变压器典型故障风险模型；
S2：通过贝叶斯网络将各种所述变压器典型故障风险模型关联，建立变压器状态评价模型，再进行迭代直至建立若干个变压器状态评价模型，并获取到与各个所述变压器状态评价模型对应的权重和参数；
S3：通过AdaBoost算法将各个所述变压器状态评价模型对应的权重和各个所述变压器状态评价模型对应的参数进行线性组合，建立目标变压器状态评价模型。
优选地，步骤S1具体包括：
S11：获取到变压器预设指标和变压器状态数据，根据所述变压器预设指标对所述变压器状态数据进行数据清洗，得到清洗后的变压器状态数据；
S12：按照预置顺序对清洗后的所述变压器状态数据进行标准化、过滤、去重和降维处理后，得到建模数据；
S13：根据建模数据通过相关向量机建立各种变压器典型故障风险模型。
优选地，所述预置顺序为随机顺序。
优选地，所述贝叶斯网络为使用TAN网络分类器的贝叶斯网络。
优选地，所述参数为条件互信息阈值和起始边。
优选地，本发明实施例还提供了一种变压器状态评价模型建立装置，包括：
第一建立单元，用于根据获取到的变压器状态数据通过相关向量机建立各种变压器典型故障风险模型；
第二建立单元，用于通过贝叶斯网络将各种所述变压器典型故障风险模型关联，建立变压器状态评价模型，再进行迭代直至建立若干个变压器状态评价模型，并获取到与各个所述变压器状态评价模型对应的权重和参数；
第三建立单元，用于通过AdaBoost算法将各个所述变压器状态评价模型对应的权重和各个所述变压器状态评价模型对应的参数进行线性组合，建立目标变压器状态评价模型。
优选地，第一建立单元具体包括：
清洗子单元，用于获取到变压器预设指标和变压器状态数据，根据所述变压器预设指标对所述变压器状态数据进行数据清洗，得到清洗后的变压器状态数据；
处理子单元，用于按照预置顺序对清洗后的所述变压器状态数据进行标准化、过滤、去重和降维处理后，得到建模数据；
建立子单元，用于根据建模数据通过相关向量机建立各种变压器典型故障风险模型。
优选地，所述预置顺序为随机顺序。
优选地，所述贝叶斯网络为使用TAN网络分类器的贝叶斯网络。
优选地，所述参数为条件互信息阈值和起始边。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例提供了一种变压器状态评价模型建立方法及装置，其中，该方法包括：S1：根据获取到的变压器状态数据通过相关向量机建立各种变压器典型故障风险模型；S2：通过贝叶斯网络将各种所述变压器典型故障风险模型关联，建立变压器状态评价模型，再进行迭代直至建立若干个变压器状态评价模型，并获取到与各个所述变压器状态评价模型对应的权重和参数；S3：通过AdaBoost算法将各个所述变压器状态评价模型对应的权重和各个所述变压器状态评价模型对应的参数进行线性组合，建立目标变压器状态评价模型。本发明通过相关向量机、贝叶斯网络和AdaBoost算法建立出用于对变压器状态进行评价的模型，该模型能够针对变压器的多种特征信息，对不同变压器信息条件下的状态进行精准、合理的评价。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种变压器状态评价模型建立方法的一个实施例的流程示意图；
图2为本发明实施例提供的一种变压器状态评价模型建立装置的一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种变压器状态评价模型建立方法及装置，解决了目前尚无系统实现变压器设备全貌特征的有效集成管理，无法通过多源数据自动挖掘提炼出对决策更加直接的变压器隐性特征信息，对不同变压器信息条件下的状态无法自动推送合理评价的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提供的一种变压器状态评价模型建立方法的一个实施例，包括：
101、获取到变压器预设指标和变压器状态数据，根据变压器预设指标对变压器状态数据进行数据清洗，得到清洗后的变压器状态数据；
在本实施例中，步骤101主要是进行变压器的业务分析和数据预处理。
分析变压器典型故障风险模型解决的问题背景和需要输出，可得到的变压器预设指标，如变压器的实验信息和出厂信息等，在获取到大量的变压器状态数据后，可将该数据生成数据宽表，再根据变压器预设指标对数据宽表进行数据清洗，得到有效的且可用于建模的变压器状态数据。可以理解的是，这些有效的且可用于建模的变压器状态数据与变压器典型故障风险模型的特征状态量相对应。
102、按照预置顺序对清洗后的变压器状态数据进行标准化、过滤、去重和降维处理后，得到建模数据；
步骤102主要是对步骤101中得到的数据进行数据分析。即按照预置顺序对数据进行数据分析，主要分为四个过程：进行标准化(a)、过滤(b)、去重(c)和降维(d)处理，执行完这四个过程后得到建模数据。
标准化(a)的具体过程为：将变压器状态数据中非标准的部分按照预设的标准数据格式进行标准化，如变压器的出厂时间，可以将其转化为建模需要的特征状态量，即变压器运行时间。
过滤(b)的具体过程为：通过差异分析将变压器状态数据进行过滤。如有多种类型的数据用于构建某一种变压器典型故障风险模型D，数据有A，B，C三种类型，此过程在分析三种类型数据与目标变压器典型故障风险之间的差异，如A类型对D故障有影响，B类型对D故障无影响，可以将B类型的数据剔除，以提交数据的有效性。
去重(c)的具体过程为：通过相关性分析将变压器状态数据进行去重。有多种类型的数据用于构建某一种变压器典型故障风险模型D，数据有A1、A2、B、C四种类型，此过程分析A1和A2两种数据相关性较强，属于类型重叠，故可将A1或A2剔除一种，进一步提高数据的有效性。
降维处理(d)的具体过程为：将变压器状态数据进行降维处理。需要说明的是，降维处理的的降维依据为相关性分析。
需要说明的是，预置顺序为随机顺序。即标准化、过滤、去重和降维处理这四个过程的先后顺序为随机，如abcd或badc或cdba等等，此处不做具体限定。
103、根据建模数据通过相关向量机建立各种变压器典型故障风险模型；
需要说明的是，各种变压器典型故障风险模型指各种变压典型故障的风险模型，即为各种故障发生的概率，变压器典型故障可为机械故障、泄露故障、放电故障等等。
104、通过贝叶斯网络将各种变压器典型故障风险模型关联，建立变压器状态评价模型，再进行迭代直至建立若干个变压器状态评价模型，并获取到与各个变压器状态评价模型对应的权重和参数；
需要说明的是，步骤104通过贝叶斯网络将各种变压器典型故障风险模型关联，建立变压器状态评价模型，该贝叶斯网络为使用TAN网络分类器的贝叶斯网络。在建立完一个变压器状态评价模型继续进行迭代直至建立了若干个变压器状态评价模型，即有多个贝叶斯网络模型，可以理解的是，每个贝叶斯网络模型的参数(参数为条件互信息阈值和起始边)均不同，每个网络各自的权重也不同。
105、通过AdaBoost算法将各个变压器状态评价模型对应的权重和各个变压器状态评价模型对应的参数进行线性组合，建立目标变压器状态评价模型。
本实施例通过AdaBoost算法将各个变压器状态评价模型对应的权重和各个变压器状态评价模型对应的参数进行线性组合，最终建立参数最优化的目标变压器状态评价模型。步骤105通过AdaBoost与多贝叶斯网络组合的变压器状态评价模型的集成学习，达到变压器状态评价模型的优化。
本发明通过相关向量机、贝叶斯网络和AdaBoost算法建立出用于对变压器状态进行评价的模型，该模型能够针对变压器的多种特征信息，对不同变压器信息条件下的状态进行精准、合理的评价。
上面是对一种变压器状态评价模型建立方法进行的详细说明，为便于理解，下面将以一具体应用场景对一种变压器状态评价模型建立方法的应用进行说明，应用例包括：
S1)基于相关向量机的变压器典型故障风险模型的构建
变压器典型故障风险模型的构建过程：主要包括业务分析、数据准备与数据预处理、数据分析、数据建模、模型验证五个步骤，具体地：
步骤1业务分析
分析变压器典型故障风险模型解决的问题背景和需要输出得到的目标数据，明确目标数据应用的方向和方法。
步骤2数据准备与数据预处理
从试验数据、在线监测数据等维度选择与变压器典型故障风险模型的特征状态量，建立数据宽表。收集历史数据进行探索分析。
通过数据挖掘方法探索数据，发现数据问题，按规范进行清洗。按解释变量选取原则优选变压器典型故障风险模型状态量。
步骤3数据分析
数据分析是建模的核心，对数据宽表进行数据分析，通过数据宽表分析结果，寻找故障与非故障设备的特征差异，利用大数据探索各个指标的相关性，精准定位用于建模识别目标的指标，有效地对数据进行降维，用较少的输入变量全面、准确地刻画典型故障风险。
