CN109212344A - 基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统 - Google Patents
基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统 Download PDFInfo
- Publication number
- CN109212344A CN109212344A CN201810913370.2A CN201810913370A CN109212344A CN 109212344 A CN109212344 A CN 109212344A CN 201810913370 A CN201810913370 A CN 201810913370A CN 109212344 A CN109212344 A CN 109212344A
- Authority
- CN
- China
- Prior art keywords
- state
- reactor
- information
- assessment
- particle group
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统,包括获取设定的电抗器相关数据作为静态状态量;选取部分静态状态量的变化趋势作为渐变状态量;基于预设的状态量的评价指标状态函数,计算出状态值;基于预设的粒子群优化的小波神经网络状态评估模型,对得到的状态值进行分类,获得多个评估子系统的分类结果;对各个子系统的分类结果,应用基于证据理论的多信息融合评估模型进行综合状态评估。本发明将在线监测数据与部分参数的变化趋势紧密结合,通过粒子群优化与多信息融合,弥补了传统神经网络在电抗器故障诊断的应用中存在着输入数据有效性差、训练时收敛速度慢并容易陷入局部极小值、故障诊断的准确率不够高等缺陷。
Description
技术领域
本发明属于油浸式电抗器状态检测技术领域,特别涉及一种基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统。
背景技术
电抗器作为电力系统主要的感性元件,因其具有结构简单、运行维护成本低、线性度良好等优点,被广泛应用于限流、滤波、无功补偿和改善线路电压分布等方面。并联电抗器是高电压、远距离交流输电网络中不可缺少的重要设备,它可以改善沿线工频电压分布,增强系统稳定性及送电能力;降低工频暂态过电压,并进而限制操作过电压的幅值;改善轻载线路中的无功分布,降低有功损耗,提高送电效率等,因此,其运行状态关系到整个电力系统的安全稳定运行。
电抗器的健康诊断是电抗器状态检修的基础。目前针对电抗器的诊断都是以油中溶解气体分析(DGA)为主的方法,该方法虽然实现简单,但准确性不高,具有片面性。
发明内容
针对现有技术中电抗器诊断方法不准确问题,本发明提出一种基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统。
实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提出了一种基于粒子群优化和信息融合的电抗器状态评估方法,包括以下步骤:
(1)获取设定的电抗器相关数据作为状态评估中的静态状态量;
(2)选取部分静态状态量的变化趋势作为状态评估中的渐变状态量;
(3)根据预设的状态量的评价指标状态函数,获得状态值;
(4)根据预设的粒子群优化的小波神经网络状态评估模型,对步骤(3)中得到的状态值进行分类,获得多个评估子系统的分类结果;
(5)对各个子系统的分类结果,应用基于证据理论的多信息融合评估模型进行综合状态评估,得到电抗器最终状态评估结果。
优选地,所述步骤(1)中的电抗器相关数据包括试验数据和运行数据;
所述试验数据包括:油中溶解气体的体积分数、油中总烃相对产气率、铁芯绝缘电阻、绕组套管介质损失因子和局部放电量;其中,所述的油中溶解气体的体积分数包括:油中乙炔体积分数、氢气体积分数和总烃体积分数;
所述运行数据包括:电抗器负载、油温、异常噪声、绝缘油密封与渗漏、设备温度和环境信息。
优选地,所述步骤(2)选取的部分静态状态量包括:油中乙炔体积分数、氢气体积分数和总烃体积分数、油温、异常噪声和环境信息。
优选地,所述步骤(3)中具体包括:
(3.1)采用半梯形评分模型对电抗器状态量xi打分;所述的电抗器状态量xi包括静态状态量和渐变状态量;
(3.2)采用分段线性映射方法进行归一化处理;
(3.3)若给定状态量xi的最大值Ximax和最小值Ximin,油中乙炔体积分数的评价指标状态函数为:
式中,Si为状态值,用于反应状态量与最大值和最小值之间的线性距离,取值范围为 [0,1];
对于其他不同的状态量,所划分的区间数目与区间范围根据实际工程应用进行选取。
优选地,所述步骤(4)中的小波神经网络状态评估模型中的神经网络采用的是粒子群优化的小波神经网络;具体包括以下步骤:
(4.1)在预设的小波神经网络状态评估模型中,采用PSO-WNN网络作为第1级;
