CN109270174A - 一种改进灰色预测模型的变压器油色谱气体预测方法 - Google Patents
一种改进灰色预测模型的变压器油色谱气体预测方法 Download PDFInfo
- Publication number
- CN109270174A CN109270174A CN201810841386.7A CN201810841386A CN109270174A CN 109270174 A CN109270174 A CN 109270174A CN 201810841386 A CN201810841386 A CN 201810841386A CN 109270174 A CN109270174 A CN 109270174A
- Authority
- CN
- China
- Prior art keywords
- value
- error
- order
- moment
- prediction
- 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.)
- Granted
Links
Classifications
-
- 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
- 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
- G01N2030/022—Column chromatography characterised by the kind of separation mechanism
- G01N2030/025—Gas chromatography
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种改进的灰色预测模型的变压器油色谱气体预测方法,其步骤主要是:A、数据采集通得到当前采集时刻k的气体含量值gi(k);B、初步预测用灰色预测模型方法得到气体含量预测值序列;C、计算预测值的一阶误差;D、计算一阶修正误差预测值;E、计算一阶修正预测值得到气体含量数据预测值gi *(k)的一阶修正值;F、计算二阶误差计算二阶误差G、计算二阶修正误差预测值得到二阶修正误差预测值;H、计算修正预测值得出变压器油色谱气体下的修正预测值;该方法预测出的变压器油色谱下一时刻的数据的精度高和准确性强,从而更有效地降低或排除变压器故障的发生,保障供电系统的安全可靠运行。
Description
技术领域
本发明涉及一种油浸式变压器故障预测方法,尤其涉及一种通过变压器油气体色谱的预测来预测变压器故障的方法。
背景技术
一直以来,我国电力系统对变压器的维修采用的多是定期维修。这种方式会产生两种截然相反的情况:一是对运行状态良好的设备“过度维修”,造成人力、物力、财力的浪费;二是对已经出现故障征兆和存在潜伏性故障的设备“维修不足”,让设备继续带病运行,最终导致故障的发生。因此,近年来发展一种预知性的维修又称为状态维修即“当修必修”。它是通过对变压器的状态评估和风险分析来制定设备检修计划,达到设备运行可靠、检修成本合理的一种设备维修策略。
对于电力变压器,目前几乎都是用油来绝缘和散热。变压器油与油中的固体有机绝缘材料(纸和纸板等)在高压运行过程中,因电、热、氧化和局部电弧等多种因素作用会逐渐变质,裂解成低分子气体;变压器内部存在的潜伏性过热或放电故障又会加快产气的速率。随着故障的缓慢发展,裂解出来的气体形成气泡在油中经过流动、扩散作用,就会不断地溶解在油中。同一类性质的故障,其产生的气体的组分和含量相似,从而变压器油的气体色谱能够反映出变压器的绝缘老化或故障的类型和程度,可以作为反映电气设备异常的特征量。
变压器油气体色谱的灰色预测方法的原理是,根据变压器油色谱已有的历史数据,预测出变压器油色谱下一时刻的数据,进而预测出变压器近期是否会发生故障以及发生故障的类型;从而及时发现“带病运行”的变压器,以便针对这些“带病运行”的变压器进行及时的维修,避免其发生故障后维修,使得电力系统安全、稳定、可靠的工作;并可以大幅度降低变压器的检修成本,延长其使用寿命,具有很好的经济性。
现有的变压器油气体色谱普遍采用的是一阶的、一变量的灰色系统模型GM(1,1)预测方法,其具体做法是,将每种气体含量各时刻的数据构成时间序列,再将时间序列按照时间顺序进行一次加(即将时间序列中的任一数值与前面的数值累加)得到气体含量的累加序列,再将累加序列与时间序列的逐项相加,再除以2得到近邻均值序列;最后根据近邻均值序列,得到一阶白化微分方程微分方程中α为发展灰数,μ为内生控制灰数;将近邻均值序列的相邻两个值的差作为微分值代入微分方程,用最小二乘法估计出发展灰数α和内生控制灰数μ(估计出的两个参数使得用微分方程算出的所有的近邻均值与对应的实际近邻均值的误差的平方的和最小);求解出的两个参数的值代入原微分方程中,用离散变量k来代替微分方程中的t,将求解出的值进行累减计算,即可得到预测值。
但现有的灰色预测方法中的GM(1,1)模型,其白化微分方程只考虑了泰勒方程中的一阶微分项,没考虑二阶及更高阶项,其拟合出的曲线与实际值的误差偏大,其预测出的变压器油色谱下一时刻的数据的精度和准确性有待提高,不能为变压器近期是否会发生故障以及发生故障的类型;从而及时发现“带病运行”的变压器的故障的预测和维护提供可靠的依据。
发明内容
本发明的目的是提供一种基于改进的灰色模型的变压器故障预测的方法,该方法预测出的变压器油色谱下一时刻的数据的精度高和准确性强,能够更准确的预测出变压器的故障发生时刻及类型,使系统检修人员能够采取更有针对性的维护措施,更有效地降低或排除变压器故障的发生,保障供电系统的安全可靠运行。
本发明实现其发明目的所采用的技术方案是,一种改进灰色预测模型的变压器油色谱气体预测方法,其步骤为:
A、数据采集
通过变压器油色谱监测系统,采集得到变压器油中的气体含量值gi(k);其中下标i为气体种类标识,i=1表示氢气、i=2表示甲烷、i=3表示乙烷、i=4表示乙烯、i=5表示乙炔、 i=6表示一氧化碳、i=7表示二氧化碳;k表示当前采集时刻;
B、初步预测
将时刻k-4n+1到时刻k-2n-1+m的气体含量值gi(k-4n+1)、gi(k-4n+2)、gi(k-4n+3)…、 gi(k-4n+m),作为一阶的、一变量的灰色系统模型GM(1,1)的输入,通过灰色系统预测方法得到k-2n+m时刻的气体含量预测值;其中,n为预测用气体含量值最小个数的一半,其取值为20-100;m为气体含量预测计算次数的序号,m=1,2,3,…2n,2n+1;
将m的值代入k-2n+m时刻的气体含量预测值gi *(k-2n+m),得到气体含量预测值序列 {gi *(k-2n+1)、gi *(k-2n+2)、gi *(k-2n+3)、…、gi *(k)、gi *(k+1)};
C、计算预测值的一阶误差
C1、将k-2n+m时刻的气体含量预测值gi *(k-2n+m)与k-2n+m时刻的气体含量值 gi(k-2n+m),作为灰色系统模型GM(1,1)的输入,通过灰色系统预测方法得到k-2n+m时刻的一阶误差δi (1)(k-2n+m),即:
C2、将一阶误差δi (1)(k-2n+m)转换为非负值的一阶修正误差γi (1)(k-2n+m),即
γi (1)(k-2n+m)=δi (1)(k-2n+m)+1(m=1,2,3,…,2n)
D、计算一阶修正误差预测值
将时刻k-2n+1到时刻k-n-1+m′的一阶修正误差γi (1)(k-2n+1)、γi (1)(k-2n+2)、…、γi (1)(k-n-1+m′),作为灰色系统模型GM(1,1)的输入,通过灰色系统预测方法得到k-n+m′时刻的一阶修正误差的预测值γi (1)*(k-n+m′),其中,m′为一阶修正误差预测计算次数的序号,m′=1,2,3,…,n+1;
将m′的值代入k-n+m′时刻的γi (1)*(k-n+m′),得到一阶修正误差的预测值序列{γi (1)*(k-n+1)、γi (1)*(k-n+2)、…、γi (1)*(k)、γi (1)*(k+1)}
E、计算一阶修正预测值
用下式算出k-n+m”时刻的气体含量数据预测值gi *(k)的一阶修正值即:
其中,m”为一阶修正预测计算次数的序号,m”=1,2,3,…,n;
F、计算二阶误差
计算时刻k-n+m”的一阶修正预测值与时刻k-n+m”的实测值 gi(k-n+m”)之间的二阶误差δi (2)(k-n+m”):
再将时刻k-n+m”的二阶误差δi (2)(k-n+m”)转换为非负值的时刻k-n+m”的二阶修正误差γi (2)(k-n+m”):
γi (2)(k-n+m”)=δi (2)(k-n+m”)+1
G、计算二阶修正误差预测值
将m”的值代入时刻k-n+m”的二阶修正误差γi (2)(k-n+m”),得到二阶修正误差序列{γi (2)(k-n+1)、γi (2)(k-n+2)、…、γi (2)(k)},将时刻k-n+1到当前时刻k的二阶修正误差γi (2)(k-n+1)、γi (2)(k-n+2)、…、γi (2)(k),用灰色预测模型方法得到下一时刻 k+1的二阶修正误差预测值γi (2)*(k+1);
H、计算修正预测值
利用下式得出变压器油色谱气体下一时刻k+1的修正预测值并将下一时刻 k+1的修正预测值作为变压器油色谱气体下一时刻k+1的最终预测结果输出值:
I、令k+1=k,重复A-H操作。
与现有技术相比,本发明的有益效果是:
本发明的灰色预测方法不仅考虑了泰勒方程中的一阶项,而且通过一阶误差修正、二阶误差修正,考虑了泰勒方程中的二阶及更高阶项,其拟合出的预测曲线(得到的最终预测值)与实际值的偏差明显降低。直观而言:其下一时刻的最终预测值不仅与GM(1, 1)方法基于时刻k-4n+1到当前时刻k的四个过去时间段的4n个实测得到的预测值gi *(k+1) 相关,还与主要基于最近两个时间段(时刻k-2n+1到当前时刻k)的2n个实际值得出的一阶误差修正值γi (1)*(k+1)有关,也与主要基于最近一个时间段(时刻k-3n+1到当前时刻k) 的1n个实际值得出的二阶误差修正值γi (2)*(k+1)有关;也即本发明方法越后的实际值与最终预测值的相关性越强,这与变压器油气色谱越近的状态对其后续的演进影响越大的时间演进变化规律相符。因此,本发明方法其预测值更精确、可靠,能为变压器近期是否会发生故障以及发生故障的类型;从而及时发现“带病运行”的变压器的故障的预测和维护提供精确、可靠的依据。进而更准确的预测出变压器的故障发生时刻及类型,使系统检修人员能够采取更有针对性的维护措施,更有效地降低或排除变压器故障的发生,保障供电系统的安全可靠运行。
具体实施方式
实施例
本发明实现其发明目的所采用的技术方案是,一种改进灰色预测模型的变压器油色谱气体预测方法,其步骤为:
A、数据采集
通过变压器油色谱监测系统,采集得到变压器油中的气体含量值gi(k);其中下标i为气体种类标识,i=1表示氢气、i=2表示甲烷、i=3表示乙烷、i=4表示乙烯、i=5表示乙炔、 i=6表示一氧化碳、i=7表示二氧化碳;k表示当前采集时刻;
B、初步预测
将时刻k-4n+1到时刻k-2n-1+m的气体含量值gi(k-4n+1)、gi(k-4n+2)、gi(k-4n+3)…、gi(k-4n+m),作为一阶的、一变量的灰色系统模型GM(1,1)的输入,通过灰色系统预测方法得到k-2n+m时刻的气体含量预测值;其中,n为预测用气体含量值最小个数的一半,其取值为20-100;m为气体含量预测计算次数的序号,m=1,2,3,…2n,2n+1;
将m的值代入k-2n+m时刻的气体含量预测值gi *(k-2n+m),得到气体含量预测值序列 {gi *(k-2n+1)、gi *(k-2n+2)、gi *(k-2n+3)、…、gi *(k)、gi *(k+1)};
C、计算预测值的一阶误差
C1、将k-2n+m时刻的气体含量预测值gi *(k-2n+m)与k-2n+m时刻的气体含量值 gi(k-2n+m),作为灰色系统模型GM(1,1)的输入,通过灰色系统预测方法得到k-2n+m时刻的一阶误差δi (1)(k-2n+m),即:
C2、将一阶误差δi (1)(k-2n+m)转换为非负值的一阶修正误差γi (1)(k-2n+m),即
γi (1)(k-2n+m)=δi (1)(k-2n+m)+1(m=1,2,3,…,2n)
D、计算一阶修正误差预测值
将时刻k-2n+1到时刻k-n-1+m′的一阶修正误差γi (1)(k-2n+1)、γi (1)(k-2n+2)、…、γi (1)(k-n-1+m′),作为灰色系统模型GM(1,1)的输入,通过灰色系统预测方法得到k-n+m′时刻的一阶修正误差的预测值γi (1)*(k-n+m′),其中,m′为一阶修正误差预测计算次数的序号,m′=1,2,3,…,n+1;
将m′的值代入k-n+m′时刻的γi (1)*(k-n+m′),得到一阶修正误差的预测值序列{γi (1)*(k-n+1)、γi (1)*(k-n+2)、…、γi (1)*(k)、γi (1)*(k+1)}
E、计算一阶修正预测值
用下式算出k-n+m”时刻的气体含量数据预测值gi *(k)的一阶修正值即:
其中,m”为一阶修正预测计算次数的序号,m”=1,2,3,…,n;
F、计算二阶误差
计算时刻k-n+m”的一阶修正预测值与时刻k-n+m”的实测值 gi(k-n+m”)之间的二阶误差δi (2)(k-n+m”):
再将时刻k-n+m”的二阶误差δi (2)(k-n+m”)转换为非负值的时刻k-n+m”的二阶修正误差γi (2)(k-n+m”):
γi (2)(k-n+m”)=δi (2)(k-n+m”)+1
G、计算二阶修正误差预测值
将m”的值代入时刻k-n+m”的二阶修正误差γi (2)(k-n+m”),得到二阶修正误差序列{γi (2)(k-n+1)、γi (2)(k-n+2)、…、γi (2)(k)},将时刻k-n+1到当前时刻k的二阶修正误差γi (2)(k-n+1)、γi (2)(k-n+2)、…、γi (2)(k),用灰色预测模型方法得到下一时刻 k+1的二阶修正误差预测值γi (2)*(k+1);
H、计算修正预测值
利用下式得出变压器油色谱气体下一时刻k+1的修正预测值并将下一时刻 k+1的修正预测值作为变压器油色谱气体下一时刻k+1的最终预测结果输出值:
I、令k+1=k,重复A-H操作。
Claims (1)
1.一种改进灰色预测模型的变压器油色谱气体预测方法,其步骤为:
A、数据采集
通过变压器油色谱监测系统,采集得到变压器油中的气体含量值gi(k);其中下标i为气体种类标识,i=1表示氢气、i=2表示甲烷、i=3表示乙烷、i=4表示乙烯、i=5表示乙炔、i=6表示一氧化碳、i=7表示二氧化碳;k表示当前采集时刻;
B、初步预测
将时刻k-4n+1到时刻k-2n-1+m的气体含量值gi(k-4n+1)、gi(k-4n+2)、gi(k-4n+3)…、gi(k-4n+m),作为一阶的、一变量的灰色系统模型GM(1,1)的输入,通过灰色系统预测方法得到k-2n+m时刻的气体含量预测值;其中,n为预测用气体含量值最小个数的一半,其取值为20-100;m为气体含量预测计算次数的序号,m=1,2,3,…2n,2n+1;
将m的值代入k-2n+m时刻的气体含量预测值gi *(k-2n+m),得到气体含量预测值序列{gi *(k-2n+1)、gi *(k-2n+2)、gi *(k-2n+3)、…、gi *(k)、gi *(k+1)};
C、计算预测值的一阶误差
C1、将k-2n+m时刻的气体含量预测值gi *(k-2n+m)与k-2n+m时刻的气体含量值gi(k-2n+m),作为灰色系统模型GM(1,1)的输入,通过灰色系统预测方法得到k-2n+m时刻的一阶误差δi (1)(k-2n+m),即:
C2、将一阶误差δi (1)(k-2n+m)转换为非负值的一阶修正误差γi (1)(k-2n+m),即
γi (1)(k-2n+m)=δi (1)(k-2n+m)+1(m=1,2,3,…,2n)
D、计算一阶修正误差预测值
将时刻k-2n+1到时刻k-n-1+m′的一阶修正误差γi (1)(k-2n+1)、γi (1)(k-2n+2)、…、γi (1)(k-n-1+m′),作为灰色系统模型GM(1,1)的输入,通过灰色系统预测方法得到k-n+m′时刻的一阶修正误差的预测值γi (1)*(k-n+m′),其中,m′为一阶修正误差预测计算次数的序号,m′=1,2,3,…,n+1;
将m′的值代入k-n+m′时刻的γi (1)*(k-n+m′),得到一阶修正误差的预测值序列{γi (1)*(k-n+1)、γi (1)*(k-n+2)、…、γi (1)*(k)、γi (1)*(k+1)}
E、计算一阶修正预测值
用下式算出k-n+m”时刻的气体含量数据预测值gi *(k)的一阶修正值即:
其中,m”为一阶修正预测计算次数的序号,m”=1,2,3,…,n;
F、计算二阶误差
计算时刻k-n+m”的一阶修正预测值与时刻k-n+m”的实测值gi(k-n+m”)之间的二阶误差δi (2)(k-n+m”):
再将时刻k-n+m”的二阶误差δi (2)(k-n+m”)转换为非负值的时刻k-n+m”的二阶修正误差γi (2)(k-n+m”):
γi (2)(k-n+m”)=δi (2)(k-n+m”)+1
G、计算二阶修正误差预测值
将m”的值代入时刻k-n+m”的二阶修正误差γi (2)(k-n+m”),得到二阶修正误差序列{γi (2)(k-n+1)、γi (2)(k-n+2)、…、γi (2)(k)},将时刻k-n+1到当前时刻k的二阶修正误差γi (2)(k-n+1)、γi (2)(k-n+2)、…、γi (2)(k),用灰色预测模型方法得到下一时刻k+1的二阶修正误差预测值γi (2)*(k+1);
H、计算修正预测值
利用下式得出变压器油色谱气体下一时刻k+1的修正预测值并将下一时刻k+1的修正预测值作为变压器油色谱气体下一时刻k+1的最终预测结果输出值:
I、令k+1=k,重复A-H操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810841386.7A CN109270174B (zh) | 2018-07-27 | 2018-07-27 | 一种改进灰色预测模型的变压器油色谱气体预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810841386.7A CN109270174B (zh) | 2018-07-27 | 2018-07-27 | 一种改进灰色预测模型的变压器油色谱气体预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109270174A true CN109270174A (zh) | 2019-01-25 |
CN109270174B CN109270174B (zh) | 2021-07-16 |
Family
ID=65153306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810841386.7A Active CN109270174B (zh) | 2018-07-27 | 2018-07-27 | 一种改进灰色预测模型的变压器油色谱气体预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109270174B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113916843A (zh) * | 2021-10-26 | 2022-01-11 | 中国人民解放军91315部队 | 基于灰色模型的机械设备润滑油性能预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100885917B1 (ko) * | 2007-03-16 | 2009-02-26 | 삼성전자주식회사 | 선형 변환기를 이용하여 오차를 효율적으로 분산할 수 있는디더링 시스템 및 그에 적합한 방법 |
CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
CN103941131A (zh) * | 2014-05-14 | 2014-07-23 | 国家电网公司 | 基于精简集约简不均衡svm变压器故障检测方法 |
WO2014153570A9 (en) * | 2013-03-15 | 2015-08-06 | Transtar Group, Ltd | New and improved system for processing various chemicals and materials |
CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm(1,1)模型变压器故障预测方法 |
CN107730084A (zh) * | 2017-09-18 | 2018-02-23 | 杭州安脉盛智能技术有限公司 | 基于灰色预测和风险评估的变压器检修决策方法 |
-
2018
- 2018-07-27 CN CN201810841386.7A patent/CN109270174B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100885917B1 (ko) * | 2007-03-16 | 2009-02-26 | 삼성전자주식회사 | 선형 변환기를 이용하여 오차를 효율적으로 분산할 수 있는디더링 시스템 및 그에 적합한 방법 |
CN101587155A (zh) * | 2009-06-08 | 2009-11-25 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
WO2014153570A9 (en) * | 2013-03-15 | 2015-08-06 | Transtar Group, Ltd | New and improved system for processing various chemicals and materials |
CN103941131A (zh) * | 2014-05-14 | 2014-07-23 | 国家电网公司 | 基于精简集约简不均衡svm变压器故障检测方法 |
CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm(1,1)模型变压器故障预测方法 |
CN107730084A (zh) * | 2017-09-18 | 2018-02-23 | 杭州安脉盛智能技术有限公司 | 基于灰色预测和风险评估的变压器检修决策方法 |
Non-Patent Citations (3)
Title |
---|
SHENG LIN等: "Traction Power Supply System Fault Diagnosis Model Based on Bayesian Network Considering the Uncertainty of Information", 《2016 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-CHENGDU)》 * |
王有元等: "变压器油中溶解气体浓度灰色预测模型的改进", 《高电压技术》 * |
赵文清等: "基于改进型灰色理论的变压器油中溶解气体预测模型 ", 《电力自动化设备》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113916843A (zh) * | 2021-10-26 | 2022-01-11 | 中国人民解放军91315部队 | 基于灰色模型的机械设备润滑油性能预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109270174B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104914327B (zh) | 基于实时监测信息的变压器故障检修预测方法 | |
CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
Dong et al. | A novel maintenance decision making model of power transformers based on reliability and economy assessment | |
CN102981108B (zh) | 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法 | |
Wang et al. | Novel grey model for the prediction of trend of dissolved gases in oil-filled power apparatus | |
CN105512962A (zh) | 一种气体绝缘组合电器绝缘状态综合评估方法 | |
CN112179655B (zh) | 一种基于阈值分级的汽轮发电机故障预警方法 | |
CN107203690A (zh) | 一种gm(1,1)模型变压器故障预测方法 | |
CN104156599A (zh) | 一种考虑多机理的加速寿命试验载荷谱确定方法 | |
CN103810328A (zh) | 一种基于混合模型的变压器维修决策方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN107944571A (zh) | 一种电力变压器剩余使用寿命预测方法 | |
CN108629491A (zh) | 一种换流变检修质量综合评估方法 | |
CN109164248A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
Qu et al. | PSO–SOM neural network algorithm for series arc fault detection | |
CN104636605A (zh) | 一种电力高压开关柜局放程度的状态评价方法 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN109270174A (zh) | 一种改进灰色预测模型的变压器油色谱气体预测方法 | |
CN104732107B (zh) | 以介质参数为评估参量的变压器套管剩余寿命预测方法 | |
CN116031867A (zh) | 一种电网暂态安全稳定性评估方法 | |
Aziz et al. | Critical comparison of power-based wind turbine fault-detection methods using a realistic framework for SCADA data simulation | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN104360194A (zh) | 一种智能电网故障诊断方法 | |
Jota et al. | A class of hybrid intelligent system for fault diagnosis in electric power systems | |
Aziz et al. | SCADA data based realistic simulation framework to evaluate environmental impact on performance of wind turbine condition monitoring systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |