CN109447511A - 一种变压器故障诊断方法、系统及相关装置 - Google Patents
一种变压器故障诊断方法、系统及相关装置 Download PDFInfo
- Publication number
- CN109447511A CN109447511A CN201811346817.9A CN201811346817A CN109447511A CN 109447511 A CN109447511 A CN 109447511A CN 201811346817 A CN201811346817 A CN 201811346817A CN 109447511 A CN109447511 A CN 109447511A
- Authority
- CN
- China
- Prior art keywords
- data
- transformer
- fault
- assist trouble
- assist
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请所提供的一种变压器故障诊断方法,包括:将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据;分别对目标故障数据中的奇异边缘区域故障数据和第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据;利用迁移学习算法对第一目标故障数据及第二辅助故障数据进行处理,得到变压器故障诊断器;利用变压器故障诊断器对待诊断变压器的测试数据进行故障类型的诊断。该方法减小了故障数据之间的差异性,进而提高了变压器故障类型诊断的准确率。本申请还提供一种变压器故障诊断系统、设备及计算机可读存储介质,均具有上述有益效果。
Description
技术领域
本申请涉及变压器故障诊断领域,特别涉及一种变压器故障诊断方法、系统、设备及计算机可读存储介质。
背景技术
近年来,电能在整个能源行业中的消耗比例逐年增长,保证电网的安全稳定运行是维持与促进经济发展的重要条件。变压器是电网中的重要装置,是实现电能变换、减少电能损耗的重要载体,及时发现其故障隐患、保证其安全运行可有效减少电网故障的发生概率。
随着数据挖掘技术和机器学习技术的发展,配电变压器智能故障诊断技术开始逐步得到研究应用。采用支持向量机、神经网络和极限学习机等智能算法分析绝缘油中氢气(H2),甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)和二氧化碳(CO2)等气体含量与故障类型的映射关系,模拟人类专家对变压器的运行状态和故障做出正确判断和决策。
然而,实际运行中单台变压器的故障次数有限,所以能获取的故障数据十分有限并且训练数据与测试数据分布特性存在一定的差异。传统方法是通过整合不同变压器的故障数据以达到提高数据总量的目的,却忽略了由于不同变压器类型、运行工况、故障诱因等方面的差异性而导致的故障数据的差异性,这些都会降低变压器故障类型诊断的准确率。
因此,如何减小待诊断变压器的故障数据和其他变压器的故障数据之间的差异性,进而提高变压器故障类型诊断的准确率是本领域技术人员需要解决的技术问题。
发明内容
本申请的目的是提供一种变压器故障诊断方法、系统、设备及计算机可读存储介质,能够减小待诊断变压器的故障数据和其他变压器的故障数据之间的差异性,进而提高变压器故障类型诊断的准确率。
为解决上述技术问题,本申请提供一种变压器故障诊断方法,包括:
将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据;
分别对所述目标故障数据中的奇异边缘区域故障数据和所述第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据;
利用迁移学习算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到变压器故障诊断器;
利用所述变压器故障诊断器对所述待诊断变压器的测试数据进行故障类型的诊断。
优选地,所述将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据,包括:
将所述目标故障数据分别和各个所述辅助故障数据进行相似度计算,得到对应的综合相似度值;
依次判断各个所述综合相似度值是否大于预设的迁移度阈值;
若是,则保存大于所述迁移度阈值的综合相似度值对应的辅助故障数据;
将各个所述辅助故障数据进行组合,得到所述第一辅助故障数据。
优选地,所述利用迁移学习算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到变压器故障诊断器,包括:
设定TrAdaBoost算法作为所述迁移学习算法;
利用所述TrAdaBoost算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到所述变压器故障诊断器。
优选地,所述分别对所述目标故障数据中的奇异边缘区域故障数据和所述第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据,包括:
分别确定所述目标故障数据和所述第一辅助故障数据各自对应的奇异边缘区域故障数据;
将所述目标故障数据和所述第一辅助故障数据各自对应的奇异边缘区域故障数据剔除,得到对应的第一目标故障数据和第二辅助故障数据。
本申请还提供一种变压器故障诊断系统,包括:
相似度检验模块,用于将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据;
数据剔除模块,用于分别对所述目标故障数据中的奇异边缘区域故障数据和所述第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据;
迁移学习算法处理模块,用于利用迁移学习算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到变压器故障诊断器;
故障类型诊断模块,用于利用所述变压器故障诊断器对所述待诊断变压器的测试数据进行故障类型的诊断。
优选地,所述相似度检验模块,包括:
相似度计算单元,用于将所述目标故障数据分别和各个所述辅助故障数据进行相似度计算,得到对应的综合相似度值;
判断单元,用于依次判断各个所述综合相似度值是否大于预设的迁移度阈值;
数据保存单元,用于若所述综合相似度值大于所述迁移度阈值,则保存大于所述迁移度阈值的综合相似度值对应的辅助故障数据;
数据组合单元,用于将各个所述辅助故障数据进行组合,得到所述第一辅助故障数据。
优选地,所述迁移学习算法处理模块,包括:
算法设定单元,用于设定TrAdaBoost算法作为所述迁移学习算法;
TrAdaBoost算法处理单元,用于利用所述TrAdaBoost算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到所述变压器故障诊断器。
优选地,所述数据剔除模块,包括:
奇异数据确定单元,用于分别确定所述目标故障数据和所述第一辅助故障数据各自对应的奇异边缘区域故障数据;
奇异数据剔除单元,用于将所述目标故障数据和所述第一辅助故障数据各自对应的奇异边缘区域故障数据剔除,得到对应的第一目标故障数据和第二辅助故障数据。
本申请还提供一种设备,包括:
存储器和处理器;其中,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现上述所述的变压器故障诊断方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的变压器故障诊断方法的步骤。
本申请所提供的一种变压器故障诊断方法,包括:将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据;分别对所述目标故障数据中的奇异边缘区域故障数据和所述第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据;利用迁移学习算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到变压器故障诊断器;利用所述变压器故障诊断器对所述待诊断变压器的测试数据进行故障类型的诊断。
该方法先是将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据,然后再分别对所述目标故障数据中的奇异边缘区域故障数据和所述第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据。最后在利用迁移学习算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到变压器故障诊断器后,利用所述变压器故障诊断器对所述待诊断变压器的测试数据进行故障类型的诊断。可见,该方法在进行相似度检验,筛选出第一辅助故障数据的基础上,分别将所述目标故障数据和所述第一辅助故障数据各自对应的奇异边缘区域故障数据进行剔除,减小待诊断变压器的故障数据和其他变压器(即辅助变压器)的故障数据之间的差异性,进而提高了变压器故障类型诊断的准确率。本申请还提供一种变压器故障诊断系统、设备及计算机可读存储介质,均具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种变压器故障诊断方法的流程图;
图2为本申请实施例所提供的一种奇异边缘示意图;
图3为本申请实施例所提供的一种变压器故障诊断系统的结构框图。
具体实施方式
本申请的核心是提供一种变压器故障诊断方法,能够减小待诊断变压器的故障数据和其他变压器的故障数据之间的差异性,进而提高了变压器故障类型诊断的准确率。本申请的另一核心是提供一种变压器故障诊断系统、设备及计算机可读存储介质。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
近年来,电能在整个能源行业中的消耗比例逐年增长,保证电网的安全稳定运行是维持与促进经济发展的重要条件。变压器是电网中的重要装置,是实现电能变换、减少电能损耗的重要载体,及时发现其故障隐患、保证其安全运行可有效减少电网故障的发生概率。
然而,实际运行中单台变压器的故障次数有限,所以能获取的故障数据十分有限并且训练数据与测试数据分布特性存在一定的差异。传统方法是通过整合不同变压器的故障数据以达到提高数据总量的目的,却忽略了由于不同变压器类型、运行工况、故障诱因等方面的差异性而导致的故障数据的差异性,这些都会降低变压器故障类型诊断的准确率。本申请实施例能够减小待诊断变压器的故障数据和其他变压器的故障数据之间的差异性,进而提高变压器故障类型诊断的准确率。具体请参考图1,图1为本申请实施例所提供的一种变压器故障诊断方法的流程图,该变压器故障诊断方法具体包括:
S101、将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据;
本申请实施例在对待诊断变压器进行故障诊断时,将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据。其中,待诊断变压器的目标故障数据表示历史故障诊断指标及所对应的故障类型,预设数量的辅助变压器的辅助故障数据表示其他变压器的故障信息,两者均属于变压器故障数据集。此外,该变压器故障数据集还包括待诊断变压器的测试数据,该测试数据就是本申请实施例所要进行故障类型诊断的数据。该变压器故障数据集中的每条数据均包含21种具有较强代表性、能够量化并且准确反映变压器运行状况的特征量,该21种特征量是能够表征各种故障的故障特征,具体故障特征集如表1所示:
表1变压器故障特征集
通常在将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验之前,由于样本数据波动范围比较大,为了减小输入数据的差值,需要对样本数据进行预处理。在剔除奇异值后,采用下式对各特征量进行标准化计算,以提升变压器的故障诊断准确率,具体式子如下:
其中,x表示标准化后的特征量;x0表示初始特征量;xm表示样本数据中该项特征量的平均值;xstd表示样本数据中该项特征量的标准差值。
本申请实施例将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据,即为根据辅助故障数据与目标故障数据的相似度,对预设数量的辅助变压器的辅助故障数据进行一次数据清洗。其中,辅助变压器即为其他变压器,由于其数量是预设的,故对其数量不作具体限定,应由本领域技术人员根据实际情况作出相应的设定。进一步地,对辅助故障数据的数据清洗过程不作限定,应由本领域技术人员根据实际情况作出相应的设定,通常包括:将目标故障数据分别和各个辅助故障数据进行相似度计算,得到对应的综合相似度值;依次判断各个综合相似度值是否大于预设的迁移度阈值;若是,则保存大于迁移度阈值的综合相似度值对应的辅助故障数据;将各个辅助故障数据进行组合,得到第一辅助故障数据。具体过程如下:
假设变压器故障类型数为T,本申请实施例中T=5,分别为中低温过热故障(温度≤700℃)、高温过热故障(温度>700℃)、低能放电故障、高能放电故障和局部放电故障。令待诊断变压器及另一辅助变压器(其他变压器)中故障t(t=1,2,...,T)的故障数据量分别为nd,t和na,t,且在自身故障数据中所占的比例分别为pd,t和pa,t,对应的故障诊断指标的标幺值分别为Xd,t和Xa,t:
其中,xd,t,i和xa,t,i向量中的元素分别为变压器故障诊断特征集中各变量的标幺值。
对Xd,t和Xa,t中的向量进行平均化处理:
引入Tanimoto系数,得到待诊断变压器及另一其他变压器故障t的相似度为:
结合故障分布比例,得到待诊断变压器及另一其他变压器故障的综合相似度:
式中,且越接近1,综合相似度越高。定义迁移度阈值θ,若ST<θ,则会造成负迁移,引入辅助故障数据使得目标分类效果变差,应剔除该变压器的故障数据;ST≥θ,则会造成正迁移,引入辅助故障数据能帮助目标数据学习,应保留该变压器的故障数据,记为集合ω′a。计算所有其他变压器的辅助故障数据与待诊断变压器的目标故障数据的综合相似度,筛选出符合要求的数据作为清洗后的辅助故障数据,组成集合Ω′a,即筛选出第一辅助故障数据。
S102、分别对目标故障数据中的奇异边缘区域故障数据和第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据;
本申请实施例在将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据后,分别对目标故障数据中的奇异边缘区域故障数据和第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据。目标和辅助故障数据训练样本的选择会直接影响变压器故障诊断器的优劣,差别较小的两组变压器故障数据可能对应着两种不同的故障类型,以图2为例,图2为本申请实施例所提供的一种奇异边缘示意图,虚线两边对应于两种故障类型,本申请实施例将虚线定义为奇异边缘。奇异边缘附近(虚线框内)的故障数据太过相近,将其引入变压器故障诊断器的训练中容易造成过拟合,降低诊断精度,因此需要剔除奇异边缘附近的故障数据即剔除奇异边缘区域故障数据。
分别对目标故障数据中的奇异边缘区域故障数据和第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据的过程,在此不作具体限定,通常包括:分别确定目标故障数据和第一辅助故障数据各自对应的奇异边缘区域故障数据;将目标故障数据和第一辅助故障数据各自对应的奇异边缘区域故障数据剔除,得到对应的第一目标故障数据和第二辅助故障数据。具体过程如下:
以目标故障数据xd,t,i为例,说明剔除奇异边缘区域故障数据的方法,第一辅助故障数据中的奇异边缘区域故障数据的剔除方法与此完全相同。
(1)、计算故障t(t=1,2,...,T)中xd,t,i(i∈1,2,...,n1,t)与同故障中xd,t,j之间的距离dd,t,ij,如下式所示:
dd,t,ij=xd,t,i·xd,t,j,其中j∈1,2,...,n1,t,j≠i
(2)、计算xd,t,i与同故障中所有xd,t,j的距离之和dd,t,i,如下式所示:
(3)、对所有dd,t,i(i∈1,2,...,n1,t)进行降序排列,得到降序向量Dd,t;
(4)、选择剔除系数kd,t(整数),将Dd,t中最后kd,t个元素剔除,其余元素所对应的xd,t,i即为第一目标故障数据,记为Ω″d。
采用上述方法处理第一辅助故障数据,即对辅助故障数据进行第二次数据清洗,记某台非待诊断变压器二次清洗后的辅助故障数据集合为ω″a,而全体非待诊断变压器二次清洗后的辅助故障数据集合为Ω″a,即为第二辅助故障数据。
Ω″d和Ω″a中的元素均为变压器故障诊断特征集中的各状态量及与之对应的故障,令经过两次数据清洗后的Ω″d和Ω″a中的元素数量分别为Na和Nd,记Ω″d和Ω″a中变压器故障诊断特征集中的各状态量分别为xa,1和xd,1,对应的故障类型分别为ya,i和yd,i,Ω″d和Ω″a的形式如下式所示:
S103、利用迁移学习算法对第一目标故障数据及第二辅助故障数据进行处理,得到变压器故障诊断器;
本申请实施例在得到对应的第一目标故障数据和第二辅助故障数据后,利用迁移学习算法对第一目标故障数据及第二辅助故障数据进行处理,得到变压器故障诊断器。在此对迁移学习算法不作具体限定,应由本领域技术人员根据实际情况作出相应的设定,通常采用TrAdaBoost算法。进一步地,对于利用迁移学习算法对第一目标故障数据及第二辅助故障数据进行处理,得到变压器故障诊断器的过程,在此不作限定,通常包括:设定TrAdaBoost算法作为迁移学习算法;利用TrAdaBoost算法对第一目标故障数据及第二辅助故障数据进行处理,得到变压器故障诊断器。具体过程如下:
(1)、设定TrAdaBoost算法迭代次数Iter及基本分类算法Learner,训练数据集Ω=Ω″a∪Ω″d,测试数据集S;
常见的分类算法Learner包括决策树法、最小邻居法、贝叶斯法、支持向量机法和神经网络法等。支持向量机对小样本数据的模式识别具有出色的学习泛化能力,考虑到本申请实施例的样本规模,选择支持向量机法作为TrAdaBoost算法中的Learner。
(2)、初始化权重向量其中
(3)、初始化参数
(4)、迭代t=1,2,...,Iter:
(4.1)、权重归一化,
(4.2)、调用Learner,根据Ω、pt和S得到初始变压器故障诊断器ht;
(4.3)、计算初始变压器故障诊断器ht在Ω″d上面的错误率:
式中,ht(xi)为初始变压器故障诊断器对xi得到的学习;yi表示正确故障类型。
(4.4)、设置初始变压器故障诊断器权重参数λt和目标权重调整参数βt:
(4.5)、权重更新,根据et值分配下一次迭代的权重,即增加Ω″d的权重,减少分类错误的Ω″a权重:
(5)、根据Iter/2至Iter次的分类结果,输出变压器故障诊断器
S104、利用变压器故障诊断器对待诊断变压器的测试数据进行故障类型的诊断。
本申请实施例在得到变压器故障诊断器后,利用变压器故障诊断器对待诊断变压器的测试数据进行故障类型的诊断。由上文可知,测试数据中的每条数据均包含21种具有较强代表性、能够量化并且准确反映变压器运行状况的特征量,该21种特征量是能够表征各种故障的故障特征,即特征量和故障类型之间存储着映射关系。所以,对测试数据进行故障类型的诊断就是先确定测试数据中的特征量,再根据映射关系确定特征量对应的故障类型。
本申请实施例先是将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据,然后再分别对目标故障数据中的奇异边缘区域故障数据和第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据。最后在利用迁移学习算法对第一目标故障数据及第二辅助故障数据进行处理,得到变压器故障诊断器后,利用变压器故障诊断器对待诊断变压器的测试数据进行故障类型的诊断。可见,该方法在进行相似度检验,筛选出第一辅助故障数据的基础上,分别将目标故障数据和第一辅助故障数据各自对应的奇异边缘区域故障数据进行剔除,减小待诊断变压器的故障数据和其他变压器(即辅助变压器)的故障数据之间的差异性,进而提高了变压器故障类型诊断的准确率。
下面对本申请实施例提供的一种变压器故障诊断系统、设备及计算机可读存储介质进行介绍,下文描述的变压器故障诊断系统、设备及计算机可读存储介质与上文描述的变压器故障诊断方法可相互对应参照。
请参考图3,图3为本申请实施例所提供的一种变压器故障诊断系统的结构框图;该变压器故障诊断系统包括:
相似度检验模块301,用于将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据;
数据剔除模块302,用于分别对目标故障数据中的奇异边缘区域故障数据和第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据;
迁移学习算法处理模块303,用于利用迁移学习算法对第一目标故障数据及第二辅助故障数据进行处理,得到变压器故障诊断器;
故障类型诊断模块304,用于利用变压器故障诊断器对待诊断变压器的测试数据进行故障类型的诊断。
基于上述实施例,本实施例中相似度检验模块301,通常包括:
相似度计算单元,用于将目标故障数据分别和各个辅助故障数据进行相似度计算,得到对应的综合相似度值;
判断单元,用于依次判断各个综合相似度值是否大于预设的迁移度阈值;
数据保存单元,用于若综合相似度值大于迁移度阈值,则保存大于迁移度阈值的综合相似度值对应的辅助故障数据;
数据组合单元,用于将各个辅助故障数据进行组合,得到第一辅助故障数据。
基于上述实施例,本实施例中迁移学习算法处理模块303,通常包括:
算法设定单元,用于设定TrAdaBoost算法作为迁移学习算法;
TrAdaBoost算法处理单元,用于利用TrAdaBoost算法对第一目标故障数据及第二辅助故障数据进行处理,得到变压器故障诊断器。
基于上述任意实施例,本实施例中数据剔除模块302,通常包括:
奇异数据确定单元,用于分别确定目标故障数据和第一辅助故障数据各自对应的奇异边缘区域故障数据;
奇异数据剔除单元,用于将目标故障数据和第一辅助故障数据各自对应的奇异边缘区域故障数据剔除,得到对应的第一目标故障数据和第二辅助故障数据。
本申请还提供一种设备,包括:
存储器和处理器;其中,存储器用于存储计算机程序,处理器用于执行计算机程序时实现上述任意实施例的变压器故障诊断方法的步骤。
本申请还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述任意实施例的变压器故障诊断方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种变压器故障诊断方法、系统、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种变压器故障诊断方法,其特征在于,包括:
将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据;
分别对所述目标故障数据中的奇异边缘区域故障数据和所述第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据;
利用迁移学习算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到变压器故障诊断器;
利用所述变压器故障诊断器对所述待诊断变压器的测试数据进行故障类型的诊断。
2.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据,包括:
将所述目标故障数据分别和各个所述辅助故障数据进行相似度计算,得到对应的综合相似度值;
依次判断各个所述综合相似度值是否大于预设的迁移度阈值;
若是,则保存大于所述迁移度阈值的综合相似度值对应的辅助故障数据;
将各个所述辅助故障数据进行组合,得到所述第一辅助故障数据。
3.根据权利要求1所述的变压器故障诊断方法,其特征在于,所述利用迁移学习算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到变压器故障诊断器,包括:
设定TrAdaBoost算法作为所述迁移学习算法;
利用所述TrAdaBoost算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到所述变压器故障诊断器。
4.根据权利要求1至3任一项所述的变压器故障诊断方法,其特征在于,所述分别对所述目标故障数据中的奇异边缘区域故障数据和所述第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据,包括:
分别确定所述目标故障数据和所述第一辅助故障数据各自对应的奇异边缘区域故障数据;
将所述目标故障数据和所述第一辅助故障数据各自对应的奇异边缘区域故障数据剔除,得到对应的第一目标故障数据和第二辅助故障数据。
5.一种变压器故障诊断系统,其特征在于,包括:
相似度检验模块,用于将待诊断变压器的目标故障数据和预设数量的辅助变压器的辅助故障数据进行相似度检验,筛选出第一辅助故障数据;
数据剔除模块,用于分别对所述目标故障数据中的奇异边缘区域故障数据和所述第一辅助故障数据中的奇异边缘区域故障数据进行剔除处理,得到对应的第一目标故障数据和第二辅助故障数据;
迁移学习算法处理模块,用于利用迁移学习算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到变压器故障诊断器;
故障类型诊断模块,用于利用所述变压器故障诊断器对所述待诊断变压器的测试数据进行故障类型的诊断。
6.根据权利要求5所述的变压器故障诊断系统,其特征在于,所述相似度检验模块,包括:
相似度计算单元,用于将所述目标故障数据分别和各个所述辅助故障数据进行相似度计算,得到对应的综合相似度值;
判断单元,用于依次判断各个所述综合相似度值是否大于预设的迁移度阈值;
数据保存单元,用于若所述综合相似度值大于所述迁移度阈值,则保存大于所述迁移度阈值的综合相似度值对应的辅助故障数据;
数据组合单元,用于将各个所述辅助故障数据进行组合,得到所述第一辅助故障数据。
7.根据权利要求5所述的变压器故障诊断系统,其特征在于,所述迁移学习算法处理模块,包括:
算法设定单元,用于设定TrAdaBoost算法作为所述迁移学习算法;
TrAdaBoost算法处理单元,用于利用所述TrAdaBoost算法对所述第一目标故障数据及所述第二辅助故障数据进行处理,得到所述变压器故障诊断器。
8.根据权利要求5至7任一项所述的变压器故障诊断系统,其特征在于,所述数据剔除模块,包括:
奇异数据确定单元,用于分别确定所述目标故障数据和所述第一辅助故障数据各自对应的奇异边缘区域故障数据;
奇异数据剔除单元,用于将所述目标故障数据和所述第一辅助故障数据各自对应的奇异边缘区域故障数据剔除,得到对应的第一目标故障数据和第二辅助故障数据。
9.一种设备,其特征在于,包括:
存储器和处理器;其中,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现如权利要求1至4任一项所述的变压器故障诊断方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的变压器故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811346817.9A CN109447511A (zh) | 2018-11-13 | 2018-11-13 | 一种变压器故障诊断方法、系统及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811346817.9A CN109447511A (zh) | 2018-11-13 | 2018-11-13 | 一种变压器故障诊断方法、系统及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447511A true CN109447511A (zh) | 2019-03-08 |
Family
ID=65551465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811346817.9A Pending CN109447511A (zh) | 2018-11-13 | 2018-11-13 | 一种变压器故障诊断方法、系统及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447511A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516757A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种变压器故障检测方法及相关装置 |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
CN110954354A (zh) * | 2019-12-24 | 2020-04-03 | 山东微感光电子有限公司 | 设备故障诊断方法及装置 |
CN112345531A (zh) * | 2020-10-19 | 2021-02-09 | 国网安徽省电力有限公司电力科学研究院 | 一种基于仿生机器鱼的变压器故障检测方法 |
CN113826127A (zh) * | 2019-05-23 | 2021-12-21 | 西门子股份公司 | 变压器的健康状态评估方法、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007343A (zh) * | 2014-05-23 | 2014-08-27 | 清华大学 | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 |
CN105300693A (zh) * | 2015-09-25 | 2016-02-03 | 东南大学 | 一种基于迁移学习的轴承故障诊断方法 |
CN105469111A (zh) * | 2015-11-19 | 2016-04-06 | 浙江大学 | 基于改进的mfa和迁移学习的小样本集的物体分类方法 |
CN107169514A (zh) * | 2017-05-05 | 2017-09-15 | 清华大学 | 电力变压器故障诊断模型的建立方法 |
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108398266A (zh) * | 2018-01-22 | 2018-08-14 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
CN108548669A (zh) * | 2018-04-03 | 2018-09-18 | 上海交通大学 | 一种工程装备传动系统故障诊断方法及系统 |
-
2018
- 2018-11-13 CN CN201811346817.9A patent/CN109447511A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007343A (zh) * | 2014-05-23 | 2014-08-27 | 清华大学 | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 |
CN105300693A (zh) * | 2015-09-25 | 2016-02-03 | 东南大学 | 一种基于迁移学习的轴承故障诊断方法 |
CN105469111A (zh) * | 2015-11-19 | 2016-04-06 | 浙江大学 | 基于改进的mfa和迁移学习的小样本集的物体分类方法 |
CN107169514A (zh) * | 2017-05-05 | 2017-09-15 | 清华大学 | 电力变压器故障诊断模型的建立方法 |
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108398266A (zh) * | 2018-01-22 | 2018-08-14 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
CN108548669A (zh) * | 2018-04-03 | 2018-09-18 | 上海交通大学 | 一种工程装备传动系统故障诊断方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113826127A (zh) * | 2019-05-23 | 2021-12-21 | 西门子股份公司 | 变压器的健康状态评估方法、装置及存储介质 |
CN110516757A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种变压器故障检测方法及相关装置 |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
CN110954354A (zh) * | 2019-12-24 | 2020-04-03 | 山东微感光电子有限公司 | 设备故障诊断方法及装置 |
CN110954354B (zh) * | 2019-12-24 | 2022-04-15 | 山东微感光电子有限公司 | 设备故障诊断方法及装置 |
CN112345531A (zh) * | 2020-10-19 | 2021-02-09 | 国网安徽省电力有限公司电力科学研究院 | 一种基于仿生机器鱼的变压器故障检测方法 |
CN112345531B (zh) * | 2020-10-19 | 2024-04-09 | 国网安徽省电力有限公司电力科学研究院 | 一种基于仿生机器鱼的变压器故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447511A (zh) | 一种变压器故障诊断方法、系统及相关装置 | |
CN107093775B (zh) | 一种串联结构电池组的一致性评价方法及装置 | |
CN106646158B (zh) | 基于多分类支持向量机变压器故障诊断提升方法 | |
Übeyli | ECG beats classification using multiclass support vector machines with error correcting output codes | |
CN107132310B (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN106093612A (zh) | 一种电力变压器故障诊断方法 | |
CN109344517A (zh) | 一种新能源汽车的高压绝缘故障诊断方法 | |
CN108573227A (zh) | 心电图数据质量评价方法及装置 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN106597154A (zh) | 基于dag‑svm的变压器故障诊断提升方法 | |
CN113358993B (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
CN114114039B (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
CN106250904A (zh) | 基于改进s变换的电能扰动分析仪及分类方法 | |
CN108072848A (zh) | 预估蓄电池放电时长的分析方法 | |
CN108918111A (zh) | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 | |
CN105866664A (zh) | 一种基于幅频特征的模拟电路智能化故障诊断方法 | |
CN111814284A (zh) | 基于相关性检测与改进随机森林的在线电压稳定评估方法 | |
CN104967097A (zh) | 基于支持向量分类机的励磁涌流识别方法 | |
Lyu et al. | A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles | |
CN114021671A (zh) | 一种有源配电网在线故障处理方法和系统 | |
CN115796231A (zh) | 一种时态分析的超短期风速预测方法 | |
Chia et al. | Computationally generated cardiac biomarkers: Heart rate patterns to predict death following coronary attacks | |
CN108647275A (zh) | 孤岛检测状态的识别方法及装置、存储介质、处理器 | |
CN109031152A (zh) | 基于神经网络透明化的铅酸蓄电池剩余容量软测量方法 |
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: 20190308 |