CN108663582A - 一种变压器的故障诊断方法及系统 - Google Patents
一种变压器的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN108663582A CN108663582A CN201711233114.0A CN201711233114A CN108663582A CN 108663582 A CN108663582 A CN 108663582A CN 201711233114 A CN201711233114 A CN 201711233114A CN 108663582 A CN108663582 A CN 108663582A
- Authority
- CN
- China
- Prior art keywords
- transformer
- fault
- fault diagnosis
- decision tree
- analysis model
- 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
Links
Classifications
-
- 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)
- General Physics & Mathematics (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Relating To Insulation (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明提供一种变压器的故障诊断方法及系统,包括:选取包含变压器油中溶解特征气体的变压器故障案例,建立变压器的故障案例库;基于变压器的故障案例库,确定训练样本集和测试样本集;基于训练样本集和测试样本集建立故障判别决策树,并对决策树进行修剪优化,得到变压器故障诊断分析模型;变压器故障案例包括:变压器油中溶解特征气体的类型、溶解特征气体的数值及所述变压器的设备状态类型。本发明基于样本集对决策树进行修剪优化,得到的故障诊断分析模型能够及时发现变压器内部的潜伏性故障,有效解决了传统油色谱三比值法由于故障编码不完全、编码缺失,造成的某些故障无法诊断的问题以及判正率较低的问题。
Description
技术领域
本发明涉及变压器领域,具体涉及一种变压器的故障诊断方法及系统。
背景技术
变压器是电力系统的重要设备,它能否正常工作直接影响着电力系统的安全可靠运行。
油浸式变压器采用油纸绝缘结构,主要有绝缘材料油、绝缘纸和绝缘纸板,当变压器内部发生潜伏性故障时,在热和电的作用下,变压器油和固体绝缘材料将逐渐老化分解,产生各种低分子烃、CO及CO2等气体,故障点产生气体的组分和含量取决于故障类型、故障部位和故障能量级别。
目前,业界变压器故障诊断主要方法是通过对油中溶解气体进行分析,以判断变压器的故障类型。传统的变压器油中溶解气体诊断方法有三比值法和大卫三角形法等,存在判正率较低及由于故障编码不完全和编码缺失,造成的某些故障无法诊断的问题。
因此,需要提供一种技术方案来弥补现有技术的不足。
发明内容
为准确估算电力变压器绕组热点的温度,对变压器安全运行和寿命评估提供辅助依据,本发明提供了一种变压器的故障诊断方法及系统。
一种变压器的故障诊断方法,其包括:随机抽取变压器故障案例库中的案例,构成训练样本集;基于训练样本集建立故障判别决策树,并对故障判别决策树进行训练,得到变压器故障诊断分析模型;根据变压器故障诊断分析模型对变压器进行故障诊断;变压器故障案例库中的案例包括:变压器油中溶解特征气体的类型、数值及变压器的设备状态类型。
在随机抽取变压器故障案例库中的案例,构成训练样本集之前,还包括:选取包含变压器油中溶解特征气体的变压器故障案例,建立变压器的故障案例库。
基于训练样本集建立故障判别决策树,并对故障判别决策树进行训练,得到变压器故障诊断分析模型,包括:基于训练样本集,利用IBM SPSS Modeler建模工具提供的C5.0分类决策树算法,进行机器学习,建立故障判别决策树;基于训练样本集,对故障判别决策树进行训练,得到变压器故障诊断分析模型。
在基于训练样本集建立故障判别决策树,并对故障判别决策树进行训练,得到变压器故障诊断分析模型之后,还包括:随机抽取变压器故障案例库中的案例,构成测试数据集;通过测试数据集,对变压器故障诊断分析模型进行优化。
通过测试数据集,对变压器故障诊断分析模型进行优化,包括:将测试数据集代入变压器故障诊断分析模型中,得到变压器的设备状态类型预测值,分别比较所有变压器的设备状态类型预测值与故障案例变压器的设备状态类型实际值;对于变压器的设备状态类型预测值的准确率未达到预设阈值,则对变压器故障诊断分析模型进行优化。
对变压器故障诊断分析模型进行优化,包括:基于测试数据集,利用C5.0分类决策树的后修剪算法,对变压器故障诊断分析模型进行修剪优化。
根据变压器故障诊断分析模型对变压器进行故障诊断,包括:将采集到超过预设告警值的变压器设备油中溶解气体时,输入变压器故障诊断分析模型,输出变压器的故障类型。
