CN108845217A - 基于模糊网络融合的变压器套管监测方法 - Google Patents
基于模糊网络融合的变压器套管监测方法 Download PDFInfo
- Publication number
- CN108845217A CN108845217A CN201810965686.6A CN201810965686A CN108845217A CN 108845217 A CN108845217 A CN 108845217A CN 201810965686 A CN201810965686 A CN 201810965686A CN 108845217 A CN108845217 A CN 108845217A
- Authority
- CN
- China
- Prior art keywords
- fault point
- failure
- fuzzy
- bushing shell
- vector
- 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.)
- Withdrawn
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了基于模糊网络融合的变压器套管监测方法,多种模拟方法采集不同的特征集,再从初始特征集里选出误差范围值小的特征,从而使得初始特征集获取的是不同方法测量的准确精度高的特征向量,由此使得基础特征集多元化,且保证了精度,采用面向套管故障点神经网络与模糊积分信息融合技术的套管故障诊断方法,有效解决了获取训练样本和适应拓扑变化两个问题,再通过DS融合技术奖特征集融合成向量集,在通过对向量集进行合格率过滤,使向量集精度再次提高,使用时通过采集特征值便可以直接得出损耗角,而且精度高,速度快,抗干扰能力强。
Description
技术领域
本发明涉及一种变压器套管监测方法,具体涉及基于模糊网络融合的变压器套管监测方法。
背景技术
介质损耗因数(即介质损耗角的正切值tanδ)与电容值作为变压器套管绝缘状况的必要指标之一,是预防性试验及绝缘在线监测的重要内容。近年来,随着计算机技术、传感器技术以及数字信号处理技术的发展,谐振法、伏安法、电桥法等传统模拟测量方法逐步被数字测量方法替代,介损的精确测量与快速数字测量受到了国内外研究与工程领域的广泛关注。
神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论,它通过大量称为神经元的简单处理单元构成非线性动力学系统。神经网络的高速并行处理、分布存储信息等特性,具有很强的自学习性、自组织性、容错性、高度非线性、高鲁棒性、联想记忆功能和推理意识功能强等特点。其特色在于信息的分布存储和并行协同处理,十分适用于像故障诊断这类多变量非线性问题。本发明采用面向套管故障点的建模思路构造神经网络得到初级诊断结论。
发明内容
本发明所要解决的技术问题是采用新的计算机技术对传统模拟测量方法对变压器套管检测方法进行优化,本发明提供基于模糊网络融合的变压器套管监测方法解决这样的问题。
本发明通过下述技术方案实现:
基于模糊网络融合的变压器套管监测方法,主要包括以下步骤:
S1、采用离散傅里叶变换对试品的电压和电流信号进行谐波分析,得到两者的基波,采用谐振法、电桥法、伏安法多次模拟测量,再求出介质损耗角;
S2、将步骤1中采用谐振法、电桥法多次模拟测量的结果与散傅里叶变换对试品的电压和电流信号进行谐波分析的结果进行特征对应整理;
S3、将各种方法测量到的数值的对应特征与通过误差概率整理,误差范围值小于20%作为基础向量集;
S4、对变压器的套管建立保护模型和神经网络模型,采用步骤S3中得到基础向量集作为训练样本对神经网络进行训练;
S5、分析识别故障前与故障后的系统拓扑结构差异,确定故障点;
S6、基于面向故障点的神经网络模型进行初级故障诊断;
S7、利用模糊技术对初级故障诊断结论进行预处理;
S8、根据变压器套管拓扑信息形成候选故障点集D={d1,d2…dN},其中,d为候选故障点;
S9、根据变压器套管拓扑信息形成各个候选故障点的直接关联故障点集合Di-direct={dm…dn}与隔一级关联故障点集合Di-indirect={dk…di};
S10、确定模糊密度,即g=g({xi}),i=1,2,…n,其中,g就是第i个信息的模糊密度,亦即为第i个信息的权重;
S11、根据拓扑信息及各故障点的诊断结论,形成直接关联故障点对候选故障点的故障的支持程度的集合Fi-direct={fm…fn}与隔一级关联故障点对该候选故障点的故障的支持程度的集合Fi-indirect={fk…fi};
S12、根据式计算模糊积分值ei,ei即为综合诊断给出的故障可能性指标,形成候选故障套管的故障可能性指标集E={e1,e2…eN};根据故障可能性指标集,确定故障点;
S13、将各种方法得到的可能性指标集,选择误差范围值小于20%作为基础向量集;
S14、将各种方法得到的基础向量集通过DS融合技术,采用特征向量合格率高于60%的特征向量形成对比向量集。
进一步的,步骤S7中,所述利用模糊技术对初级故障诊断结论进行预处理,其选用的隶属度如下:
其中,x为待处理的输入数据,y为处理后的数值,e为自然常数。
进一步的,所述步骤S8具体为:根据式确定λi,然后根据式g(x1)=g({x1})和式求取模糊密度g;λi是一个中间数
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明基于模糊网络融合的变压器套管监测方法,多种模拟方法采集不同的特征集,再从初始特征集里选出误差范围值小的特征,从而使得初始特征集获取的是不同方法测量的准确精度高的特征向量,由此使得基础特征集多元化,且保证了精度,采用面向套管故障点神经网络与模糊积分信息融合技术的套管故障诊断方法,有效解决了获取训练样本和适应拓扑变化两个问题,再通过DS融合技术奖特征集融合成向量集,在通过对向量集进行合格率过滤,使向量集精度再次提高,使用时通过采集特征值便可以直接得出损耗角,而且精度高,速度快,抗干扰能力强;
2、本发明基于模糊网络融合的变压器套管监测方法,综合诊断中充分考虑到了初级诊断结论的可靠性差异,而且避免了对先验信息的讨论,也无需做各元件初级诊断结论独立性假设,有效提高了系统诊断的准确性;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
本发明基于模糊网络融合的变压器套管监测方法,主要包括以下步骤:
S1、采用离散傅里叶变换对试品的电压和电流信号进行谐波分析,得到两者的基波,采用谐振法、电桥法、伏安法多次模拟测量,再求出介质损耗角;
S2、将步骤1中采用谐振法、电桥法多次模拟测量的结果与散傅里叶变换对试品的电压和电流信号进行谐波分析的结果进行特征对应整理;
S3、将各种方法测量到的数值的对应特征与通过误差概率整理,误差范围值小于20%作为基础向量集;
S4、对变压器的套管建立保护模型和神经网络模型,采用步骤S3中得到基础向量集作为训练样本对神经网络进行训练;
S5、分析识别故障前与故障后的系统拓扑结构差异,确定故障点;
S6、基于面向故障点的神经网络模型进行初级故障诊断;
S7、利用模糊技术对初级故障诊断结论进行预处理;
S8、根据变压器套管拓扑信息形成候选故障点集D={d1,d2…dN},其中,d为候选故障点;
S9、根据变压器套管拓扑信息形成各个候选故障点的直接关联故障点集合Di-direct={dm…dn}与隔一级关联故障点集合Di-indirect={dk…di};
S10、确定模糊密度,即g=g({xi}),i=1,2,…n,其中,g就是第i个信息的模糊密度,亦即为第i个信息的权重;
S11、根据拓扑信息及各故障点的诊断结论,形成直接关联故障点对候选故障点的故障的支持程度的集合Fi-direct={fm…fn}与隔一级关联故障点对该候选故障点的故障的支持程度的集合Fi-indirect={fk…fi};
S12、根据式计算模糊积分值ei,ei即为综合诊断给出的故障可能性指标,形成候选故障套管的故障可能性指标集E={e1,e2…eN};根据故障可能性指标集,确定故障点;
S13、将各种方法得到的可能性指标集,选择误差范围值小于20%作为基础向量集;
S14、将各种方法得到的基础向量集通过DS融合技术,采用特征向量合格率高于60%的特征向量形成对比向量集。
实施时,步骤S7中,所述利用模糊技术对初级故障诊断结论进行预处理,其选用的隶属度如下:
其中,x为待处理的输入数据,y为处理后的数值,e为自然常数。所述步骤S8具体为:根据式确定λi,然后根据式g(x1)=g({x1})和式求取模糊密度g;λi是一个中间数;多种模拟方法采集不同的特征集,再从初始特征集里选出误差范围值小的特征,从而使得初始特征集获取的是不同方法测量的准确精度高的特征向量,由此使得基础特征集多元化,且保证了精度,采用面向套管故障点神经网络与模糊积分信息融合技术的套管故障诊断方法,有效解决了获取训练样本和适应拓扑变化两个问题,再通过DS融合技术奖特征集融合成向量集,在通过对向量集进行合格率过滤,使向量集精度再次提高,使用时通过采集特征值便可以直接得出损耗角,而且精度高,速度快,抗干扰能力强;综合诊断中充分考虑到了初级诊断结论的可靠性差异,而且避免了对先验信息的讨论,也无需做各元件初级诊断结论独立性假设,有效提高了系统诊断的准确性。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于模糊网络融合的变压器套管监测方法,其特征在于,主要包括以下步骤:
S1、采用离散傅里叶变换对试品的电压和电流信号进行谐波分析,得到两者的基波,采用谐振法、电桥法、伏安法多次模拟测量,再求出介质损耗角;
S2、将步骤1中采用谐振法、电桥法多次模拟测量的结果与散傅里叶变换对试品的电压和电流信号进行谐波分析的结果进行特征对应整理;
S3、将各种方法测量到的数值的对应特征与通过误差概率整理,误差范围值小于20%作为基础向量集;
S4、对变压器的套管建立保护模型和神经网络模型,采用步骤S3中得到基础向量集作为训练样本对神经网络进行训练;
S5、分析识别故障前与故障后的系统拓扑结构差异,确定故障点;
S6、基于面向故障点的神经网络模型进行初级故障诊断;
S7、利用模糊技术对初级故障诊断结论进行预处理;
S8、根据变压器套管拓扑信息形成候选故障点集D={d1,d2…dN},其中,d为候选故障点;
S9、根据变压器套管拓扑信息形成各个候选故障点的直接关联故障点集合Di-direct={dm…dn}与隔一级关联故障点集合Di-indirect={dk…di};
S10、确定模糊密度,即g=g({xi}),i=1,2,…n,其中,g就是第i个信息的模糊密度,亦即为第i个信息的权重;
S11、根据拓扑信息及各故障点的诊断结论,形成直接关联故障点对候选故障点的故障的支持程度的集合Fi-direct={fm…fn}与隔一级关联故障点对该候选故障点的故障的支持程度的集合Fi-indirect={fk…fi};
S12、根据式计算模糊积分值ei,ei即为综合诊断给出的故障可能性指标,形成候选故障套管的故障可能性指标集E={e1,e2…eN};根据故障可能性指标集,确定故障点;
S13、将各种方法得到的可能性指标集,选择误差范围值小于20%作为基础向量集;
S14、将各种方法得到的基础向量集通过DS融合技术,采用特征向量合格率高于60%的特征向量形成对比向量集。
2.根据权利要求1所述基于模糊网络融合的变压器套管监测方法,其特征在于,所述步骤S7中,所述利用模糊技术对初级故障诊断结论进行预处理,其选用的隶属度如下:
其中,x为待处理的输入数据,y为处理后的数值,e为自然常数。
3.根据权利要求1所述基于模糊网络融合的变压器套管监测方法,其特征在于,所述步骤S8具体为:根据式确定λi,然后根据式g(x1)=g({x1})和式求取模糊密度g;λi是一个中间数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810965686.6A CN108845217A (zh) | 2018-08-23 | 2018-08-23 | 基于模糊网络融合的变压器套管监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810965686.6A CN108845217A (zh) | 2018-08-23 | 2018-08-23 | 基于模糊网络融合的变压器套管监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108845217A true CN108845217A (zh) | 2018-11-20 |
Family
ID=64188224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810965686.6A Withdrawn CN108845217A (zh) | 2018-08-23 | 2018-08-23 | 基于模糊网络融合的变压器套管监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108845217A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398688A (zh) * | 2020-04-03 | 2020-07-10 | 湖南中科特种陶瓷技术开发有限公司 | 一种陶瓷高介电常数(εr)和低介质损耗(QxF值)的检测方法 |
CN112036079A (zh) * | 2020-08-18 | 2020-12-04 | 哈尔滨工程大学 | 一种基于anfis的柴油机多信息融合诊断方法 |
CN117849560A (zh) * | 2024-03-07 | 2024-04-09 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及系统 |
-
2018
- 2018-08-23 CN CN201810965686.6A patent/CN108845217A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398688A (zh) * | 2020-04-03 | 2020-07-10 | 湖南中科特种陶瓷技术开发有限公司 | 一种陶瓷高介电常数(εr)和低介质损耗(QxF值)的检测方法 |
CN111398688B (zh) * | 2020-04-03 | 2022-05-27 | 湖南中科特种陶瓷技术开发有限公司 | 一种陶瓷高介电常数(εr)和低介质损耗(QxF值)的检测方法 |
CN112036079A (zh) * | 2020-08-18 | 2020-12-04 | 哈尔滨工程大学 | 一种基于anfis的柴油机多信息融合诊断方法 |
CN117849560A (zh) * | 2024-03-07 | 2024-04-09 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及系统 |
CN117849560B (zh) * | 2024-03-07 | 2024-05-28 | 南京中鑫智电科技有限公司 | 结合末屏电压和局部放电的阀侧套管绝缘监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108845217A (zh) | 基于模糊网络融合的变压器套管监测方法 | |
CN103747477B (zh) | 网络流量分析与预测方法和装置 | |
CN109165504A (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
Qi et al. | A novel deep recurrent belief network model for trend prediction of transformer DGA data | |
Jin-qiang | Fault prediction of a transformer bushing based on entropy weight TOPSIS and gray theory | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN113569928B (zh) | 一种列车运行状态检测数据缺失处理模型及重建的方法 | |
CN107843816A (zh) | 一种考虑负载率影响的变压器绝缘缺陷状态评估方法 | |
CN107831300A (zh) | 一种基于三维梯形概率模糊集的变压器绝缘油劣化评估方法 | |
CN112633658A (zh) | 一种基于cnn-lstm的低压台区拓扑关系识别方法 | |
CN117849558B (zh) | 电容式电压互感器主电容击穿故障在线监测方法及装置 | |
CN116008731A (zh) | 配电网高阻故障辨识方法、装置和电子设备 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN108254038B (zh) | 一种原油储罐油水界面数据去伪及液位测量的计算方法 | |
CN111709153B (zh) | 利用传递函数与加权组合法的油纸绝缘水分含量评估方法 | |
CN117331015A (zh) | 一种用于cvt计量误差的失准预警方法及系统 | |
CN108694445A (zh) | 基于神经网络的变压器套管监测方法 | |
CN117131786A (zh) | 一种电压互感器绝缘故障在线辨识方法 | |
Zambrano et al. | Power transformer equivalent circuit identification by artificial neural network using frequency response analysis | |
AU2021106280A4 (en) | A Method of Water Environment Risk Assessment Based on Fuzzy Integral Model | |
CN115389881A (zh) | 一种电缆中间接头的绝缘状态评估方法及装置 | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
Zhao et al. | Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network | |
CN109142882A (zh) | 基于ds融合技术的变压器套管监测方法 | |
CN115291039B (zh) | 一种谐振接地系统单相接地故障选线方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181120 |