CN109359271A - 一种基于逻辑回归的变压器绕组变形程度在线检测方法 - Google Patents

一种基于逻辑回归的变压器绕组变形程度在线检测方法 Download PDF

Info

Publication number
CN109359271A
CN109359271A CN201811567604.9A CN201811567604A CN109359271A CN 109359271 A CN109359271 A CN 109359271A CN 201811567604 A CN201811567604 A CN 201811567604A CN 109359271 A CN109359271 A CN 109359271A
Authority
CN
China
Prior art keywords
winding
deformation
transformer
line monitoring
logic
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
Application number
CN201811567604.9A
Other languages
English (en)
Other versions
CN109359271B (zh
Inventor
华中生
游雨暄
徐晓燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201811567604.9A priority Critical patent/CN109359271B/zh
Publication of CN109359271A publication Critical patent/CN109359271A/zh
Application granted granted Critical
Publication of CN109359271B publication Critical patent/CN109359271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
    • 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

Abstract

本发明公开了一种基于逻辑回归的变压器绕组变形程度在线检测方法，包括：采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标；特征提取，将筛选出的在线监测指标记录的在线监测数据按时间分为两段序列，分别计算两段序列的算术平均值的均方根误差x1和短路时记录的电流的算术平均值x2构成特征集{x1,x2}；将得到的特征集加上显示绕组变形情况的标签后输入到逻辑回归模型中训练诊断模型；将待测变压器进行特征提取后得到的特征集输入到训练好的逻辑回归模型中，输出待测变压器是否变形和变形概率。本发明通过对变压器在线监测数据进行分析得出绕组变形诊断结果，不需要停电和现场实验，能提高故障检修效率和节约人力物力资源。

Description

一种基于逻辑回归的变压器绕组变形程度在线检测方法
技术领域
本发明涉及变压器故障诊断领域，具体涉及一种基于逻辑回归的变压器绕组变形程度在线检测方法。
背景技术
变压器受到短路冲击或者运输碰撞后，在电动力或机械力作用下发生的绕组局部扭曲、鼓包等特征，称为绕组变形，给电力网络的安全运行埋下了巨大隐患。目前，绕组变形常用的诊断方法包括三种方法：频率响应法、低电压短路阻抗测试法、绕组介损电容量测试法。
用频率响应分析法判断变压器绕组变形，主要是对绕组的幅频响应特性进行纵向或横向比较，并综合考虑变压器遭受短路冲击的情况、变压器结构、电气试验及油中溶解气体分析等因素。纵向比较法是指对同一台变压器、同一绕组、同一分接开关位置、不同时期的幅频响应特性进行比较，根据幅频响应特性的变化判断变压器的绕组变形。该方法具有较高的检测灵敏度和判断准确性，但需要预先获得变压器原始的幅频响应特性，并应排除因检测条件及检测方式变化所造成的影响。通过相关系数可以定量描述出两条波形曲线之间的相似程度，通常可作为辅助手段用于分析变压器的绕组变形情况。
低电压短路阻抗测试法是指在不高于500V的交流工频电压下用绕组参数短路阻抗、短路电抗和漏电感的相对变化和三相不对称程度作为判断绕组有无变形的依据。变压器的每一对绕组的漏电感是这两个绕组的相对距离的增函数，且漏电感与这两个绕组的高度的算术平均值近似成反比。即漏电感是这对绕组相对位置的函数。绕组对中任何一个绕组的变形必定会引起漏电感的变化。而短路阻抗和短路电抗都是漏电感的函数，因此任何一个绕组的变形也会引起相应的变化。
绕组介损电容量测试法的原理是任何绝缘材料在电压作用下，总会流过一定的电流，产生能量损耗。电压作用下电介质产生的一切损耗成为介质损耗，简称“介损”。变压器产品出厂后，其各绕组的电容量基本是一定的，若受短路冲击某侧绕组变形严重，其相对距离发生显著变化，则其电容量变化相应也较大。因此可以通过介损和电容量的变化来判断变压器的内部变形的情况。介质损耗因素是被试品的有功功率与无功功率的比值，可以直接用数字化介损测量仪测得。数字化介损测量仪的基本测量原理是分别将流过标准电容器和被试品的电流信号进行高速同步采样，经模数转换装置测量得到两组信号波形数据，再经计算处理中心分析，分别得出标准侧和被试侧正弦信号的幅值和相位关系，从而计算出被试品的电容量及介损值。变压器的介质损耗因素在大修及交接时，应不大于相同温度下出厂试验值的1.3倍。
上述方法的应用非常广泛，但共同的局限在于都需要停电测试，都属于离线诊断方法。离线诊断方法有三个缺点：(1)试验时需要停电。在某些情况下，由于系统运行的要求，设备无法停电，往往造成漏试或超周期试验，这就难以及时诊断出故障缺陷。(2)试验间隔周期过长。试验的周期一般为一年，一些发展较快的故障很容易在两次规定试验之间的时间内发展成为事故。(3)试验时间集中、工作量大，对操作人员的专业技能要求较高，需要大量的人力成本。
针对离线诊断方法的不足，近年来研究者们提出了许多利用设备在线监测数据诊断绕组变形的方法，我们将此类方法称为在线诊断方法。与离线诊断相比，在线诊断方法可以减少设备停电时间，节省试验费用，在运行中及时发现事故隐患，防患于未然。同时，在线诊断方法综合了在线监测序列的前后信息，监测内容丰富，信息量大，能进行更为全面的诊断。
发明内容
针对本领域存在的不足之处，本发明提供了一种基于逻辑回归的变压器绕组变形程度在线检测方法，通过逻辑回归算法从变压器各在线监测指标中找到与绕组变形显著相关的监测指标，再从显著相关的监测指标记录的监测数据中提取前后两段序列的算术平均值的均方根误差和短路时记录的电流的算数平均值作为特征，输入到逻辑回归模型中训练诊断模型，输出变压器是否变形和变形的概率。
若输出变形且变形概率大于0.9，表示绕组变形程度较高，应及时维修更换；若输出变形但变形概率在[0.1，0.9]区间，表示绕组变形程度较低，暂不需要更换，但需要加强监测。若变形概率小于0.1，表示绕组正常。
一种基于逻辑回归的变压器绕组变形程度在线检测方法，包括：
(1)将已知绕组状态的变压器的在线监测指标记录的在线监测数据采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标；
(2)将所述的与绕组变形显著相关的在线监测指标记录的在线监测数据按时间分为两段序列，分别计算两段序列的算术平均值的均方根误差x1；
(3)将得到的均方根误差x1和短路时记录的电流的算术平均值x2作为特征构成特征集{x1，x2}；
(4)将得到的特征集加上标签后输入到逻辑回归模型中训练诊断模型，所述的标签用于显示绕组变形情况；
(5)将待测变压器按步骤(2)、(3)进行特征提取得到特征集，将得到的特征集输入到步骤(4)训练好的逻辑回归模型中，输出待测变压器是否变形和变形概率。
步骤(1)中，所述的已知绕组状态的变压器一般为三相三绕组，三相分别为A相、B相和C相，三绕组分别为高压绕组、中压绕组和低压绕组。
优选地，所述的已知绕组状态的变压器的在线监测指标包括：各绕组各相的电流和电压，各绕组的有功功率、无功功率和母线电压，以及油温。具体包括：高压绕组A相电流、高压绕组B相电流、高压绕组C相电流、中压绕组A相电流、中压绕组B相电流、中压绕组C相电流、低压绕组A相电流、低压绕组B相电流、低压绕组C相电流、高压绕组A相电压、高压绕组B相电压、高压绕组C相电压、中压绕组A相电压、中压绕组B相电压、中压绕组C相电压、低压绕组A相电压、低压绕组B相电压、低压绕组C相电压、高压绕组有功功率、中压绕组有功功率、低压绕组有功功率、高压绕组无功功率、中压绕组无功功率、低压绕组无功功率、高压绕组母线电压、中压绕组母线电压、低压绕组母线电压和油温。
所述的采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标的具体步骤包括：
a.对已知绕组状态的变压器的在线监测指标记录的在线监测数据进行z-score标准化处理；
b.将同一时间点的z-score标准化处理后的在线监测数据作为自变量，该时间点的绕组变形情况作为因变量，输入到逻辑回归模型中；
c.输出对应的在线监测指标的标准化回归系数以及显著性值，筛选出显著性值小于0.05的在线监测指标作为与绕组变形显著相关的在线监测指标。
步骤a中，所述的z-score标准化是数据标准化处理的一种常用方法，能够将不同量级的数据转化为统一量度的分值进行比较，可采用如下方式计算：其中，x为已知绕组状态的变压器的在线监测指标记录的在线监测数据，μ表示同一在线监测指标记录的所有在线监测数据的算术平均值，σ表示同一在线监测指标记录的所有在线监测数据的方差。
步骤b中，所述的逻辑回归模型的方程可采用如下式子：
其中，xi为同一时间点的z-score标准化处理后的在线监测数据，βi为标准化回归系数，i＝0，1，2，…，n，n为同一时间点的z-score标准化处理后的在线监测数据的个数，y为标签，反映该时间点的绕组变形情况，y＝0表示绕组正常，y＝1表示绕组变形，E(y)为该时间点的绕组变形情况的期望值。
标准化回归系数βi表示因变量变异相同的情况下各自变量变异程度的高低，可作为筛选在线监测指标的依据。β通过极大似然法估计可得。
当在线监测指标的显著性值小于0.05时，认为该在线监测指标在绕组变形前后存在显著差异。
对于显著性值小于0.05的在线监测指标，标准化回归系数的绝对值越大，该在线监测指标对于诊断绕组变形的重要性越高。
优选地，步骤c中，筛选出显著性值小于0.05的在线监测指标后，再按照标准化回归系数的绝对值由高到低排列，标准化回归系数绝对值前10位的在线监测指标作为与绕组变形显著相关的在线监测指标。
优选地，采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标为变压器各相各绕组的电流和电压，将变压器各相各绕组的电流和电压互相作差，构造电流相差值和电压相差值作为新指标加入到筛选后的与绕组变形显著相关的在线监测指标中。
步骤(2)中，优选地，所述的将与绕组变形显著相关的在线监测指标记录的在线监测数据按时间分为两段序列的方法可以为：对于发生过短路的变压器，按最近一次的短路时间为界划分为短路前的前段序列和短路后的后段序列；对于没有发生过短路的变压器，按时间长短等分为前段序列和后段序列。
步骤(4)中，所述的标签可通过绕组变形检测方法中的短路阻抗测试法、频率响应法和拆机检测综合判断得到。
所述的训练诊断模型可视为通过已知标签的特征集估算模型参数β的过程。
步骤(5)中，所述的输出待测变压器是否变形和变形概率的具体过程是将待测变压器通过步骤(2)、(3)计算出的特证集{x1，x2}代入参数已知的逻辑回归方程其中，y＝0表示绕组正常，y＝1表示绕组变形，变形概率为输出的E(y＝1)的概率：E(y＝1)＝P(y＝1|x1，x2)。
本发明与现有技术相比，主要优点包括：
(1)通过对变压器在线监测数据进行分析得出绕组变形诊断结果，不需要停电和现场实验，能提高故障检修效率和节约人力物力资源。
(2)通过逻辑回归法从大量待选指标中筛选出与变形相关的监测数据输入模型，提升了对绕组变形诊断的正确率。
(3)不仅能诊断绕组是否发生变形，还能通过逻辑回归法的基本原理输出绕组变形的程度，有利于运检人员做出科学的维修更换和运维决策。
附图说明
图1为实施例1的基于逻辑回归的变压器绕组变形程度在线检测方法的流程图。
具体实施方式
下面结合附图及具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件，或按照制造厂商所建议的条件。
实施例1
如图1所示，基于逻辑回归的变压器绕组变形程度在线检测方法的流程包括：
S01，收集绕组变形变压器和正常变压器的在线监测数据分别作为故障变压器数据集和正常变压器数据集，统称为建模样本。
S02，对S01的所有在线监测数据进行z-score标准化处理。
S03，将每个时间点的在线监测数据作为一条记录，该时间点所有在线监测指标记录的在线监测数据作为自变量，该时间点是否变形作为因变量，输入到逻辑回归模型中，输出各监测指标的标准化回归系数以及显著性值。
S04，筛选出显著性值小于0.05的在线监测指标以及标准化回归系数的绝对值排序前十的指标，并构建电流、电压相差值作为新指标加入到筛选后的指标中。
S05，筛选和重构后的在线监测指标记录的在线监测数据按时间分为前后两段序列。对于发生过短路的变压器，按最近一次的短路时间为界划分为短路前的前段序列和短路后的后段序列；对于没有发生过短路的变压器，按时间长短等分为前段序列和后段序列。分别计算两段序列的算术平均值的均方根误差作为特征x1。
S06，在该变压器的历史短路记录中计算出平均短路电流，由每次短路时故障感应器记录的短路电流大小的算术平均值表示，作为另一特征x2，与特征x1合并为特征集{x1，x2}。
S07，将得到的样本集{x1,x2}加上是否变形的标签y后输入到逻辑回归模型中训练诊断模型，得到模型参数β0，β1，β2。
y＝0表示该变压器绕组正常，y＝1表示该变压器绕组已发生变形。标签通过绕组变形检测方法中的短路阻抗测试法、频率响应法和拆机检测综合判断得到。
S08，待测变压器的步骤S04筛选后得到的在线监测指标记录的在线监测数据经过步骤S05、S06计算出待测变压器的特征集。
S09，将步骤S08得到的待测变压器的特征集输入到步骤S07训练好的逻辑回归模型中，输出该待测变压器是否发生绕组变形以及发生绕组变形的概率E(y＝1)。
(1)选取浙江电网33台变压器，各变压器的厂家和型号各不相同。其中28台已知绕组状态的变压器作为建模样本，编号1～28，5台未知标签的待测变压器作为测试样本，编号29～33。28台建模样本中包括5台变形的变压器和23台正常的变压器。
目前用来监测变压器运行状态的数据包括电压、电流、功率和油温四类监测数据。完整的在线监测指标如表1所示，包括三绕组中各绕组下的三相电流、三相电压、有功功率、无功功率、母线电压共27个指标，再加上2个油温指标，总计29个指标。
表1变压器的在线监测指标
然而，由于各变压器的安全等级存在差异，不同变压器的在线监测指标也各不相同，安全等级较低的变压器所需的在线监测指标较多。本实施例的变压器中只有三台变压器具有完整的29个监测指标，其余变压器都存在缺失监测指标的情况。
采用逻辑回归法进行指标筛选，主要原理是运用标准化回归系数来判断因变量变异相同的情况下各自变量变异程度的高低，标准化回归系数是对所有变量进行标准化后再输入逻辑回归模型得到的自变量系数。
分别对6台故障样本应用逻辑回归法筛选出与变形显著相关的在线监测指标。将每个时间点的数据作为一条记录，该时间点所有在线监测指标的值作为自变量，该时间点绕组是否变形作为因变量，输入到逻辑回归模型中。在满足显著性值小于0.05的前提下，可以用标准化回归系数的绝对值大小作为重要性量度。以变压器1为例，自变量按照标准化系数绝对值从高到低排序。排序结果如表2所示，在变压器1总共28个在线监测指标中，前10位均为电压和电流类在线监测指标，因此电压和电流类在线监测指标的在诊断绕组变形中的重要性要高于功率和油温类在线监测指标。
表2变压器1自变量按照标准化系数绝对值从高到低排序结果
为了验证上述结论是否适用于所有变压器，用本实施例提出的模型做了两次试验，试验一用了各变压器全部的电压、电流、功率和油温四大类在线监测数据，试验二仅用了各变压器的电压和电流两类在线监测数据，试验二的包括正确率、准确率、召回率在内的模型诊断精度均与试验一相等，说明去除功率和油温指标并不会对诊断精度产生影响，因为电压和电流数据在绕组变形的诊断中起决定性作用。
因此，如表3所示，从29个监测数据中筛选出各绕组各相的电压、电流共18个在线监测指标，即在每台变压器都只留下电压、电流类的监测数据，同时构造出了12个新的电流、电压相差值指标。
(2)计算各变压器筛选和重构后的监测指标在前后两段序列的算术平均值，以变压器1为例，按最近一次短路时间2015年1月24日划分为短路前(2013/11/1-2015/1/24)和短路后(2015/1/24-2015/8/13)两段序列，计算结果如表3所示，进而计算均方根误差为0.0692，作为该变压器的特征1。因为格式限制，表3中指标名称采用简写，“低A电流”即“低压绕组A相电流值”，其他指标名称同理。
表3变压器1前后序列算术平均值及其均方根误差计算结果
(3)在变压器1的历史短路记录中计算出平均短路电流，由每次短路时故障感应器记录的短路电流大小的算术平均值表示。因为变压器1历史上只短路过1次，该次短路电流的大小为9.2kA，平均短路电流为9.2/1＝9.2作为变压器的特征2，与特征1构成变压器1的特征集{0.0692，9.2}。
同理，采用步骤(2)、(3)的方法可以计算出剩余27台变压器的特征集，计算结果汇总如表4所示。
表4 28台变压器的特征集汇总
变压器编号 x<sub>1</sub> x<sub>2</sub> 变压器编号 x<sub>1</sub> x<sub>2</sub>
1 0.069242 9.2 15 0.034477 0
2 0.01106 0 16 0.062303 2.4403
3 0.041433 0 17 0.022516 0
4 0.073747 4.62 18 0.037733 0
5 0.055642 0 19 0.04046 0
6 0.041438 0 20 0.096312 0
7 0.03686 0 21 0.091061 1.8275
8 0.037073 0 22 0.017431 0
9 0.032755 9.107 23 0.063921 0
10 0.030246 0 24 0.029177 0
11 0.031317 0 25 0.140738 0
12 0.08284 8.001 26 0.302911 0
13 0.12015 0 27 0.013409 0
14 0.054144 7.7158 28 0.052307 0
(4)利用这28台变压器提取出的特征集加上是否变形的标签后输入到逻辑回归模型中训练诊断模型，为了评判诊断模型的精度，采用三折交叉验证，模型的分类效果如表5所示。交叉验证的结果可以看出，本实施例的基于逻辑回归的变压器绕组变形程度在线检测方法具有较高的诊断精度，对正常样本和变形样本的识别率分别为100％和80％，能够对变压器绕组是否变形做出有效的诊断。
表5支持向量机交叉验证结果统计
交叉验证结果 模型判断为正常 模型判断为变形
现实情况为正常 100％ 0％
现实情况为变形 20％ 80％
(5)将5台待测变压器采用步骤(2)、(3)的方法提取出特征集，输入到训练后的诊断模型中，输出各待测变压器发生变形的概率。从表6结果可以看出，变压器29、30、32、33的变形概率小于0.1，表示绕组正常，变压器31的变形概率为0.3839，可能有轻微变形情况，暂不需要更换但需加强维护和监测。
表6待测变压器特征提取及诊断结果汇总
变压器编号 x<sub>1</sub> x<sub>2</sub> E(y＝1)
29 0.104299 5.8167 0.0043
30 0.051350 0 0.0004
31 0.010741 0 0.3839
32 0.02703 0 0.0315
33 0.08533 3.136 0.0005
此外应理解，在阅读了本发明的上述描述内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (8)

1.一种基于逻辑回归的变压器绕组变形程度在线检测方法，包括：
(1)将已知绕组状态的变压器的在线监测指标记录的在线监测数据采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标；
(2)将所述的与绕组变形显著相关的在线监测指标记录的在线监测数据按时间分为两段序列，分别计算两段序列的算术平均值的均方根误差x1；
(3)将得到的均方根误差x1和短路时记录的电流的算术平均值x2作为特征构成特征集{x1，x2}；
(4)将得到的特征集加上标签后输入到逻辑回归模型中训练诊断模型，所述的标签用于显示绕组变形情况；
(5)将待测变压器按步骤(2)、(3)进行特征提取得到特征集，将得到的特征集输入到步骤(4)训练好的逻辑回归模型中，输出待测变压器是否变形和变形概率。
2.根据权利要求1所述的基于逻辑回归的变压器绕组变形程度在线检测方法，其特征在于，所述的已知绕组状态的变压器的在线监测指标包括：各绕组各相的电流和电压，各绕组的有功功率、无功功率和母线电压，以及油温。
3.根据权利要求1所述的基于逻辑回归的变压器绕组变形程度在线检测方法，其特征在于，步骤(1)所述的采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标的具体步骤包括：
a.对已知绕组状态的变压器的在线监测指标记录的在线监测数据进行z-score标准化处理；
b.将同一时间点的z-score标准化处理后的在线监测数据作为自变量，该时间点的绕组变形情况作为因变量，输入到逻辑回归模型中；
c.输出对应的在线监测指标的标准化回归系数以及显著性值，筛选出显著性值小于0.05的在线监测指标作为与绕组变形显著相关的在线监测指标。
4.根据权利要求3所述的基于逻辑回归的变压器绕组变形程度在线检测方法，其特征在于，步骤c中，筛选出显著性值小于0.05的在线监测指标后，再按照标准化回归系数的绝对值由高到低排列，标准化回归系数绝对值前10位的在线监测指标作为与绕组变形显著相关的在线监测指标。
5.根据权利要求1或4所述的基于逻辑回归的变压器绕组变形程度在线检测方法，其特征在于，步骤(1)采用逻辑回归法筛选出与绕组变形显著相关的在线监测指标为变压器各相各绕组的电流和电压，将变压器各相各绕组的电流和电压互相作差，构造电流相差值和电压相差值作为新指标加入到筛选后的与绕组变形显著相关的在线监测指标中。
6.根据权利要求1所述的基于逻辑回归的变压器绕组变形程度在线检测方法，其特征在于，所述的将与绕组变形显著相关的在线监测指标记录的在线监测数据按时间分为两段序列的方法为：对于发生过短路的变压器，按最近一次的短路时间为界划分为短路前的前段序列和短路后的后段序列；对于没有发生过短路的变压器，按时间长短等分为前段序列和后段序列。
7.根据权利要求1所述的基于逻辑回归的变压器绕组变形程度在线检测方法，其特征在于，所述的标签通过绕组变形检测方法中的短路阻抗测试法、频率响应法和拆机检测综合判断得到。
8.根据权利要求1所述的基于逻辑回归的变压器绕组变形程度在线检测方法，其特征在于，所述的输出待测变压器是否变形和变形概率的具体过程是将待测变压器通过步骤(2)、(3)计算出的特证集{x1，x2}代入参数已知的逻辑回归方程其中，y＝0表示绕组正常，y＝1表示绕组变形，变形概率为输出的E(y＝1)的概率：E(y＝1)＝P(y＝1|x1，x2)。
CN201811567604.9A 2018-12-21 2018-12-21 一种基于逻辑回归的变压器绕组变形程度在线检测方法 Active CN109359271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811567604.9A CN109359271B (zh) 2018-12-21 2018-12-21 一种基于逻辑回归的变压器绕组变形程度在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811567604.9A CN109359271B (zh) 2018-12-21 2018-12-21 一种基于逻辑回归的变压器绕组变形程度在线检测方法

Publications (2)

Publication Number Publication Date
CN109359271A true CN109359271A (zh) 2019-02-19
CN109359271B CN109359271B (zh) 2020-06-30

Family

ID=65329972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811567604.9A Active CN109359271B (zh) 2018-12-21 2018-12-21 一种基于逻辑回归的变压器绕组变形程度在线检测方法

Country Status (1)

Country Link
CN (1) CN109359271B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110017892A (zh) * 2019-05-10 2019-07-16 广东石油化工学院 一种变压器的异常状态振声的检测方法和装置
CN110017894A (zh) * 2019-05-14 2019-07-16 广东石油化工学院 变压器运行状态振声检测中随机噪声的滤除方法和装置
CN110031089A (zh) * 2019-05-15 2019-07-19 广东石油化工学院 一种变压器运行状态振声检测信号的滤波方法和装置
CN110081968A (zh) * 2019-05-31 2019-08-02 广东石油化工学院 一种变压器振动信号的模拟方法和装置
CN110398649A (zh) * 2019-07-16 2019-11-01 三峡大学 基于电压差/电流轨迹图在线检测变压器绕组变形的负载标准化方法
CN110514295A (zh) * 2019-08-31 2019-11-29 广东石油化工学院 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统
CN110657881A (zh) * 2019-09-14 2020-01-07 广东石油化工学院 一种利用稀疏反演的变压器振声信号滤波方法和系统
CN110702215A (zh) * 2019-10-19 2020-01-17 广东石油化工学院 一种利用回归树的变压器运行状态振声检测方法和系统
CN111628494A (zh) * 2020-05-11 2020-09-04 国网浙江省电力有限公司电力科学研究院 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
US11099219B2 (en) * 2018-03-26 2021-08-24 Oracle International Corporation Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses
CN113758652A (zh) * 2021-09-03 2021-12-07 中国南方电网有限责任公司超高压输电公司广州局 换流变压器漏油检测方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443316A (zh) * 2016-10-12 2017-02-22 国网辽宁省电力有限公司电力科学研究院 一种电力变压器绕组形变状态多信息检测方法及装置
US20170301247A1 (en) * 2016-04-19 2017-10-19 George Mason University Method And Apparatus For Probabilistic Alerting Of Aircraft Unstabilized Approaches Using Big Data
CN107633349A (zh) * 2017-08-28 2018-01-26 中国西电电气股份有限公司 基于高压开关的故障影响因素定量分析方法
CN108052528A (zh) * 2017-11-09 2018-05-18 华中科技大学 一种存储设备时序分类预警方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170301247A1 (en) * 2016-04-19 2017-10-19 George Mason University Method And Apparatus For Probabilistic Alerting Of Aircraft Unstabilized Approaches Using Big Data
CN106443316A (zh) * 2016-10-12 2017-02-22 国网辽宁省电力有限公司电力科学研究院 一种电力变压器绕组形变状态多信息检测方法及装置
CN107633349A (zh) * 2017-08-28 2018-01-26 中国西电电气股份有限公司 基于高压开关的故障影响因素定量分析方法
CN108052528A (zh) * 2017-11-09 2018-05-18 华中科技大学 一种存储设备时序分类预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴广财 等: "基于Logistic模型的主变压器缺陷概率预测实证研究", 《电气安全》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11099219B2 (en) * 2018-03-26 2021-08-24 Oracle International Corporation Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses
CN110017892A (zh) * 2019-05-10 2019-07-16 广东石油化工学院 一种变压器的异常状态振声的检测方法和装置
CN110017892B (zh) * 2019-05-10 2021-06-11 广东石油化工学院 一种变压器的异常状态振声的检测方法和装置
CN110017894A (zh) * 2019-05-14 2019-07-16 广东石油化工学院 变压器运行状态振声检测中随机噪声的滤除方法和装置
CN110017894B (zh) * 2019-05-14 2021-06-18 广东石油化工学院 变压器运行状态振声检测中随机噪声的滤除方法和装置
CN110031089A (zh) * 2019-05-15 2019-07-19 广东石油化工学院 一种变压器运行状态振声检测信号的滤波方法和装置
CN110031089B (zh) * 2019-05-15 2021-06-11 广东石油化工学院 一种变压器运行状态振声检测信号的滤波方法和装置
CN110081968B (zh) * 2019-05-31 2021-06-11 广东石油化工学院 一种变压器振动信号的模拟方法和装置
CN110081968A (zh) * 2019-05-31 2019-08-02 广东石油化工学院 一种变压器振动信号的模拟方法和装置
CN110398649A (zh) * 2019-07-16 2019-11-01 三峡大学 基于电压差/电流轨迹图在线检测变压器绕组变形的负载标准化方法
CN110398649B (zh) * 2019-07-16 2021-03-30 三峡大学 基于电压差/电流轨迹图在线检测变压器绕组变形的方法
CN110514295A (zh) * 2019-08-31 2019-11-29 广东石油化工学院 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统
CN110514295B (zh) * 2019-08-31 2021-04-06 广东石油化工学院 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统
CN110657881B (zh) * 2019-09-14 2021-04-06 广东石油化工学院 一种利用稀疏反演的变压器振声信号滤波方法和系统
CN110657881A (zh) * 2019-09-14 2020-01-07 广东石油化工学院 一种利用稀疏反演的变压器振声信号滤波方法和系统
CN110702215B (zh) * 2019-10-19 2021-04-06 广东石油化工学院 一种利用回归树的变压器运行状态振声检测方法和系统
CN110702215A (zh) * 2019-10-19 2020-01-17 广东石油化工学院 一种利用回归树的变压器运行状态振声检测方法和系统
CN111628494A (zh) * 2020-05-11 2020-09-04 国网浙江省电力有限公司电力科学研究院 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN113758652A (zh) * 2021-09-03 2021-12-07 中国南方电网有限责任公司超高压输电公司广州局 换流变压器漏油检测方法、装置、计算机设备和存储介质
CN113758652B (zh) * 2021-09-03 2023-05-30 中国南方电网有限责任公司超高压输电公司广州局 换流变压器漏油检测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN109359271B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN109359271A (zh) 一种基于逻辑回归的变压器绕组变形程度在线检测方法
Liu et al. Classifying transformer winding deformation fault types and degrees using FRA based on support vector machine
CN109444656B (zh) 一种变压器绕组变形位置的在线诊断方法
Moradzadeh et al. Turn-to-turn short circuit fault localization in transformer winding via image processing and deep learning method
Bollen et al. Bridging the gap between signal and power
CN109670242B (zh) 基于椭圆包络线的变压器绕组变形无监督在线监测方法
Bigdeli et al. Detection of probability of occurrence, type and severity of faults in transformer using frequency response analysis based numerical indices
CN103389430B (zh) 一种基于贝叶斯判别理论的油浸式变压器故障检测方法
Zhao et al. Diagnosing transformer winding deformation faults based on the analysis of binary image obtained from FRA signature
CN110728257B (zh) 基于振动灰度图像的变压器绕组故障监测方法
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN103018629A (zh) 一种基于马拉算法的电力系统故障录波数据分析方法
Akhmetov et al. A new diagnostic technique for reliable decision-making on transformer FRA data in interturn short-circuit condition
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN114814501B (zh) 一种电容式电压互感器电容击穿故障在线诊断方法
Abbasi et al. A novel hyperbolic fuzzy entropy measure for discrimination and taxonomy of transformer winding faults
CN109598048A (zh) 一种轨道车辆门系统的润滑退化预测方法
CN112881879A (zh) 一种高压电缆终端局部放电模式识别方法、装置及设备
Behkam et al. Detection of Transformer Defects in Smart Environment Using Frequency Response Analysis and Artificial Neural Network Based on Data-Driven Systems
Parkash et al. Transformer's frequency response analysis results interpretation using a novel cross entropy based methodology
CN108508271A (zh) 一种变压器扫频阻抗测试装置
Kumar et al. Classification of PD faults using features extraction and K-means clustering techniques
CN115308644A (zh) 基于电流偏移比差分析的变压器绕组故障检测方法及系统
Moradzadeh et al. PCA-assisted location of small short circuit in transformer winding
Moravej et al. Discrimination among Winding Mechanical Defects in Transformer Using Noise Detection and Data Mining Boosting Method

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
CB03 Change of inventor or designer information

Inventor after: Hua Zhongsheng

Inventor after: You Yuxuan

Inventor after: Xu Xiaoyan

Inventor after: Han Rui

Inventor after: He Wenlin

Inventor after: Wang Wenhao

Inventor after: Zheng Yiming

Inventor after: Jiang Xiongwei

Inventor after: Yang Hongming

Inventor before: Hua Zhongsheng

Inventor before: You Yuxuan

Inventor before: Xu Xiaoyan

CB03 Change of inventor or designer information