CN109188082A - 一种基于bp神经网络的变压器状态评估方法 - Google Patents
一种基于bp神经网络的变压器状态评估方法 Download PDFInfo
- Publication number
- CN109188082A CN109188082A CN201810924229.2A CN201810924229A CN109188082A CN 109188082 A CN109188082 A CN 109188082A CN 201810924229 A CN201810924229 A CN 201810924229A CN 109188082 A CN109188082 A CN 109188082A
- Authority
- CN
- China
- Prior art keywords
- transformer
- neural network
- state
- sample
- characteristic parameter
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 238000007789 sealing Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000009413 insulation Methods 0.000 claims abstract description 14
- 230000006835 compression Effects 0.000 claims abstract description 10
- 238000007906 compression Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 4
- 238000000034 method Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000007853 buffer solution Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/025—Measuring very high resistances, e.g. isolation resistances, i.e. megohm-meters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/40—Investigating hardness or rebound hardness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0014—Type of force applied
- G01N2203/0016—Tensile or compressive
- G01N2203/0019—Compressive
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0076—Hardness, compressibility or resistance to crushing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/0058—Kind of property studied
- G01N2203/0076—Hardness, compressibility or resistance to crushing
- G01N2203/0085—Compressibility
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N2203/02—Details not specific for a particular testing method
- G01N2203/06—Indicating or recording means; Sensing means
- G01N2203/067—Parameter measured for estimating the property
- G01N2203/0682—Spatial dimension, e.g. length, area, angle
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Plasma & Fusion (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于BP神经网络的变压器状态评估方法，包括：选取样本变压器若干，测量每个样本变压器的特征参数，特征参数包括：变压器绝缘电阻、变压器油中含水率、变压器油中气体浓度、变压器油的PH值、变压器密封圈的压缩永久变形和变压器密封圈的表面硬度；将选取的样本变压器分为不同的等级；建立六输入神经网络模型，训练获得神经网络状态评估模型；将待测变压器的特征参数输入神经网络状态评估模型中，对待测变压器进行状态评估。本发明通过训练获得的神经网络评估模型对待测变压器进行评估，能够较为准确的评估变压器的性能状态，评估结果的可靠性较高。
Description
技术领域
本发明属于变压器状态评估技术领域，特别涉及一种基于BP神经网络的变压器状态评估方法。
背景技术
变压器作为电网中的核心关键设备，其工作状态的安全可靠直接关系到整个电力系统的连续稳定性。变压器的故障不仅影响电力系统的输电能力，甚至可能造成电力系统的大规模停电，给电力系统和国民经济带来重大损失。根据国家电网公司对变压器事故统计分析表明，大量变压器事故的发生是由其绝缘劣化及渗漏油引起的。目前国内对电力变压器健康水平和运行状态好坏的判断主要是依据定期检修来实现的，会出现“过修”和“欠修”的情况，存在人力物力资源浪费以及供电可靠性较低的问题；且现有的变压器状态评估方法能在一定程度上对绝缘油的老化程度进行评估，但是所选用的参考量存在单一或者没有考虑到渗漏油的问题；同时，现有的变压器状态评估方法未考虑数据测量存在的分散性影响，可能产生误判结果，评估的可靠性较差。
发明内容
本发明的目的在于提供一种基于BP神经网络的变压器状态评估方法，以解决上述存在的技术问题。本发明的评估方法通过变压器多种状态下的多个特征量作为训练样本，通过训练样本训练出的评估模型去评估待测变压器，能够较为准确的评估变压器的性能状态，评估结果的可靠性较高。
为达到上述目的，本发明采用以下技术方案：
一种基于BP神经网络的变压器状态评估方法，包括以下步骤：
步骤1，选取与待评价变压器型号相同的样本变压器若干，测量每个样本变压器的特征参数，特征参数包括：变压器绝缘电阻、变压器油中含水率、变压器油中气体浓度、变压器油的PH值、变压器密封圈的压缩永久变形和变压器密封圈的表面硬度；
步骤2，根据步骤1测得的参数将选取的样本变压器分为不同的状态等级；
步骤3，建立六输入神经网络模型，将每个样本变压器的特征参数和状态等级作为六输入神经网络模型的输入，训练获得神经网络状态评估模型；
步骤4，测量待测变压器的所述特征参数，将待测变压器的特征参数输入步骤3获得的神经网络状态评估模型中，对待测变压器进行状态评估。
进一步的，样本变压器的状态根据投运的年限及是否出现过故障确定；步骤1中选取的样本变压器包括处于不同状态的变压器。
进一步的，还包括步骤5，待测变压器的特征参数及状态评估结果作为补充输入，对步骤3获得的神经网络状态评估模型进行补充训练，获得新的神经网络状态评估模型。
进一步的，步骤2中的样本变压器的状态分级规则具体为：变压器的各项特征参数均正常，投运以来未出现故障，且运行年限不超过5年，评定为状态优；变压器的各项特征参数均正常，投运以来未出现故障，运行年限超过5不超过7年，评定为状态良；变压器的特征参数中存在指标异常，但不影响变压器正常运行，评定为状态中；变压器的特征参数中存在指标异常，且有故障影响变压器正常运行，评定为状态差。
进一步的，步骤1中在测量特征参数时，每个参数均在同一条件下重复测量两次以上，取测量数据的平均值作为各参数的最终测量结果。
进一步的，步骤1中的变压器密封圈的压缩永久变形和变压器密封圈的表面硬度，均取测量数据的整数位作为测量结果。
与现有技术相比，本发明具有以下有益效果：
本发明测量并综合变压器的六个特征参量，建立一种用于对变压器状态进行评估的方法。通过本发明的方法进行评估能够较为准确真实的反映变压器的性能状态，评估结果较为可靠，对变压器管理具有一定的指导意义；本发明的方法抗干扰能力强；选用了常见的绝缘故障及渗漏油故障相关的六个特征参量，针对性强，六个特征参量通过神经网络评估模型关联对待测变压器进行评价，个别参量的偏差不会对评估结果产生较大影响，可使评估结果的可靠性和准确性较高。
进一步的，随着被测量的变压器的数量的增多，被测变压器作为补充样品能够作为BP神经网络评价模型的补充训练样本对上述模型进行补充，可进一步提高神经网络状态评估模型对变压器状态的评估能力，评估结果的可靠性和准确性也可进一步提高。
进一步的，本发明的特征参数为针对性选出的反应变压器性能的常规参数，针对性强，且测量所需要的设备较为简单，测量方便；选定的参数可与变压器状态之间建立较准确的的对应关系，可进一步提高评估结果的可靠性与准确性。
附图说明
图1是本发明的一种基于BP神经网络的变压器状态评估方法的流程示意框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参考图1，本发明的一种基于BP神经网络的变压器状态评估方法，是一种基于多参量的变压器状态评估方法，具体包括以下步骤：
步骤1，选取与待评价变压器型号相同的样本变压器若干，测量每个样本变压器的特征参数，特征参数包括：变压器绝缘电阻、变压器油中含水率、变压器油中气体浓度、变压器油的PH值、变压器密封圈的压缩永久变形和变压器密封圈的表面硬度；若干样本变压器处于不同的状态；样本变压器的状态根据投运的年限及是否出现过故障确定；步骤1中选取的样本变压器包括处于不同状态的变压器。在测量特征参数时，每个参数均在同一条件下重复测量两次以上，取测量数据的平均值作为各参数的最终测量结果。变压器密封圈的压缩永久变形和变压器密封圈的表面硬度，均取测量数据的整数位作为测量结果。六个参量通过对变压器不同状况的总结得出。
步骤1中的各个参数测量具体为：
(1)选取若干型号相同的变压器，根据国标测量变压器的绝缘电阻，测量结果利用温度系数校正到20℃的值并记录。绝缘电阻测量方法按照国标JB/T 501-2006来进行，由于绝缘电阻与绝缘物质的温度有很大关系，一般情况下是将不同温度下的测量结果利用温度系数校正到20℃的值，然后再进行比较，具体校正系数和方法参见国标GB/T 6451。
(2)变压器油中含水率测量方法按照GB/T 7601-2008，采用气相色谱法进行测量，气相色谱仪的检测精度不低于0.5mg/L，取两次测量的平均值作为最终数据。
(3)变压器油中气体浓度测量方法按照DL/T423-2009，采用真空压差法进行测量，取两次满足精度要求测试结果的平均值作为最终数据。
(4)变压器油的PH值的测量方法按照国标GB/T 7598-2008来进行，采用新配制的PH标准缓冲溶液和新配制的指示剂。在相同条件下重复测定两次，实验结果取两次结果的算术平均值。
(5)变压器密封圈的压缩永久变形的试验方法按照国标GB/T 5720-1993来进行测量，测量结果为3个，试验结果取计算结果的算术平均值，取整数位作为最终测试结果。
(6)密变压器封圈的表面硬度的试验是在微型硬度计上进行，微型硬度计及实验步骤符合GB/T 6032中的规定，测量结果为3个，取其中位数的整数位作为最终测试结果。
步骤2，根据步骤1测得的参数将选取的样本变压器分为不同的等级；具体分级规则为：
综合步骤1测量获得的6个参量，将变压器分为优、良、中、差四个状态。
变压器状态为优表明各项指标均正常，投运以来未出现明显故障，且运行年限不超过5年；变压器状态为良表明各项指标正常，投运以来存在不良工况但未出现严重故障，运行年限不超过7年，或执行C类检修；变压器状态为中表明存在指标异常，出现故障但不影响变压器运行，或检修策略为执行B类检修；变压器状态为差表明存在指标异常，且有明显故障影响变压器正常运行，或检修策略为执行A类检修。故障类型及检修类别均参考国家电网公司输变电设备状态评价导则汇编。
步骤3，建立六输入神经网络模型，将步骤1测得的样本变压器的特征参数和步骤2的样本状态分级输入六输入神经网络模型中，训练获得神经网络状态评估模型。
步骤4，测量待测变压器的所述特征参数，将待测变压器的特征参数输入步骤3获得的神经网络状态评估模型中，对待测变压器进行状态评估。
步骤5，待测变压器的特征参数及状态评估结果作为补充输入，对步骤3获得的神经网络状态评估模型进行补充训练，获得新的神经网络状态评估模型，新的神经网络状态评估模型待下次评估使用。
本发明通过选取变压器状态等级不同的绝缘油样包括优、良、中、差的变压器样本各若干，保证处于不同等级状态的变压器样本不少于5份，按照步骤1所述分别测量变压器样本的绝缘电阻、油中含水率、油中气体浓度、密封圈的压缩永久变形、密封圈的表面硬度和变压器油的PH值，以样品变压器测得的参数作为训练样本对变压器状态评估神经网络进行训练，建立并训练获得6输入神经网络状态评估模型，评估模型能够综合考量了6个特征参量之间的关系，可智能化的对六个参数与变压器状态之间的关系进行拟合，从而可得到较为可靠的评估模型，获得评估结果较为准确。另外，本发明的变压器状态评估方法是一种分析不确定性的系统分析方法，能够通过数据积累，将特征参数与目标函数之间进行线性拟合，并通过前馈反馈矩阵自动调节线性参数，从而达到最优解，进而能够自适应的对变压器状态进行评价。综上，本发明的基于神经网络法的变压器状态评估方法通过综合绝缘电阻、油中含水率、油中气体浓度、密封圈的压缩永久变形、密封圈的表面硬度和变压器油的PH值六个参量，得出变压器在某运行环境随运行时间的性能变化，通过神经网络法对变压器的绝缘状况进行打分，对其工作状况进行评价。本发明针对现有变压器状态评估方法存在的不足，提出了一种针对测量数据容错率较高的变压器状态评估方法，通过测量并综合多种状态下变压器的六个特征参量，可较为准确的评估变压器的性能状态，能够有效维护电力系统的稳定运行，提高电网的安全性；对电力系统的稳定运行、节约经济成本有着极大的实际意义。本发明的六个特征参量是从常见故障出发并通过理论分析选取的关键指标，尤其适用于待评价变压器数目较少的条件下的变压器的状态评估。需要注意的是，本发明所涉及的神经网络模型需要一定的样本采集和数据积累，即需要先对不同状态的变压器绝缘油样进行测量，并利用测量数据对神经网络进行训练，同时，训练样本越多，其模型准确率也越高。绝缘性能是变压器运行最重要的性能之一，本发明主要针对变压器的绝缘性能进行状态评估。变压器状态的影响指标众多，在整个全寿命周期里，上至生产下至运维均对变压器性能有所影响。以往对变压器的状态评估大多针对的运维阶段，提取的参量也来源于运行过程，然而在生产阶段就已有指标在对变压器的性能发挥作用。本发明除了选取了运行阶段的指标以外还选取了密封圈的表面硬度等生产阶段指标，通过分析之后，可以预判变压器的运行状态水平，指导预防维修，可一定程度上预防危险事故的发生。通过对近年变压器的事故分析，也能发现，生产设计阶段的纰漏造成的变压器事故占比相当大，这一阶段的指标分析不容忽视。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于BP神经网络的变压器状态评估方法，其特征在于，包括以下步骤：
步骤1，选取与待评价变压器型号相同的样本变压器若干，测量每个样本变压器的特征参数，特征参数包括：变压器绝缘电阻、变压器油中含水率、变压器油中气体浓度、变压器油的PH值、变压器密封圈的压缩永久变形和变压器密封圈的表面硬度；
步骤2，根据步骤1测得的参数将选取的样本变压器分为不同的状态等级；
步骤3，建立六输入神经网络模型，将每个样本变压器的特征参数和状态等级作为六输入神经网络模型的输入，训练获得神经网络状态评估模型；
步骤4，测量待测变压器的所述特征参数，将待测变压器的特征参数输入步骤3获得的神经网络状态评估模型中，对待测变压器进行状态评估。
2.根据权利要求1所述的基于BP神经网络的变压器状态评估方法，其特征在于，样本变压器的状态根据投运的年限及是否出现过故障确定；步骤1中选取的样本变压器包括处于不同状态的变压器。
3.根据权利要求1所述的基于BP神经网络的变压器状态评估方法，其特征在于，还包括步骤5，待测变压器的特征参数及状态评估结果作为补充输入，对步骤3获得的神经网络状态评估模型进行补充训练，获得新的神经网络状态评估模型。
4.根据权利要求1所述的基于BP神经网络的变压器状态评估方法，其特征在于，步骤2中的样本变压器的状态分级规则具体为：变压器的各项特征参数均正常，投运以来未出现故障，且运行年限不超过5年，评定为状态优；变压器的各项特征参数均正常，投运以来未出现故障，运行年限超过5不超过7年，评定为状态良；变压器的特征参数中存在指标异常，但不影响变压器正常运行，评定为状态中；变压器的特征参数中存在指标异常，且有故障影响变压器正常运行，评定为状态差。
5.根据权利要求1所述的基于BP神经网络的变压器状态评估方法，其特征在于，步骤1中在测量特征参数时，每个参数均在同一条件下重复测量两次以上，取测量数据的平均值作为各参数的最终测量结果。
6.根据权利要求1所述的基于BP神经网络的变压器状态评估方法，其特征在于，步骤1中的变压器密封圈的压缩永久变形和变压器密封圈的表面硬度，均取测量数据的整数位作为测量结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810924229.2A CN109188082A (zh) | 2018-08-14 | 2018-08-14 | 一种基于bp神经网络的变压器状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810924229.2A CN109188082A (zh) | 2018-08-14 | 2018-08-14 | 一种基于bp神经网络的变压器状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109188082A true CN109188082A (zh) | 2019-01-11 |
Family
ID=64921712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810924229.2A Pending CN109188082A (zh) | 2018-08-14 | 2018-08-14 | 一种基于bp神经网络的变压器状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109188082A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109813987A (zh) * | 2019-03-13 | 2019-05-28 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的变压器直流偏磁状态评估方法 |
| CN110045093A (zh) * | 2019-05-21 | 2019-07-23 | 广东电网有限责任公司 | 一种变压器油劣化检测方法及其装置 |
| CN110211121A (zh) * | 2019-06-10 | 2019-09-06 | 北京百度网讯科技有限公司 | 用于推送模型的方法和装置 |
| CN110245391A (zh) * | 2019-05-28 | 2019-09-17 | 上海发电设备成套设计研究院有限责任公司 | 一种基于人工神经网络用硬度预测寿命的方法 |
| CN110286303A (zh) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | 一种基于bp神经网络的同轴电缆绝缘老化状态评估方法 |
| CN110308375A (zh) * | 2019-06-26 | 2019-10-08 | 国网陕西省电力公司西安供电公司 | 一种基于神经网络集成的电缆绝缘状态评估方法 |
| CN110632546A (zh) * | 2019-09-25 | 2019-12-31 | 国网江苏省电力有限公司电力科学研究院 | 基于全网域证据集的电子式互感器可信度评估方法和装置 |
| CN113189413A (zh) * | 2021-03-19 | 2021-07-30 | 广西电网有限责任公司电力科学研究院 | 一种变压器过负载综合评价系统及方法 |
| CN117574091A (zh) * | 2023-12-11 | 2024-02-20 | 西南交通大学 | 一种基于改进蚁群优化bp神经网络干式变压器剩余寿命的预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1484034A (zh) * | 2002-09-18 | 2004-03-24 | 新疆特变电工股份有限公司 | 变压器在线智能监测系统及其智能分析诊断方法 |
| JP2011223801A (ja) * | 2010-04-13 | 2011-11-04 | Chugoku Electric Power Co Inc:The | 直流地絡箇所探索方法、地絡電流供給装置及び直流地絡監視システム |
| CN102621421A (zh) * | 2012-03-29 | 2012-08-01 | 贵阳供电局 | 一种基于关联分析与变权重系数的变压器状态评估方法 |
| 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 |
| CN103605881A (zh) * | 2013-10-25 | 2014-02-26 | 南昌大学 | 一种基于故障树和层次分析法的电力变压器状态评估方法 |
| CN103926490A (zh) * | 2014-04-21 | 2014-07-16 | 广东电网公司茂名供电局 | 一种具有自学习功能的电力变压器综合诊断方法 |
| CN104112239A (zh) * | 2014-07-03 | 2014-10-22 | 深圳供电局有限公司 | 一种利用基准态分析的变压器状态评估方法及装置 |
| CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
| CN106908674A (zh) * | 2017-02-17 | 2017-06-30 | 国网上海市电力公司 | 一种基于多状态量预测的变压器状态评估方法 |
| CN107767088A (zh) * | 2017-12-07 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种基于设备缺陷的变压器风险评估方法及装置 |
-
2018
- 2018-08-14 CN CN201810924229.2A patent/CN109188082A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1484034A (zh) * | 2002-09-18 | 2004-03-24 | 新疆特变电工股份有限公司 | 变压器在线智能监测系统及其智能分析诊断方法 |
| JP2011223801A (ja) * | 2010-04-13 | 2011-11-04 | Chugoku Electric Power Co Inc:The | 直流地絡箇所探索方法、地絡電流供給装置及び直流地絡監視システム |
| CN102621421A (zh) * | 2012-03-29 | 2012-08-01 | 贵阳供电局 | 一种基于关联分析与变权重系数的变压器状态评估方法 |
| 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 |
| CN103605881A (zh) * | 2013-10-25 | 2014-02-26 | 南昌大学 | 一种基于故障树和层次分析法的电力变压器状态评估方法 |
| CN103926490A (zh) * | 2014-04-21 | 2014-07-16 | 广东电网公司茂名供电局 | 一种具有自学习功能的电力变压器综合诊断方法 |
| CN104112239A (zh) * | 2014-07-03 | 2014-10-22 | 深圳供电局有限公司 | 一种利用基准态分析的变压器状态评估方法及装置 |
| CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
| CN106908674A (zh) * | 2017-02-17 | 2017-06-30 | 国网上海市电力公司 | 一种基于多状态量预测的变压器状态评估方法 |
| CN107767088A (zh) * | 2017-12-07 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种基于设备缺陷的变压器风险评估方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 夏阳: "输变电设备状态评估建模的研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109813987B (zh) * | 2019-03-13 | 2020-12-01 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的变压器直流偏磁状态评估方法 |
| CN109813987A (zh) * | 2019-03-13 | 2019-05-28 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的变压器直流偏磁状态评估方法 |
| CN110045093A (zh) * | 2019-05-21 | 2019-07-23 | 广东电网有限责任公司 | 一种变压器油劣化检测方法及其装置 |