根据已有案例经验，在确定部分指标的具有区分目标贡献度的情况下，为有效提升模型精度，深入分析挖掘数据蕴含的信息，使用相关性分析等统计分析方法进行考察。
差异分析是分析目标与非目标在数据指标上是否存在差异。利用卡方检验等方法，对输入指标进行差异分析，梳理目标故障风险度的差异性。
对于同一类预测模型，选择其评估标准中共同包含的参量的最小集合，并考虑这些参量在不同的模型中的权重，实现在共同参量下，评估设备的性能或者功能指标。
相关性分析是为指标降维处理阶段提供降维依据。相关性分析通过统计学原理计算连续型指标之间的的皮尔逊相关性系数，反映自变量之间相关关系密切程度。在已有的数据资源中，挖掘找出字段之间相关性，为后期数据模型做准备。
步骤4数据建模
基于优选的目标变量与解释变量样本数据，运用相关向量机等算法训练得到变压器典型故障风险模型。并根据验证评估结果对样本数据、指标变量和模型参数进行滚动调整，直到模型满足应用要求。
相关向量机(Relevance vector machine,简称RVM)是Tipping在2001年在贝叶斯框架的基础上提出的，它有着与支持向量机(Support vector machine,简称SVM)一样的函数形式，与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题，但与SVM相比，RVM分类效果更稀疏，同时，RVM对训练数据集的大小要求也相对少很多，更适合样本量较少的业务情景。
步骤5模型验证
建立以变压器典型故障风险为目标的模型，并应用拟合度、变量显著性、模型稳定性、模型灵敏度等指标对模型进行综合校验，确保模型的准确度与可行性。同时根据业务场景选取相应的算例，对模型进行业务验证。对满足要求的模型进行固化应用。
S2)基于变压器典型故障风险模型与贝叶斯网络的变压器状态评价模型的构建
通过使用TAN网络分类器的贝叶斯网络，选取出使分类值对应概率最大的一个故障风险类别作为分类的结果。
令U＝[X1,X2,...,Xn,C]是离散的随机变量集合，其中X1,X2,...,Xn是变压器的属性变量，C为故障类型变量，也就是分类参数，C的取值为[C1,C2,...,Cn],每一个属性变量Xi有若干值，令xi为属性Xi的取值。对于任意一个样本，可以这样表示Yi＝(x1,x2,x3...xn)，那么对于这样一个实例样本，其对应为分类值cn的概率，由贝叶斯定理可以表示为如下：
表达式左边是需要计算的一个条件概率，表达的意思是在检测到的所有属性值的情况下，故障分类是cj的条件概率。右边是贝叶斯的公式的一个完整形式，P(x1,x2,...,xn|cj)代表的是，当故障cj发生时，各个属性值出现x1,x2,...,xn的概率，这个其实是一个先验概率，由通过一定的先验数据来取得。P(cj)代表的是cj的一个全概率，P(x1,x2,...,xn)是各个属性值出现x1,x2,...,xn的一个联合概率。在求每一个分类值的后验概率时，属性值x1,x2,...,xn不变，分母保持不变，令其为一个常数，于是上式可以简化成：
根据贝叶斯最大后验原则，对于任何一个给定的样本Yi＝(x1,x2,x3...xn)，贝叶斯网络分类器的作用是选取使分类值对应概率最大的一个故障类别cj作为分类的结果。该公式的核心在于如何去计算P(x1,x2,...,xn|cj)的概率值。这也正是不同贝叶斯网络分类器的差异所在。
TAN网络分类器是以朴素贝叶斯网络分类器为基础，但改变了其所有属性条件独立的特点,TAN给部分的属性之间建立了关联，在TAN分类器中，每个属性量可以最多依赖1个属性点，具有较好的综合性能，体现出分类精度与学习效率间的一种平衡。
具体地：TAN网络分类器的贝叶斯网络可由下式表示,其中，表示的父节点，一种情况是是分类节点，另一种情况是与分类节点以及其他属性变量相连接。
S3)基于AdaBoost与多贝叶斯网络组合的变压器状态评价模型的集成学习