(4.2)将油中乙炔体积分数、氢气体积分数、总烃体积分数以及总烃相对产气率的状态值作为信息空间I1;以油温,异常噪声,环境信息的状态值作为信息空间I2;将油中乙炔体积分数、氢气体积分数、总烃体积分数、局部放电量的变化趋势的状态值作为一个独立的信息空间I3;
(4.3)构建由3个PSO-WNN子网络并联的第1级评估子系统,将信息空间I1、信息空间I2和信息空间I3作为神经网络的输入,通过PSO-WNN网络分别判断信息空间I1、信息空间I2和信息空间I3的电抗器状态信息,进而分别得到各评估子系统的分类结果。
优选地,所述步骤(5)中,基于各个子系统的分类结果,将D-S证据理论作为第二级评估子系统,应用基于证据理论的多信息融合评估模型进行综合状态评估,最终完成电抗器状态评估;其中,D-S证据理论的决策具有如下推理规则:
式中,Fα和Fβ为识别框架内的任意不同焦元;ε1和ε2为预先设定的阈值;若Fα完全满足上述公式,则Fα为推理结果;θ为识别框架,m(θ)为θ的基本可信度,Bel为信度函数。
第二方面,本发明提出了一种基于粒子群优化和信息融合的电抗器状态评估装置,包括:
静态状态量获取模块,用于获取设定的电抗器相关数据作为状态评估中的静态状态量;
渐变状态量获取模块,用于选取部分静态状态量的变化趋势作为状态评估中的渐变状态量;
状态值计算模块,根据预设的状态量的评价指标状态函数,计算出状态值;
分类模块,用于根据预设的粒子群优化的小波神经网络状态评估模型,对计算得到的状态值进行分类,获得多个评估子系统的分类结果;
综合状态评估模块,用于对各个子系统的分类结果,应用基于证据理论的多信息融合评估模型进行综合状态评估,得到电抗器最终状态评估结果。
第三方面,本发明提出了一种基于粒子群优化和信息融合的电抗器状态评估系统,包括:
处理器,适于实现各种指令;
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行前述的一种基于粒子群优化和信息融合的电抗器状态评估方法中的任一项步骤。
与现有技术相比,本发明的有益效果为:
本发明提出的一种基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统,充分考虑电抗器研发技术的难题和运行期间出现的主要问题,选择具有代表意义的信息量作为开展评估的静态状态量,除此之外还选取部分静态状态量的变化趋势作为开展评估的渐变状态量,采用非线性指标评价函数对状态量进行归一化处理,综合应用人工神经网络 (Artificial Neural Networks,ANNs)和Dempster-Shafer(D-S)证据理论构建多信息融合的变压器状态评估模型,该方法将在线监测数据与部分参数的变化趋势紧密结合,通过粒子群优化与多信息融合,弥补了传统神经网络在电抗器故障诊断的应用中存在着输入数据有效性差、训练时收敛速度慢并容易陷入局部极小值、故障诊断的准确率不够高等缺陷,有助于提高电抗器状态评估的时效性和准确性。
附图说明
图1为本发明一种实施例的评估流程图;
图2为本发明一种实施例的多信息融合的电抗器评估模型图。
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。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
如图1-2所示,一种基于粒子群优化和信息融合的电抗器状态评估方法,包括以下步骤:
步骤(1)获取设定的电抗器相关数据作为状态评估中的静态状态量;在本发明实施例中,所述步骤(1)中的电抗器相关数据包括试验数据和运行数据;
具体地,在本发明实施例的其中具体实施方式中,所述试验数据包括:油中溶解气体的体积分数、油中总烃相对产气率、铁芯绝缘电阻、绕组套管介质损失因子和局部放电量;其中,所述的油中溶解气体的体积分数包括:油中乙炔体积分数、氢气体积分数和总烃体积分数;
在本发明实施例的其中具体实施方式中,所述运行数据包括:电抗器负载、油温、异常噪声、绝缘油密封与渗漏、设备温度和环境信息。
步骤(2)选取部分静态状态量的变化趋势作为状态评估中的渐变状态量;具体地,在本发明实施例中,所述步骤(2)选取的部分静态状态量包括:油中乙炔体积分数、氢气体积分数、总烃体积分数、油温、异常噪声和环境信息。
步骤(3)根据预设的状态量的评价指标状态函数,获得状态值;在本发明实施例中,所述步骤(3)预设的状态量的评价指标状态函数的建立过程具体包括以下子步骤:
(3.1)采用半梯形评分模型对电抗器状态量xi打分;所述的电抗器状态量xi包括静态状态量和渐变状态量;
(3.2)采用分段线性映射方法进行归一化处理;
(3.3)若给定状态量xi的最大值Ximax和最小值Ximin,油中乙炔体积评价指标状态函数为:
式中,Si为状态值,用于反应状态量与最大值和最小值之间的线性距离,取值范围为 [0,1];
对于其他不同的状态量,所划分的区间数目与区间范围根据实际工程应用进行选取,该过程为现有技术,因此,本发明中不做过多赘述。
步骤(4)基于预设的粒子群优化的小波神经网络状态评估模型,对步骤(3)中得到的状态值进行分类,获得多个评估子系统的分类结果;在本发明实施例中,所述步骤(4) 中的小波神经网络状态评估模型中的神经网络采用的是粒子群优化的小波神经网络,即在传统的小波神经网络基础上,采用粒子群算法对小波神经网络的尺度因子,连接权值进行优化,加快小波神经网络的收敛速度,该过程可以才有现有技术实现,因此,本发明中不做过多的赘述;所述步骤(4)具体包括以下步骤:
(4.1)在小波神经网络状态评估模型中,采用PSO-WNN网络作为第1级;
(4.2)将油中乙炔体积分数、氢气体积分数、总烃体积分数以及总烃相对产气率的状态值作为信息空间I1;以油温,异常噪声,环境信息的状态值作为信息空间I2;将油中乙炔体积分数、氢气体积分数、总烃体积分数、局部放电量的变化趋势的状态值作为一个独立的信息空间I3;
(4.3)构建由3个PSO-WNN子网络并联的第1级评估子系统,将信息空间I1、信息空间I2和信息空间I3作为神经网络的输入,通过PSO-WNN网络分别判断信息空间I1、信息空间I2和信息空间I3的电抗器状态信息,进而分别得到各评估子系统的分类结果;该过程的其中一种具体实现方式可以为:
取部分数据用作训练样本对PSO-WNN模型进行训练,PSO-WNN模型包括输入层,隐含层与输出层;其中,输出层节点个数设置为4个节点S1、S2、S3和S4,S1~S4分别对应正常、注意、异常和严重4种评估状态;
隐含层第j个神经元的输出Zj公式为:
X为神经网络的输入,Cj为隐含层第j个神经元中心向量,Dj为第j个神经元宽度向量;
输出层的输出向量可以表示为Y=[y1,y2,…yq]T,每一个元素表达式为:
式中,Wkj为输出层第k个神经元与隐含层j个神经元之间的连接权值。通过PSO-WNN网络判断各个信息子空间的电抗器状态信息。
步骤(5)对各个子系统的分类结果,应用基于证据理论的多信息融合评估模型进行综合状态评估,最终完成电抗器状态评评估,具体地,所述步骤(5)中,基于各个子系统的分类结果,将D-S证据理论作为第二级评估子系统,分别应用基于证据理论的多信息融合评估模型进行综合状态评估,最终完成电抗器状态评估;
其中,D-S证据理论的决策具有如下推理规则:
式中,Fα和Fβ为识别框架内的任意不同焦元;ε1和ε2为预先设定的阈值;若Fα完全满足上述公式,则Fα为推理结果。θ为识别框架,m(θ)为θ的基本可信度,Bel为信度函数;
其余部分均可以通过现有技术实现。
实施例2
基于与实施例1相同的发明构思,本发明实施例中,提出了一种基于粒子群优化和信息融合的电抗器状态评估装置,包括:
静态状态量获取模块,用于获取设定的电抗器相关数据作为状态评估中的静态状态量;
渐变状态量获取模块,用于选取部分静态状态量的变化趋势作为状态评估中的渐变状态量;
状态值计算模块,根据预设的状态量的评价指标状态函数,计算出状态值;
分类模块,用于根据预设的粒子群优化的小波神经网络状态评估模型,对计算得到的状态值进行分类,获得多个评估子系统的分类结果;
综合状态评估模块,用于对各个子系统的分类结果,应用基于证据理论的多信息融合评估模型进行综合状态评估,得到电抗器最终状态评估结果。
其余部分均与实施例1中相同,此处不赘述。
实施例3
基于与实施例1相同的发明构思,本发明实施例中,提出了一种基于粒子群优化和信息融合的电抗器状态评估系统,包括:
处理器,适于实现各种指令;
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行实施例1中所述的任一项步骤。
其余部分均与实施例1中相同,此处不赘述。
实施例4
基于与实施例1相同的发明构思,下面以某变电站1100kv电抗器为例进行说明,从最近2次色谱分析中得到的氢气体积分数、乙炔体积分数、总烃体积分数以及每月总烃相对产气率如表1所示。
表1盱眙变电站1100kv电抗器色谱数据
该电抗器安装有油中溶解气体和局部放电在线监测装置。对在线监测数据,采用简化方法计算的各个指标的每天平均相对变化率如表2和3所示。
表2电抗器在线监测数据
表3在线监测数据每天相对变化率
指标 | 氢气体积分数 | 乙炔体积分数 | 总烃体积分数 | 局部放电量 |
平均相对变化率/% | 5.95 | 16.87 | 6.92 | 6.21 |
根据证据理论,建立三个个信息空间,第1级评估子系统中所包含的粒子群优化的小波神经网络分别对应信息空间I1、I2、I3,依次记为PSO-WNN1、PSO-WNN2和RBFPSO-WNN3。
根据建立状态量的评价指标状态函数对表1和表2中的状态量数据进行评估,归一化后,分别作为神经网络RBFPSO-WNN1和PSO-WNN2的输入。将表3中的数据作为人工神经网络PSO-WNN3的输入。
PSO-WNN 2的铁芯接地电流输入设为1(状态良好),而PSO-WNN 3的铁芯接地电流输入设为0(无变化)。利用测试样本分别对训练好的3个网络进行测试,识别率分别为0.801、0.698和0.752。据此将3个PSO-WNN神经网络的可信度分别设为0.8、07和 0.75。则对应不确定因素的影响因子分别为0.2、0.3和0.25。对神经网络的输出值转换后作为3个子证据体的基本概率分配,如表4所示。可以看出信息融合之前各子证据体的可信度均没有达到判据设定的阈值,无法给出明确的结论。
表4子证据的基本概率分配
根据得到3个子证据体(由可信度函数得到)进行信息融合后的概率分配如表5所示。若设定决策规则ε1=0.5,ε2=0.1,则根据步骤推理规则,在信息融合之前,3个证据体都不能单独给出明确的结论。经过信息融合之后,不确定因素的影响大为降低,分别降为0.094、0.109和0.079。同时还可以看出,证据体1和2融合后的基概率分配为0.479,根据所设定的判据依旧得不到明确的结论;而加入证据体3之后,无论是证据体1和3 的融合,还是证据体1、2和3的融合,都可以看出电抗器处于S2,即注意状态,后者可信度更高。从实例可以看出状态量变化趋势对状态评估的重要影响。
表5信息融合后的概率分配表
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于粒子群优化和信息融合的电抗器状态评估方法,其特征在于,包括以下步骤:
(1)获取设定的电抗器相关数据作为状态评估中的静态状态量;
(2)选取部分静态状态量的变化趋势作为状态评估中的渐变状态量;
(3)根据预设的状态量的评价指标状态函数,获得状态值;
(4)根据预设的粒子群优化的小波神经网络状态评估模型,对步骤(3)中得到的状态值进行分类,获得多个评估子系统的分类结果;
(5)对各个子系统的分类结果,应用基于证据理论的多信息融合评估模型进行综合状态评估,得到电抗器最终状态评估结果。
2.根据权利要求1所述的一种基于粒子群优化和信息融合的电抗器状态评估方法,其特征在于:所述步骤(1)中的电抗器相关数据包括试验数据和运行数据;
所述试验数据包括:油中溶解气体的体积分数、油中总烃相对产气率、铁芯绝缘电阻、绕组套管介质损失因子和局部放电量;其中,所述的油中溶解气体的体积分数包括:油中乙炔体积分数、氢气体积分数和总烃体积分数;
所述运行数据包括:电抗器负载、油温、异常噪声、绝缘油密封与渗漏、设备温度和环境信息。
3.根据权利要求2所述的一种基于粒子群优化和信息融合的电抗器状态评估方法,其特征在于:所述步骤(2)选取的部分静态状态量包括:油中乙炔体积分数、氢气体积分数和总烃体积分数、油温、异常噪声和环境信息。
4.根据权利要求1所述的一种基于粒子群优化和信息融合的电抗器状态评估方法,其特征在于,所述步骤(3)中具体包括:
(3.1)采用半梯形评分模型对电抗器状态量xi打分;所述的电抗器状态量xi包括静态状态量和渐变状态量;
(3.2)采用分段线性映射方法进行归一化处理;
(3.3)若给定状态量xi的最大值Ximax和最小值Ximin,油中乙炔体积分数的评价指标状态函数为:
式中,Si为状态值,用于反应状态量与最大值和最小值之间的线性距离,取值范围为[0,1];
对于其他不同的状态量,所划分的区间数目与区间范围根据实际工程应用进行选取。
5.根据权利要求1所述的一种基于粒子群优化和信息融合的电抗器状态评估方法,其特征在于:所述步骤(4)中的小波神经网络状态评估模型中的神经网络采用的是粒子群优化的小波神经网络;具体包括以下步骤:
(4.1)在预设的小波神经网络状态评估模型中,采用PSO-WNN网络作为第1级;
(4.2)将油中乙炔体积分数、氢气体积分数、总烃体积分数以及总烃相对产气率的状态值作为信息空间I1;以油温,异常噪声,环境信息的状态值作为信息空间I2;将油中乙炔体积分数、氢气体积分数、总烃体积分数、局部放电量的变化趋势的状态值作为一个独立的信息空间I3;
(4.3)构建由3个PSO-WNN子网络并联的第1级评估子系统,将信息空间I1、信息空间I2和信息空间I3作为神经网络的输入,通过PSO-WNN网络分别判断信息空间I1、信息空间I2和信息空间I3的电抗器状态信息,进而分别得到各评估子系统的分类结果。
6.根据权利要求1所述的一种基于粒子群优化和信息融合的电抗器状态评估方法,其特征在于:所述步骤(5)中,基于各个子系统的分类结果,将D-S证据理论作为第二级评估子系统,应用基于证据理论的多信息融合评估模型进行综合状态评估,最终完成电抗器状态评估;
其中,D-S证据理论的决策具有如下推理规则:
式中,Fα和Fβ为识别框架内的任意不同焦元;ε1和ε2为预先设定的阈值;若Fα完全满足上述公式,则Fα为推理结果;θ为识别框架,m(θ)为θ的基本可信度,Bel为信度函数。
7.一种基于粒子群优化和信息融合的电抗器状态评估装置,其特征在于,包括:
静态状态量获取模块,用于获取设定的电抗器相关数据作为状态评估中的静态状态量;渐变状态量获取模块,用于选取部分静态状态量的变化趋势作为状态评估中的渐变状态量;
状态值计算模块,根据预设的状态量的评价指标状态函数,计算出状态值;
分类模块,用于根据预设的粒子群优化的小波神经网络状态评估模型,对计算得到的状态值进行分类,获得多个评估子系统的分类结果;
综合状态评估模块,用于对各个子系统的分类结果,应用基于证据理论的多信息融合评估模型进行综合状态评估,得到电抗器最终状态评估结果。