| CN110245391B (zh) * | 2019-05-28 | 2023-07-18 | 上海发电设备成套设计研究院有限责任公司 | 一种基于人工神经网络用硬度预测寿命的方法 |
| CN110245391A (zh) * | 2019-05-28 | 2019-09-17 | 上海发电设备成套设计研究院有限责任公司 | 一种基于人工神经网络用硬度预测寿命的方法 |
| CN110211121B (zh) * | 2019-06-10 | 2021-07-16 | 北京百度网讯科技有限公司 | 用于推送模型的方法和装置 |
| CN110211121A (zh) * | 2019-06-10 | 2019-09-06 | 北京百度网讯科技有限公司 | 用于推送模型的方法和装置 |
| CN110308375A (zh) * | 2019-06-26 | 2019-10-08 | 国网陕西省电力公司西安供电公司 | 一种基于神经网络集成的电缆绝缘状态评估方法 |
| CN110286303A (zh) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | 一种基于bp神经网络的同轴电缆绝缘老化状态评估方法 |
| CN110632546A (zh) * | 2019-09-25 | 2019-12-31 | 国网江苏省电力有限公司电力科学研究院 | 基于全网域证据集的电子式互感器可信度评估方法和装置 |
| CN110632546B (zh) * | 2019-09-25 | 2021-07-02 | 国网江苏省电力有限公司电力科学研究院 | 基于全网域证据集的电子式互感器可信度评估方法和装置 |
| CN113189413A (zh) * | 2021-03-19 | 2021-07-30 | 广西电网有限责任公司电力科学研究院 | 一种变压器过负载综合评价系统及方法 |
| CN117574091A (zh) * | 2023-12-11 | 2024-02-20 | 西南交通大学 | 一种基于改进蚁群优化bp神经网络干式变压器剩余寿命的预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109188082A (zh) | 一种基于bp神经网络的变压器状态评估方法 | |
| CN102621421B (zh) | 一种基于关联分析与变权重系数的变压器状态评估方法 | |
| CN102662113B (zh) | 基于故障树的油浸式变压器综合诊断方法 | |
| CN106199305B (zh) | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 | |
| CN103454516B (zh) | 智能化变电站二次设备健康状态诊断方法 | |
| CN106405475A (zh) | 电能表异常诊断方法 | |
| CN109298379B (zh) | 一种基于数据监测的智能电表现场误差异常的识别方法 | |
| CN106443556A (zh) | 电能表智能诊断方法 | |
| CN104316803B (zh) | 一种基于带电检测的电力变压器状态评价方法及系统 | |
| CN105891629A (zh) | 一种变压器设备故障的辨识方法 | |
| CN103605881A (zh) | 一种基于故障树和层次分析法的电力变压器状态评估方法 | |
| CN109490726A (zh) | 基于云理论的电力变压器绝缘状态评估方法 | |
| CN105512474A (zh) | 一种变压器状态监测数据的异常检测方法 | |
| CN103218695A (zh) | 二次设备智能状态评估诊断系统及其方法 | |
| CN105976575A (zh) | 一种监测电力变压器异常状态的报警系统的工作方法 | |
| CN108898311A (zh) | 一种面向智能配电网抢修调度平台的数据质量检测方法 | |
| CN103513125A (zh) | 一种220kv级以上变压器一体化智能诊断系统及其方法 | |
| CN105044499A (zh) | 一种电力系统设备变压器状态的检测方法 | |
| CN109813987A (zh) | 一种基于bp神经网络的变压器直流偏磁状态评估方法 | |
| CN105719094A (zh) | 一种输电设备状态评估方法 | |
| CN113655425B (zh) | 适用于10kv配线线路的计量点运行误差监测方法与系统 | |
| CN106443229A (zh) | 一种变压器绕组变形的诊断方法 | |
| Ashok et al. | Systematic study of data requirements and AMI capabilities for smart meter analytics | |
| CN105242129B (zh) | 一种变压器绕组故障概率确定方法 | |
| CN114325555B (zh) | 一种计量设备异常在线监测模型及误差计算方法 |
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: 20190111 |