TAN网络分类器是朴素贝叶斯分类器的一种自然扩展，与其相比，它能以树型结构描述属性之间的依赖关系。对任意的数据集，数据属性之间的依赖关系很可能不是简单的树结构，TAN仅仅是对属性之间复杂依赖关系的一个子集的描述。如果不是选择具有较强依赖关系或改进分类器分类性能较大的弧集构成TAN，而只是随机地选择依赖关系子集构成TAN，得到的TAN分类器的分类性能可能不是最好的。但是，这种分类器能够详细描述某个与标准TAN描述的依赖关系不同的依赖关系子集。一般，在构造TAN时，不必按照构成弧的2个属性之间的条件互信息对所有弧排序，而只在条件互信息大于某阈值ε的弧集中，以某种方式选择若干弧，将这些弧添加到朴素贝叶斯结构中，组成一个TAN，不同的弧选择方式将会得到不同的TAN。在实现过程中，阈值ε和起始边es是2个很重要的参数。如果ε特别小，有可能使所有边都成为TAN的候选边，这时，在TAN中表示依赖关系的关联边，实际属性之间的依赖程度可能是极小的；如果ε特别大，有可能使极少的边成为TAN的候选边，极端情况是候选边集为空，由此得到的TAN模型可能就是朴素贝叶斯分类器模型。采用这种TAN构造算法，可通过调整参数ε和es，生成多个不同结构的TAN，不同结构的TAN从不同侧面反映属性间依赖关系，它们的分类性能也会不同，在某些情形下可能差别很大。
而AdaBoost方法能够提高不稳定学习算法的分类精度，其原因在于由学习算法生成的一系列基分类器之间存在差异，基分类器差异较大时，组合得到的分类器的效果就较好。
通过调整参数es(起始边)，可生成多个不同结构的TAN，不同结构的TAN从不同侧重点详细描述贝叶斯网络结构，因而存在一定的差异。在变压器故障诊断中，参数es的取值不同，使生成的TAN倾向于描述某些属性之间的关联关系。因此，在某个TAN分类器中误判的样本极有可能是由于属性之间的某些关联边不存在造成的，在另一个这些关联边存在的不同结构的TAN分类器中，误判的样本将会得到正确的分类。
上面是对一种变压器状态评价模型建立方法进行的详细说明，下面将以一具体应用场景对一种变压器状态评价模型建立装置的一个实施例，请参阅图2，实施例包括：
第一建立单元201，用于根据获取到的变压器状态数据通过相关向量机建立各种变压器典型故障风险模型；
第二建立单元202，用于通过贝叶斯网络将各种变压器典型故障风险模型关联，建立变压器状态评价模型，再进行迭代直至建立若干个变压器状态评价模型，并获取到与各个变压器状态评价模型对应的权重和参数；
第三建立单元203，用于通过AdaBoost算法将各个变压器状态评价模型对应的权重和各个变压器状态评价模型对应的参数进行线性组合，建立目标变压器状态评价模型。
在本实施例中，第一建立单元201具体包括：
清洗子单元2011，用于获取到变压器预设指标和变压器状态数据，根据变压器预设指标对变压器状态数据进行数据清洗，得到清洗后的变压器状态数据；
处理子单元2012，用于按照预置顺序对清洗后的变压器状态数据进行标准化、过滤、去重和降维处理后，得到建模数据；
建立子单元2013，用于根据建模数据通过相关向量机建立各种变压器典型故障风险模型。
在本实施例中，预置顺序为随机顺序。
在本实施例中，贝叶斯网络为使用TAN网络分类器的贝叶斯网络。
在本实施例中，参数为条件互信息阈值和起始边。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种变压器状态评价模型建立方法，其特征在于，包括：
S1：根据获取到的变压器状态数据通过相关向量机建立各种变压器典型故障风险模型；
S2：通过贝叶斯网络将各种所述变压器典型故障风险模型关联，建立变压器状态评价模型，再进行迭代直至建立若干个变压器状态评价模型，并获取到与各个所述变压器状态评价模型对应的权重和参数；
S3：通过AdaBoost算法将各个所述变压器状态评价模型对应的权重和各个所述变压器状态评价模型对应的参数进行线性组合，建立目标变压器状态评价模型。
2.根据权利要求1所述的变压器状态评价模型建立方法，其特征在于，步骤S1具体包括：
S11：获取到变压器预设指标和变压器状态数据，根据所述变压器预设指标对所述变压器状态数据进行数据清洗，得到清洗后的变压器状态数据；
S12：按照预置顺序对清洗后的所述变压器状态数据进行标准化、过滤、去重和降维处理后，得到建模数据；
S13：根据建模数据通过相关向量机建立各种变压器典型故障风险模型。
3.根据权利要求2所述的变压器状态评价模型建立方法，其特征在于，所述预置顺序为随机顺序。
4.根据权利要求1所述的变压器状态评价模型建立方法，其特征在于，所述贝叶斯网络为使用TAN网络分类器的贝叶斯网络。
5.根据权利要求4所述的变压器状态评价模型建立方法，其特征在于，所述参数为条件互信息阈值和起始边。
6.一种变压器状态评价模型建立装置，其特征在于，包括：
第一建立单元，用于根据获取到的变压器状态数据通过相关向量机建立各种变压器典型故障风险模型；
第二建立单元，用于通过贝叶斯网络将各种所述变压器典型故障风险模型关联，建立变压器状态评价模型，再进行迭代直至建立若干个变压器状态评价模型，并获取到与各个所述变压器状态评价模型对应的权重和参数；
第三建立单元，用于通过AdaBoost算法将各个所述变压器状态评价模型对应的权重和各个所述变压器状态评价模型对应的参数进行线性组合，建立目标变压器状态评价模型。
7.根据权利要求6所述的变压器状态评价模型建立装置，其特征在于，第一建立单元具体包括：
清洗子单元，用于获取到变压器预设指标和变压器状态数据，根据所述变压器预设指标对所述变压器状态数据进行数据清洗，得到清洗后的变压器状态数据；
处理子单元，用于按照预置顺序对清洗后的所述变压器状态数据进行标准化、过滤、去重和降维处理后，得到建模数据；
建立子单元，用于根据建模数据通过相关向量机建立各种变压器典型故障风险模型。
8.根据权利要求7所述的变压器状态评价模型建立装置，其特征在于，所述预置顺序为随机顺序。
9.根据权利要求6所述的变压器状态评价模型建立装置，其特征在于，所述贝叶斯网络为使用TAN网络分类器的贝叶斯网络。
10.根据权利要求9所述的变压器状态评价模型建立装置，其特征在于，所述参数为条件互信息阈值和起始边。
CN201711283991.9A 2017-12-07 2017-12-07 一种变压器状态评价模型建立方法及装置 Pending CN108021945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711283991.9A CN108021945A (zh) 2017-12-07 2017-12-07 一种变压器状态评价模型建立方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711283991.9A CN108021945A (zh) 2017-12-07 2017-12-07 一种变压器状态评价模型建立方法及装置

Publications (1)

Publication Number Publication Date
CN108021945A true CN108021945A (zh) 2018-05-11

Family

ID=62078897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711283991.9A Pending CN108021945A (zh) 2017-12-07 2017-12-07 一种变压器状态评价模型建立方法及装置

Country Status (1)

Country Link
CN (1) CN108021945A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109298704A (zh) * 2018-08-31 2019-02-01 江苏方天电力技术有限公司 一种基于贝叶斯网络的工业故障路径追溯方法及系统
CN109858785A (zh) * 2019-01-16 2019-06-07 中国电力科学研究院有限公司 一种评价智能电能表运行状态的方法和系统
CN109886288A (zh) * 2019-01-07 2019-06-14 中国电力科学研究院有限公司 一种用于电力变压器的状态评价方法及装置
CN110987062A (zh) * 2019-11-13 2020-04-10 中国电力科学研究院有限公司 一种基于数据融合的智能计量箱预警方法及系统
CN111342777A (zh) * 2020-02-29 2020-06-26 昆山普尚电子科技有限公司 混频器有效供电电压计算方法
CN111562458A (zh) * 2020-06-10 2020-08-21 湖南文理学院 一种电力变压器故障诊断方法与电力变压器故障诊断装置
CN111913065A (zh) * 2020-07-17 2020-11-10 上海电机学院 一种基于Pair-Copula的贝叶斯网络变压器状态评估方法
CN112182960A (zh) * 2020-09-22 2021-01-05 国网内蒙古东部电力有限公司呼伦贝尔供电公司 基于贝叶斯网络的电力变压器状态风险评估的方法
CN112881839A (zh) * 2021-01-22 2021-06-01 上海电力大学 基于频率集中度和振动平稳性互信息的变压器诊断方法
CN113252827A (zh) * 2021-05-12 2021-08-13 国网安徽省电力有限公司电力科学研究院 基于卡方检验的变压器油色谱装置性能评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245861A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的变压器故障诊断方法
CN104268381A (zh) * 2014-09-16 2015-01-07 哈尔滨工业大学 一种基于AdaBoost算法的卫星故障诊断方法
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法
US20170102984A1 (en) * 2015-10-13 2017-04-13 Huawei Technologies Co., Ltd. Fault Diagnosis Method and Apparatus for Big-Data Network System

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245861A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的变压器故障诊断方法
CN104268381A (zh) * 2014-09-16 2015-01-07 哈尔滨工业大学 一种基于AdaBoost算法的卫星故障诊断方法
US20170102984A1 (en) * 2015-10-13 2017-04-13 Huawei Technologies Co., Ltd. Fault Diagnosis Method and Apparatus for Big-Data Network System
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴立增 等: "基于贝叶斯网络分类器的变压器综合故障诊断方法", 《电工技术学报》 *
朱永利 等: "组合核相关向量机在电力变压器故障诊断中的应用研究", 《中国电机工程学报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109298704A (zh) * 2018-08-31 2019-02-01 江苏方天电力技术有限公司 一种基于贝叶斯网络的工业故障路径追溯方法及系统
CN109886288A (zh) * 2019-01-07 2019-06-14 中国电力科学研究院有限公司 一种用于电力变压器的状态评价方法及装置
CN109886288B (zh) * 2019-01-07 2023-09-29 中国电力科学研究院有限公司 一种用于电力变压器的状态评价方法及装置
CN109858785A (zh) * 2019-01-16 2019-06-07 中国电力科学研究院有限公司 一种评价智能电能表运行状态的方法和系统
CN109858785B (zh) * 2019-01-16 2024-06-28 中国电力科学研究院有限公司 一种评价智能电能表运行状态的方法和系统
CN110987062A (zh) * 2019-11-13 2020-04-10 中国电力科学研究院有限公司 一种基于数据融合的智能计量箱预警方法及系统
CN111342777B (zh) * 2020-02-29 2023-03-21 昆山普尚电子科技有限公司 混频器有效供电电压计算方法
CN111342777A (zh) * 2020-02-29 2020-06-26 昆山普尚电子科技有限公司 混频器有效供电电压计算方法
CN111562458A (zh) * 2020-06-10 2020-08-21 湖南文理学院 一种电力变压器故障诊断方法与电力变压器故障诊断装置
CN111562458B (zh) * 2020-06-10 2022-05-27 湖南文理学院 一种电力变压器故障诊断方法与电力变压器故障诊断装置
CN111913065A (zh) * 2020-07-17 2020-11-10 上海电机学院 一种基于Pair-Copula的贝叶斯网络变压器状态评估方法
CN112182960A (zh) * 2020-09-22 2021-01-05 国网内蒙古东部电力有限公司呼伦贝尔供电公司 基于贝叶斯网络的电力变压器状态风险评估的方法
CN112881839A (zh) * 2021-01-22 2021-06-01 上海电力大学 基于频率集中度和振动平稳性互信息的变压器诊断方法
CN112881839B (zh) * 2021-01-22 2022-10-25 上海电力大学 基于频率集中度和振动平稳性互信息的变压器诊断方法
CN113252827B (zh) * 2021-05-12 2022-07-22 国网安徽省电力有限公司电力科学研究院 基于卡方检验的变压器油色谱装置性能评估方法及系统
CN113252827A (zh) * 2021-05-12 2021-08-13 国网安徽省电力有限公司电力科学研究院 基于卡方检验的变压器油色谱装置性能评估方法及系统

Similar Documents

Publication Publication Date Title
CN108021945A (zh) 一种变压器状态评价模型建立方法及装置
CN109859054A (zh) 网络社团挖掘方法、装置、计算机设备及存储介质
CN101871994B (zh) 多分数阶信息融合的模拟电路故障诊断方法
CN106021771A (zh) 一种故障诊断方法及装置
EP1958034B1 (en) Use of sequential clustering for instance selection in machine condition monitoring
CN106651574A (zh) 一种个人信用评估方法及装置
CN110310114A (zh) 对象分类方法、装置、服务器及存储介质
CN107679734A (zh) 一种用于无标签数据分类预测的方法和系统
CN105335379B (zh) 突变测试中对突变、测试用例、随机种子的组合排序的方法和设备
CN111539612B (zh) 一种风险分类模型的训练方法和系统
CN110223193A (zh) 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统
CN115587543A (zh) 基于联邦学习和lstm的刀具剩余寿命预测方法及系统
CN111639882A (zh) 一种基于深度学习的用电风险的判定方法
CN110163378A (zh) 特征处理方法、装置、计算机可读存储介质和计算机设备
CN108491931A (zh) 一种基于机器学习提高无损检测精度的方法
CN112580780A (zh) 模型训练的处理方法、装置、设备和存储介质
CN113726558A (zh) 基于随机森林算法的网络设备流量预测系统
CN109359850A (zh) 一种生成风险评估量表的方法及装置
CN116957361B (zh) 一种基于虚实结合的船舶任务系统健康状态检测方法
CN111325255A (zh) 特定人群圈定方法、装置、电子设备及存储介质
CN114115150B (zh) 基于数据的热泵系统在线建模方法及装置
CN109886288A (zh) 一种用于电力变压器的状态评价方法及装置
Zolfagharifar et al. Developing a hybrid intelligent classifier by using evolutionary learning (Genetic Algorithm and Decision Tree)
CN111753920B (zh) 特征构建方法、装置、计算机设备及存储介质
EP4270236A1 (en) Method and device for providing a recommender system

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180511