变压器油中的溶解特征气体包括H2、CH4、C2H6、C2H4和C2H2;变压器的设备状态类型包括:正常状态、局部放电故障、低能放电故障、高能放电故障、低温过热故障、中温过热故障、高温过热故障、高能放电兼过热故障和低能放电兼过热故障。
一种变压器的故障诊断系统,其包括:训练样本集构成模块,用于随机抽取变压器故障案例库中的案例,构成训练样本集;变压器故障诊断分析模型确定模块,用于通过训练样本集建立故障判别决策树,并对故障判别决策树进行训练,得到变压器故障诊断分析模型;故障诊断分析模块,用于根据变压器故障诊断分析模型对变压器进行故障诊断;变压器故障案例库中的案例包括:变压器油中溶解特征气体的类型、数值及变压器的设备状态类型。
在训练样本集构成模块之前,还包括:故障案例库建立模块,用于选取包含变压器油中溶解特征气体的变压器故障案例,建立变压器的故障案例库。
变压器故障诊断分析模型确定模块,包括:故障判别决策树建立子模块和故障判别决策树训练子模块;故障判别决策树建立子模块,用于基于训练样本集,利用IBM SPSSModeler建模工具提供的C5.0分类决策树算法,进行机器学习,建立故障判别决策树;故障判别决策树训练子模块,用于基于训练样本集,对故障判别决策树进行训练,得到变压器故障诊断分析模型。
在变压器故障诊断分析模型确定模块之后,还包括:测试数据集构成模块和优化模块;测试数据集构成模块,用于随机抽取变压器故障案例库中的案例,构成测试数据集;优化模块,用于通过测试数据集,对变压器故障诊断分析模型进行优化。
优化模块,包括:比较子模块和预设阈值子模块;比较子模块,用于将测试数据集代入变压器故障诊断分析模型中,得到变压器的设备状态类型预测值,分别比较所有变压器的设备状态类型预测值与故障案例变压器的设备状态类型实际值;预设阈值子模块,用于对于变压器的设备状态类型预测值的准确率未达到预设阈值,则对变压器故障诊断分析模型进行优化。
预设阈值子模块,还用于:基于测试数据集,利用C5.0分类决策树的后修剪算法,对变压器故障诊断分析模型进行修剪优化。
故障诊断分析模块,进一步用于将采集到超过预设告警值的变压器设备油中溶解气体时,输入变压器故障诊断分析模型,输出变压器的故障类型。
变压器油中的溶解特征气体包括H2、CH4、C2H6、C2H4和C2H2;变压器的设备状态类型包括:正常状态、局部放电故障、低能放电故障、高能放电故障、低温过热故障、中温过热故障、高温过热故障、高能放电兼过热故障和低能放电兼过热故障。
与最接近的现有技术比,本发明提供的技术方案具有以下有益效果:
1、本发明提供的故障诊断方法建立的变压器的故障案例库,基于训练样本集,得到的变压器故障诊断分析模型能够及时发现变压器内部的潜伏性故障;
2、本发明将未来某一时刻采集到的变压器油色谱特征气体值,输入变压器故障智能诊断分析模型,构建变压器故障诊断规则集,同时,优化的变压器故障诊断分析模型有效解决了传统油色谱三比值法由于故障编码不完全、编码缺失,造成的某些故障无法诊断的问题以及判正率较低的问题;
3、本发明利用油中特征气体的特点及时发现变压器内部的潜伏性故障,实现变压器故障的快捷、智能诊断。
附图说明
图1为本发明的设计流程图;
图2为本发明的结构框图
具体实施方式
下面结合附图对本发明的实施例作进一步说明:
如图1所示,本发明的诊断方法包括:随机抽取变压器故障案例库中的案例,构成训练样本集;基于训练样本集建立故障判别决策树,并对故障判别决策树进行训练,得到变压器故障诊断分析模型;根据变压器故障诊断分析模型对变压器进行故障诊断;变压器故障案例库中的案例包括:变压器油中溶解特征气体的类型、数值及变压器的设备状态类型。
如图2所示,该诊断方法的具体包括如下步骤:
步骤一、收集具有明确结论的基于变压器油中溶解特征气体的变压器故障案例,共680项,包括变压器油中溶解特征气体类型、数值及变压器设备状态类型,作为变压器故障案例库;
其中,变压器油中的溶解特征气体包括H2、CH4、C2H6、C2H4和C2H2五种气体,变压器设备状态数据类型共包括9类,分别为正常、局部放电、低能放电、高能放电、低温过热、中温过热、高温过热、高能放电兼过热和低能放电兼过热。
样本数据中设备故障类别分布为:正常状态80项,局部放电故障80项,低能放电故障80项,高能放电故障80项,低温过热故障80项,中温过热故障80项,高温过热故障80项,高能放电兼过热故障60项,低能放电兼过热故障60项。
步骤二:将步骤一收集的具有明确结论的变压器故障案例库,利用随机抽样的方式,将70%的故障案例用于变压器故障诊断分析模型的训练数据集,将30%的故障案例作为测试数据集,以验证变压器故障诊断模型的准确性。
步骤三、变压器故障诊断模型的构建可以利用IBM SPSS Modeler(SPSS Modeler为一款IBM知名数据分析产品名称)建模工具辅助完成,利用建模工具提供的C5.0分类决策树算法,以随机抽样的70%的变压器故障案例作为训练集,通过C5.0分类算法进行有监督的机器学习,并以随机抽样的30%的变压器故障案列作为测试集,验证故障诊断模型的准确性和合理性;
通过设置C5.0分类决策树算法的相关参数,如置信因子等,构建基于变压器油中溶解气体的故障诊断数据挖掘流,形成基于油中溶解气体的变压器故障诊断分析模型;
在模型构建过程中,基于C5.0有监督的机器学习算法,形成基于油中溶解气体的变压器设备故障判别规则集及故障判别决策树。
步骤四:利用C5.0分类决策树的后修剪算法,根据测试样本集的误差估计和C5.0算法修剪标准,通过设置模型修剪严重性百分比和每个子分支的最小记录数等参数,对依据训练样本集形成的决策树进行修剪,防止分析模型由于过拟合造成的预测分析结果降低的问题。
步骤五:重复执行步骤三、步骤四,利用C5.0算法对分析模型进行优化,最终形成基于油中溶解气体的变压器故障诊断分析模型。
步骤六:将状态监测系统采集到超过告警值的变压器设备油中溶解气体数据,包括H2、CH4、C2H6、C2H4、C2H2等五种气体,输入故障诊断分析模型,即可输出变压器的故障类型。
基于同一发明构思,本发明还提供了一种变压器的故障诊断系统,下面进行说明。
本发明提供的系统包括:训练样本集构成模块,用于随机抽取变压器故障案例库中的案例,构成训练样本集;变压器故障诊断分析模型确定模块,用于通过训练样本集建立故障判别决策树,并对故障判别决策树进行训练,得到变压器故障诊断分析模型;故障诊断分析模块,用于根据变压器故障诊断分析模型对变压器进行故障诊断;变压器故障案例库中的案例包括:变压器油中溶解特征气体的类型、数值及变压器的设备状态类型。
在训练样本集构成模块之前,还包括:故障案例库建立模块,用于选取包含变压器油中溶解特征气体的变压器故障案例,建立变压器的故障案例库。
变压器故障诊断分析模型确定模块,包括:故障判别决策树建立子模块和故障判别决策树训练子模块;故障判别决策树建立子模块,用于基于训练样本集,利用IBM SPSSModeler建模工具提供的C5.0分类决策树算法,进行机器学习,建立故障判别决策树;故障判别决策树训练子模块,用于基于训练样本集,对故障判别决策树进行训练,得到变压器故障诊断分析模型。
在变压器故障诊断分析模型确定模块之后,还包括:测试数据集构成模块和优化模块;测试数据集构成模块,用于随机抽取变压器故障案例库中的案例,构成测试数据集;优化模块,用于通过测试数据集,对变压器故障诊断分析模型进行优化。
优化模块,包括:比较子模块和预设阈值子模块;比较子模块,用于将测试数据集代入变压器故障诊断分析模型中,得到变压器的设备状态类型预测值,分别比较所有变压器的设备状态类型预测值与故障案例变压器的设备状态类型实际值;预设阈值子模块,用于对于变压器的设备状态类型预测值的准确率未达到预设阈值,则对变压器故障诊断分析模型进行优化。
预设阈值子模块,还用于:基于测试数据集,利用C5.0分类决策树的后修剪算法,对变压器故障诊断分析模型进行修剪优化。
故障诊断分析模块,进一步用于将采集到超过预设告警值的变压器设备油中溶解气体时,输入变压器故障诊断分析模型,输出变压器的故障类型。
变压器油中的溶解特征气体包括H2、CH4、C2H6、C2H4和C2H2;变压器的设备状态类型包括:正常状态、局部放电故障、低能放电故障、高能放电故障、低温过热故障、中温过热故障、高温过热故障、高能放电兼过热故障和低能放电兼过热故障。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (16)
1.一种变压器的故障诊断方法,其特征在于,包括:
随机抽取变压器故障案例库中的案例,构成训练样本集;
基于所述训练样本集建立故障判别决策树,并对所述故障判别决策树进行训练,得到变压器故障诊断分析模型;
根据所述变压器故障诊断分析模型对变压器进行故障诊断;
所述变压器故障案例库中的案例包括:变压器油中溶解特征气体的类型、数值及变压器的设备状态类型。
2.根据权利要求1所述的故障诊断方法,其特征在于,在所述随机抽取变压器故障案例库中的案例,构成训练样本集之前,还包括:
选取包含变压器油中溶解特征气体的变压器故障案例,建立所述变压器的故障案例库。
3.根据权利要求1所述的故障诊断方法,其特征在于,所述基于所述训练样本集建立故障判别决策树,并对所述故障判别决策树进行训练,得到变压器故障诊断分析模型,包括:
基于所述训练样本集,利用IBM SPSS Modeler建模工具提供的C5.0分类决策树算法,进行机器学习,建立所述故障判别决策树;
基于所述训练样本集,对所述故障判别决策树进行训练,得到所述变压器故障诊断分析模型。
4.根据权利要求1或3所述的故障诊断方法,其特征在于,在基于所述训练样本集建立故障判别决策树,并对所述故障判别决策树进行训练,得到变压器故障诊断分析模型之后,还包括:
随机抽取变压器故障案例库中的案例,构成测试数据集;
通过所述测试数据集,对所述变压器故障诊断分析模型进行优化。
5.根据权利要求4所述的故障诊断方法,其特征在于,所述通过所述测试数据集,对所述变压器故障诊断分析模型进行优化,包括:
将测试数据集代入所述变压器故障诊断分析模型中,得到变压器的设备状态类型预测值,分别比较所有变压器的设备状态类型预测值与故障案例变压器的设备状态类型实际值;
对于所述变压器的设备状态类型预测值的准确率未达到预设阈值,则对所述变压器故障诊断分析模型进行优化。
6.根据权利要求5所述的故障诊断方法,其特征在于,对所述变压器故障诊断分析模型进行优化,包括:
基于所述测试数据集,利用所述C5.0分类决策树的后修剪算法,对所述变压器故障诊断分析模型进行修剪优化。
7.根据权利要求1所述的故障诊断方法,其特征在于,所述根据变压器故障诊断分析模型对变压器进行故障诊断,包括:
将采集到超过预设告警值的变压器设备油中溶解气体时,输入所述变压器故障诊断分析模型,输出变压器的故障类型。
8.根据权利要求1或6所述的故障诊断方法,其特征在于,
所述变压器油中的溶解特征气体包括H2、CH4、C2H6、C2H4和C2H2;
所述变压器的设备状态类型包括:正常状态、局部放电故障、低能放电故障、高能放电故障、低温过热故障、中温过热故障、高温过热故障、高能放电兼过热故障和低能放电兼过热故障。
9.一种变压器的故障诊断系统,其特征在于,包括:
训练样本集构成模块,用于随机抽取变压器故障案例库中的案例,构成训练样本集;
变压器故障诊断分析模型确定模块,用于通过所述训练样本集建立故障判别决策树,并对所述故障判别决策树进行训练,得到变压器故障诊断分析模型;
故障诊断分析模块,用于根据所述变压器故障诊断分析模型对变压器进行故障诊断;
所述变压器故障案例库中的案例包括:变压器油中溶解特征气体的类型、数值及变压器的设备状态类型。
10.根据权利要求9所述的故障诊断系统,其特征在于,在所述训练样本集构成模块之前,还包括:故障案例库建立模块,
用于选取包含变压器油中溶解特征气体的变压器故障案例,建立所述变压器的故障案例库。
11.根据权利要求9所述的故障诊断系统,其特征在于,所述变压器故障诊断分析模型确定模块,包括:故障判别决策树建立子模块和故障判别决策树训练子模块;
所述故障判别决策树建立子模块,用于基于所述训练样本集,利用IBM SPSS Modeler建模工具提供的C5.0分类决策树算法,进行机器学习,建立所述故障判别决策树;
所述故障判别决策树训练子模块,用于基于所述训练样本集,对所述故障判别决策树进行训练,得到所述变压器故障诊断分析模型。
12.根据权利要求9或11所述的故障诊断系统,其特征在于,在所述变压器故障诊断分析模型确定模块之后,还包括:测试数据集构成模块和优化模块;
所述测试数据集构成模块,用于随机抽取变压器故障案例库中的案例,构成测试数据集;
所述优化模块,用于通过所述测试数据集,对所述变压器故障诊断分析模型进行优化。
13.根据权利要求12所述的故障诊断系统,其特征在于,所述优化模块,包括:比较子模块和预设阈值子模块;
所述比较子模块,用于将测试数据集代入所述变压器故障诊断分析模型中,得到变压器的设备状态类型预测值,分别比较所有变压器的设备状态类型预测值与故障案例变压器的设备状态类型实际值;
所述预设阈值子模块,用于对于所述变压器的设备状态类型预测值的准确率未达到预设阈值,则对所述变压器故障诊断分析模型进行优化。
14.根据权利要求13所述的故障诊断系统,其特征在于,所述预设阈值子模块,还用于:
基于所述测试数据集,利用所述C5.0分类决策树的后修剪算法,对所述变压器故障诊断分析模型进行修剪优化。
15.根据权利要求9所述的故障诊断系统,其特征在于,所述故障诊断分析模块,进一步用于将采集到超过预设告警值的变压器设备油中溶解气体时,输入所述变压器故障诊断分析模型,输出变压器的故障类型。
16.根据权利要求9或15所述的故障诊断系统,其特征在于,所述变压器油中的溶解特征气体包括H2、CH4、C2H6、C2H4和C2H2;
所述变压器的设备状态类型包括:正常状态、局部放电故障、低能放电故障、高能放电故障、低温过热故障、中温过热故障、高温过热故障、高能放电兼过热故障和低能放电兼过热故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711233114.0A CN108663582A (zh) | 2017-11-30 | 2017-11-30 | 一种变压器的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711233114.0A CN108663582A (zh) | 2017-11-30 | 2017-11-30 | 一种变压器的故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108663582A true CN108663582A (zh) | 2018-10-16 |
Family
ID=63785027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711233114.0A Pending CN108663582A (zh) | 2017-11-30 | 2017-11-30 | 一种变压器的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108663582A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109459522A (zh) * | 2018-12-29 | 2019-03-12 | 云南电网有限责任公司电力科学研究院 | 一种基于id3算法的变压器缺陷预测方法及装置 |
CN109492752A (zh) * | 2018-11-05 | 2019-03-19 | 常熟理工学院 | 采用数据信号与知识引导结合的智能学习系统及方法 |
CN110068741A (zh) * | 2019-05-29 | 2019-07-30 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于分类决策树的变压器故障诊断的方法 |
CN110632191A (zh) * | 2019-09-10 | 2019-12-31 | 福建工程学院 | 一种基于决策树算法的变压器色谱峰定性方法和系统 |
CN110927478A (zh) * | 2019-10-24 | 2020-03-27 | 中国电力科学研究院有限公司 | 一种确定电力系统变压器设备的状态的方法和系统 |
CN111398723A (zh) * | 2020-04-17 | 2020-07-10 | 上海数深智能科技有限公司 | 一种变压器故障智能诊断的模型方法 |
CN111476318A (zh) * | 2020-04-30 | 2020-07-31 | 常州大学 | 一种基于模糊决策的变压器故障诊断方法及系统 |
CN111562111A (zh) * | 2020-06-05 | 2020-08-21 | 上海交通大学 | 发动机冷态测试故障诊断方法 |
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN112067051A (zh) * | 2020-08-24 | 2020-12-11 | 宁波大学 | 一种基于决策树分类器的变压器故障诊断方法 |
CN112114214A (zh) * | 2020-09-08 | 2020-12-22 | 贵州电网有限责任公司 | 一种变压器故障诊断方法 |
CN112464995A (zh) * | 2020-11-06 | 2021-03-09 | 广东电网有限责任公司东莞供电局 | 一种基于决策树算法的电网配变故障诊断方法及系统 |
CN113933757A (zh) * | 2020-06-29 | 2022-01-14 | 株洲中车时代电气股份有限公司 | 一种牵引变压器过流诊断保护装置及方法 |
CN115078618A (zh) * | 2022-07-13 | 2022-09-20 | 广东电网有限责任公司 | 一种变压器油色谱故障识别方法及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092914A (zh) * | 2012-11-30 | 2013-05-08 | 南京航空航天大学 | 一种基于Weka软件的专家系统知识获取方法 |
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 |
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 |
CN106529714A (zh) * | 2016-11-03 | 2017-03-22 | 大唐融合通信股份有限公司 | 一种用户流失的预测方法及系统 |
CN106707060A (zh) * | 2016-12-16 | 2017-05-24 | 中国电力科学研究院 | 一种获得电力变压器离散型状态参数的方法 |
CN106844842A (zh) * | 2016-12-15 | 2017-06-13 | 国网浙江省电力公司电力科学研究院 | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 |
CN106875185A (zh) * | 2017-02-03 | 2017-06-20 | 咪咕互动娱乐有限公司 | 一种风控模型训练方法及装置 |
CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
-
2017
- 2017-11-30 CN CN201711233114.0A patent/CN108663582A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092914A (zh) * | 2012-11-30 | 2013-05-08 | 南京航空航天大学 | 一种基于Weka软件的专家系统知识获取方法 |
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 |
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 |
CN106529714A (zh) * | 2016-11-03 | 2017-03-22 | 大唐融合通信股份有限公司 | 一种用户流失的预测方法及系统 |
CN106844842A (zh) * | 2016-12-15 | 2017-06-13 | 国网浙江省电力公司电力科学研究院 | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 |
CN106707060A (zh) * | 2016-12-16 | 2017-05-24 | 中国电力科学研究院 | 一种获得电力变压器离散型状态参数的方法 |
CN106875185A (zh) * | 2017-02-03 | 2017-06-20 | 咪咕互动娱乐有限公司 | 一种风控模型训练方法及装置 |
CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
Non-Patent Citations (1)
Title |
---|
董明等: "基于组合决策树的油浸式电力变压器故障诊断", 《中国电机工程学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492752A (zh) * | 2018-11-05 | 2019-03-19 | 常熟理工学院 | 采用数据信号与知识引导结合的智能学习系统及方法 |
CN109459522A (zh) * | 2018-12-29 | 2019-03-12 | 云南电网有限责任公司电力科学研究院 | 一种基于id3算法的变压器缺陷预测方法及装置 |
CN110068741A (zh) * | 2019-05-29 | 2019-07-30 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于分类决策树的变压器故障诊断的方法 |
CN110632191A (zh) * | 2019-09-10 | 2019-12-31 | 福建工程学院 | 一种基于决策树算法的变压器色谱峰定性方法和系统 |
CN110927478A (zh) * | 2019-10-24 | 2020-03-27 | 中国电力科学研究院有限公司 | 一种确定电力系统变压器设备的状态的方法和系统 |
CN110927478B (zh) * | 2019-10-24 | 2022-11-08 | 中国电力科学研究院有限公司 | 一种确定电力系统变压器设备的状态的方法和系统 |
CN111398723A (zh) * | 2020-04-17 | 2020-07-10 | 上海数深智能科技有限公司 | 一种变压器故障智能诊断的模型方法 |
CN111476318A (zh) * | 2020-04-30 | 2020-07-31 | 常州大学 | 一种基于模糊决策的变压器故障诊断方法及系统 |
CN111562111A (zh) * | 2020-06-05 | 2020-08-21 | 上海交通大学 | 发动机冷态测试故障诊断方法 |
CN113933757A (zh) * | 2020-06-29 | 2022-01-14 | 株洲中车时代电气股份有限公司 | 一种牵引变压器过流诊断保护装置及方法 |
CN113933757B (zh) * | 2020-06-29 | 2022-09-16 | 株洲中车时代电气股份有限公司 | 一种牵引变压器过流诊断保护装置及方法 |
CN111722046A (zh) * | 2020-07-01 | 2020-09-29 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN111722046B (zh) * | 2020-07-01 | 2021-05-18 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN112067051A (zh) * | 2020-08-24 | 2020-12-11 | 宁波大学 | 一种基于决策树分类器的变压器故障诊断方法 |
CN112114214A (zh) * | 2020-09-08 | 2020-12-22 | 贵州电网有限责任公司 | 一种变压器故障诊断方法 |
CN112464995A (zh) * | 2020-11-06 | 2021-03-09 | 广东电网有限责任公司东莞供电局 | 一种基于决策树算法的电网配变故障诊断方法及系统 |
CN115078618A (zh) * | 2022-07-13 | 2022-09-20 | 广东电网有限责任公司 | 一种变压器油色谱故障识别方法及相关装置 |
CN115078618B (zh) * | 2022-07-13 | 2023-11-07 | 广东电网有限责任公司 | 一种变压器油色谱故障识别方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108663582A (zh) | 一种变压器的故障诊断方法及系统 | |
Jiang et al. | Dynamic fault prediction of power transformers based on hidden Markov model of dissolved gases analysis | |
CN107037306B (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
US9135557B2 (en) | Internal abnormality diagnosis method, internal abnormality diagnosis system, and decision tree generation method for internal abnormality diagnosis of oil-filled electric apparatus utilizing gas concentration in oil | |
CN101833324B (zh) | 胎面挤出过程智能故障诊断系统及其诊断方法 | |
KR102128460B1 (ko) | 변압기의 이상 탐지 방법 | |
Menezes et al. | Induction of decision trees to diagnose incipient faults in power transformers | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
Basuki | Online dissolved gas analysis of power transformers based on decision tree model | |
Bakar et al. | Improvement of DGA interpretation using scoring index method | |
CN115327286A (zh) | 一种应用于发电站的变压器监测方法及系统 | |
CN113342784A (zh) | 一种电网主变设备风险评估的数据库设计方法 | |
CN113435759A (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
Guo et al. | Fault diagnosis of power transformers based on comprehensive machine learning of dissolved gas analysis | |
Esmaeili Nezhad et al. | A review of the applications of machine learning in the condition monitoring of transformers | |
CN114509620A (zh) | 一种基于监测数据的变压器故障诊断方法 | |
CN110059773A (zh) | 一种变压器故障复合诊断方法 | |
Nagpal et al. | Neural network based transformer incipient fault detection | |
Msomi et al. | Development of dissolved gas analysis-based fault identification system using machine learning with google colab | |
Hussein et al. | Faults diagnosis and assessment of transformer insulation oil quality: intelligent methods based on dissolved gas analysis a-review | |
CN113721002A (zh) | 一种基于硬投票集成学习的变压器故障诊断的方法 | |
Levin et al. | Predicting the technical condition of the power transformer using fuzzy logic and dissolved gas analysis method | |
Pacori et al. | Identification of internal failure in power transformers using fuzzy logic through the dissolved gas analysis in mineral insulating oil | |
KR20220011046A (ko) | 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치 | |
Yang et al. | Research on transformer condition evaluation based on oil chromatography differentiation threshold |
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: 20181016 |