8.一种基于粒子群优化和信息融合的电抗器状态评估系统,其特征在于,包括:
处理器,适于实现各种指令;
存储设备,适于存储多条指令,所述指令适于由处理器加载并执行权利要求1-6中任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913370.2A CN109212344A (zh) | 2018-08-13 | 2018-08-13 | 基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810913370.2A CN109212344A (zh) | 2018-08-13 | 2018-08-13 | 基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109212344A true CN109212344A (zh) | 2019-01-15 |
Family
ID=64988317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810913370.2A Pending CN109212344A (zh) | 2018-08-13 | 2018-08-13 | 基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109212344A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782499A (zh) * | 2019-11-11 | 2021-05-11 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的状态评估方法及装置 |
CN113783895A (zh) * | 2021-11-10 | 2021-12-10 | 山东凤和凰城市科技有限公司 | 一种基于粒子群算法的网络安全态势感知方法 |
CN117171576A (zh) * | 2023-11-01 | 2023-12-05 | 博纯材料股份有限公司 | 应用于材料提纯系统的异常监控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07198887A (ja) * | 1993-12-28 | 1995-08-01 | Toshiba Corp | 原子炉の炉心性能推定装置 |
CN104266677A (zh) * | 2014-09-15 | 2015-01-07 | 国家电网公司 | 磁控并联电抗器运行健康状态评估方法 |
CN107179459A (zh) * | 2017-06-09 | 2017-09-19 | 广西电网有限责任公司电力科学研究院 | 一种高压电抗器潜伏性缺陷的状态监测系统 |
CN109060021A (zh) * | 2018-08-03 | 2018-12-21 | 河海大学 | 一种基于贝叶斯理论的电抗器健康状态评估方法 |
CN109214500A (zh) * | 2018-08-06 | 2019-01-15 | 广东工业大学 | 一种基于混合智能算法的变压器故障识别方法 |
-
2018
- 2018-08-13 CN CN201810913370.2A patent/CN109212344A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07198887A (ja) * | 1993-12-28 | 1995-08-01 | Toshiba Corp | 原子炉の炉心性能推定装置 |
CN104266677A (zh) * | 2014-09-15 | 2015-01-07 | 国家电网公司 | 磁控并联电抗器运行健康状态评估方法 |
CN107179459A (zh) * | 2017-06-09 | 2017-09-19 | 广西电网有限责任公司电力科学研究院 | 一种高压电抗器潜伏性缺陷的状态监测系统 |
CN109060021A (zh) * | 2018-08-03 | 2018-12-21 | 河海大学 | 一种基于贝叶斯理论的电抗器健康状态评估方法 |
CN109214500A (zh) * | 2018-08-06 | 2019-01-15 | 广东工业大学 | 一种基于混合智能算法的变压器故障识别方法 |
Non-Patent Citations (1)
Title |
---|
阮羚: "人工神经网络和信息融合技术在变压器状态评估中的应用", 《高电压技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782499A (zh) * | 2019-11-11 | 2021-05-11 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的状态评估方法及装置 |
CN112782499B (zh) * | 2019-11-11 | 2022-04-15 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的状态评估方法及装置 |
CN113783895A (zh) * | 2021-11-10 | 2021-12-10 | 山东凤和凰城市科技有限公司 | 一种基于粒子群算法的网络安全态势感知方法 |
CN117171576A (zh) * | 2023-11-01 | 2023-12-05 | 博纯材料股份有限公司 | 应用于材料提纯系统的异常监控方法及系统 |
CN117171576B (zh) * | 2023-11-01 | 2024-02-27 | 博纯材料股份有限公司 | 应用于材料提纯系统的异常监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297141A (zh) | 基于多层评估模型的故障定位方法及系统 | |
Mao et al. | Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics | |
CN109212344A (zh) | 基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统 | |
CN107656154A (zh) | 基于改进模糊c均值聚类算法的变压器故障诊断方法 | |
CN105868912A (zh) | 基于数据融合的电力变压器状态评价方法及装置 | |
CN107730084A (zh) | 基于灰色预测和风险评估的变压器检修决策方法 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN107992880A (zh) | 一种电力变压器最优集总分类故障诊断方法 | |
CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
Zeinoddini-Meymand et al. | An efficient approach with application of linear and nonlinear models for evaluation of power transformer health index | |
Gouda et al. | Enhancing the diagnostic accuracy of DGA techniques based on IEC-TC10 and related databases | |
CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
Ibrahim et al. | Selection criteria for oil transformer measurements to calculate the health index | |
CN109060021A (zh) | 一种基于贝叶斯理论的电抗器健康状态评估方法 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
Yang et al. | Intelligent fault diagnosis method of capacitor voltage transformer based on recurrent neural network | |
Rexhepi et al. | Condition assessment of power transformers status based on moisture level using fuzzy logic techniques | |
Moreira et al. | Evaluation of pattern recognition algorithms for applications on power factor compensation | |
CN115796843A (zh) | 一种电力变压器的运维策略生成方法及相关装置 | |
Zhang et al. | Research on variable weight synthesizing model for transformer condition assessment | |
CN111008779A (zh) | 一种基于多因素评估模型的变压器健康状态评估方法 | |
Wang et al. | A fault diagnosis method for transformer integrating rough set with fuzzy rules |
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 |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |