CN109977916B - 一种基于嵌入式平台的变压器油中溶解气体在线监测系统 - Google Patents
一种基于嵌入式平台的变压器油中溶解气体在线监测系统 Download PDFInfo
- Publication number
- CN109977916B CN109977916B CN201910279676.1A CN201910279676A CN109977916B CN 109977916 B CN109977916 B CN 109977916B CN 201910279676 A CN201910279676 A CN 201910279676A CN 109977916 B CN109977916 B CN 109977916B
- Authority
- CN
- China
- Prior art keywords
- chromatographic
- sequence data
- gas
- adopting
- chromatographic peak
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明涉及一种基于嵌入式平台的变压器油中溶解气体在线监测系统,针对目前变压器在线监测装置在色谱峰识别中容易受色谱基线抖动、漂移、有异常点、干扰大、波形不规则等现象,造成色谱峰的误判和漏判,同时对色谱峰的误判和漏判也缺乏自适应和自我学习能力,从而造成气体组分数据测量失真,进一步影响故障诊断的准确性等问题。本发明在嵌入式Vxworks操作系统下采用差分阈值滤波法、粗糙惩罚法、一阶和二阶导数以及粒子群优化支持向量机(PSO‑SVM)等算法对油气分离后的色谱曲线序列数据中的一系列色谱峰进行干扰峰识别和气体组分分类,并计算出气体浓度值。极大增强了色谱分析的准确性和稳定性,提升了变压器油中溶解气体在线监测装置的性能。
Description
技术领域
本发明涉及变压器的技术领域,尤其对电网、电厂、特定工业用户涉及的变压器油中溶解气体在线监测系统。
背景技术
变压器是电力系统中的核心设备,在变压器本体中的绝缘油除了起到绝缘和冷却作用外,油中的溶解气体的浓度和组合比例还能实时反映出变压器内部是否存在缺陷、故障以及绝缘状态等。因此,油色谱就成为了变压器实时监测的有效手段,变压器在线监测系统从开始的智能变电站到现在的发电厂、煤炭、钢厂、石油化工等领域得到了日益广泛的应用。
随着电网容量和变压器运行年限的增加、运行环境恶劣、油中溶解气体如H2、CH4、C2H2、C2H4、C2H6、CO、CO2、微水含量上升等因素,使得变压器自身原有机械性能和绝缘性能逐渐丧失,从而使得故障率成上升趋势。但目前变压器在线监测系统中对油中溶解气体分离后气体浓度识别和计算过程中普遍存在偏差大、精度低和重复性比较差等一系列问题,严重阻碍了油色谱在线监测的推广。同时用户对变压器在线监测系统的性能、稳定性和实用性提出了更高的要求,如C2H2的最低检测浓度由0.5ppm提高到0.1ppm,油样检测精度提高至30%。究其原因,除了装置自身传感器的原因外,与目前对色谱峰分类和技术采用单一参数、模糊隶属度以及灰色关联度等方法,在强干扰、高温、湿度大等环节恶劣的情况下容易出现对色谱峰的误判和漏判,而采用多参数权重分析虽在一定程度上提高了对色谱峰的误判和漏判准确性,但对色谱峰分类和计算缺乏自适应和自我学习能力,从而影响检测气体浓度值的准确性,因此如何降低色谱峰的漏判和误判率以及提高色谱峰计算精度是至关重要的。
发明内容
本发明是针对目前变压器油中溶解气体分离后得到的色谱曲线基线在不同温度下存在抖动、漂移,有异常点,低浓度曲线干扰大、色谱峰不规则等问题,针对目前色谱峰分类采用单一参数、模糊隶属度以及灰色关联度等方法,在强干扰、高温、湿度大等环节恶劣的情况下容易出现对色谱峰的误判和漏判,而采用多参数权重分析虽在一定程度上提高了对色谱峰的误判和漏判准确性,但色谱峰的误判和漏判缺乏自我学习能力,从而降低了气体浓度的准确性,提出了一种基于嵌入式平台的新型油中溶解气体智能监测系统。
通过对变压器的油中溶解气体、油中微水等特征量进行实时采集,得到色谱曲线序列数据,采用差分阈值滤波法去掉异常点,然后采用粗糙惩罚法对曲线进行平滑,通过一次导数和二次导数得到一系列的色谱峰参数,经粒子群优化算法(PSO)获得支持向量机(SVM)最优的核函数参数g和惩罚参数c,提高支持向量机(SVM)分类器效能,以油气分离后的每种气体在不同温度下的色谱峰参数如峰宽、峰高,峰面积和峰位(包括起始点和结束点)组成五维特征向量样本组合,利用支持向量机(SVM)分类器对样本集中的每个样本进行训练得到训练模型,以此训练模型对一系列色谱峰参数进行判断和分类,并计算出气体的浓度值。
为了实现上述发明目的,本发明采用的技术方案为:一种基于嵌入式平台的变压器油中溶解气体在线监测系统,其包括:
1)在嵌入式Vxworks操作系统下,对变压器中油中溶解气体特征量进行实时采集和监测。
2)对油气分离后色谱曲线序列数据采用差分阈值滤波法进行滤波去掉异常点,得到新的曲线序列数据。
3)对于所述2)中得曲线序列数据,采用粗糙惩罚法对曲线进行平滑,得到平滑后的曲线序列数据。
4)对于所述3)中得曲线序列数据,采用一阶导数和二阶导数分别求的每个序列数据的特征点:斜率值和凹凸性,继而判断出每个序列数据特征点是否为极大值、零点、极小值,根据每个序列数据特征点检测出完整色谱峰相关参数,初步得到曲线序列数据中的一系列色谱峰及色谱峰相关参数。
5)采用POS-SVM,对于所述4)中得到的一系列色谱峰参数进行分类和分类,并计算出气体浓度值,同时根据色谱峰分类结果的置信度确认是否存入训练集数据库中。
6)采用嵌入式Webserver服务,用户在客户端通过浏览器、移动设备或手机App进行远程监控变压器的实时运行状态、告警信息、故障诊断结果。
系统它包括数据采集模块、曲线序列数据处理模块、色谱峰识别模块、故障诊断模块、通信模块、嵌入式WebServer模块。
所述数据采集模块包含PowerPC处理器芯片、Nandflash存储器、A/D采集电路、DI/DO采集电路、电源电路等,通过采集色谱单元的气体传感器检测信号,形成色谱序列数据。
所述故障诊断模块包括根据所述色谱峰识别模块得到每种气体的浓度作为特征值,采用改良三比值、大卫三角形、TD图等算法相结合的方式进行故障诊断。
所述通信模块包括通讯数据的接入和转出,通过以太网,采用IEC61850/I2通信规约把溶解气体特征值和诊断结果上传至远程服务器。
所述嵌入式WebServer模块包括用户通过客户端浏览器、移动设备或手机APP对设备进行远程遥控和实时监测。
对曲线序列数据的处理,具体步骤如下:
步骤S1:对油气分离后色谱曲线序列数据采用差分阈值滤波法去掉异常点,得到去掉异常点新的色谱曲线序列数据;
步骤S2:对步骤S1中得色谱曲线序列数据,采用粗糙惩罚法对曲线进行平滑,得到平滑后的色谱曲线序列数据;
步骤S3:对步骤S2中得到的色谱曲线序列数据,采用一阶导数和二阶导数分别求每个序列数据点的斜率值和凹凸性,继而得到每个序列数据点的属性是否为极大值、零点、极小值,根据序列数据的属性,初步得到曲线序列数据中的色谱峰个数及色谱峰相的关参数。
对一系列色谱峰及色谱峰相关参数的处理,具体步骤如下:
步骤S1:获得油中溶解气体分离后的每种气体在不同温度下的低、中、高浓度的色谱峰特征量如幅度值、峰位(包括峰起点和峰终点)、峰面积、峰宽等参数组成五维特征向量样本组合;
步骤S2:对步骤S1中的样本组合进行归一化处理,得到归一化后的样本组合;
步骤S3:将样本组合分成训练集和测试集;对测试样本集中的每个样本进行测试,采用PSO算法计算出SVM最优的核函数参数g和惩罚参数c;
步骤S4:根据步骤S3中得到最优的核函数参数g和惩罚参数c,SVM分类器对训练集样本中的每个样本进行训练,得到训练模型,把训练模型录入到数据库中;
步骤S5:利用上述步骤得到的色谱峰参数,依循进行检测和分类,判断出该色谱峰属于哪种气体并计算出相应的浓度,根据本次分类结果的置信度确认是否存入训练集数据库,以便训练集不断得到矫正,使色谱峰的分类和识别有自适应和自我学习的能力。
根据上述技术方案实现的本发明其有益效果在于:
本发明基于嵌入式平台的新型油中溶解气体智能监测系统,采用Vxworks操作系统不仅实现对多种监测特征量的接入和转出,而且易于软件更新和功能扩展,具有较强的灵活性、智能性、可靠性,且装置形状小、易于安装,应用范围广、成本不高等特点,具有很强的实用性,易于推广。
本发明采用差分阈值滤波法、粗糙惩罚法、粒子群优化支持向量机(PSO-SVM)等算法相结合的方式,很好的解决了目前色谱峰判断、分类和计算过程中出现的误判、漏判、稳定性差以及精度、重复性和准确性低等突出问题。
本发明采用改良三比值、大卫三角形以及TD图等算法相结合的方式进行故障诊断,使故障分类有效,提高了故障诊断的准确性。
本发明提供嵌入式WebServer功能,用户在客户端通过浏览器、移动设备或手机APP进行访问的,符合远程化管理要求和满足对变压器状态检修需求,具有广阔的推广应用前景。
附图说明
图1为本发明的基于嵌入式平台的变压器油中溶解气体在线监测系统结构图。
图2为本发明在线监测系统的色谱峰识别和分类流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,一种基于嵌入式平台的变压器油中溶解气体在线监测系统及方法,包含如下步骤:
1)一种基于嵌入式平台的变压器油中溶解气体在线监测系统主要结构包括数据采集模块,曲线序列数据处理模块、色谱峰识别模块、故障诊断模块、Webserver服务模块、通讯模块等。
2)把生成Vxworks镜像文件下载到硬件电路板上,将变压器的基本信息、通信参数以及IP地址等信息预先录入数据库,油中溶解气体信号通过A/D采集卡进行采集。
3)进一步的,对油中溶解气体特征值进行实时或离线采集,通过嵌入式Webserver服务,用户通过浏览器、移动设备或手机App查看变压器运行时的实时油中溶解气体浓度、告警信息以及浏览变压器的历史数据、谱图波形图、改良三比值、立方体图、TD图、诊断结果以及检修建议等。
4)进一步的,油气分离后色谱曲线序列数据采用差分阈值滤波法,通过一阶差分处理整个曲线序列得出增量序列,再计算出原曲线序列的标准差sd,去掉增量序列中大于两倍sd的点(异常点),得到无异常点的色谱曲线序列数据.
5)进一步的,对于所述4)中所得色谱曲线序列数据,采用粗糙惩罚法可以克服最小二乘法平滑时具有不稳健性,具体就是在最小二乘目标函数函数后面加上一个惩罚项:
6)进一步的,由于曲线序列数据式等间距采用的,对于所述4)中的目标函数式经过优化后,当S取最小时,求得的最优平滑函数式为
y*=(I+λk)-1*y
y*为平滑后的数据,λ通过去一法交互检验可得到,K=QR-1Qt,其中Q是一个n*(n-1)的一个矩阵,R是一个(n-2)*(n-2)的一个方形矩阵,得到平滑后的曲线序列数据。
7)进一步的,对所述6)曲线序列数据通过采用一阶导数和二阶导数分别求每个序列数据特征点:斜率值和凹凸性,继而判断出每个序列数据特征点是否为极大值、零点、极小值,根据每个序列数据特征点检测出完整色谱峰的相关参数,初步得到曲线序列数据中的色谱峰个数及色谱峰相关参数。
8)进一步的,获取油气分离后的每种气体在不同温度下的低、中、高浓度色谱峰的峰参数:幅度值,峰位,峰宽、峰面积等,得气体组分色谱峰的五维特征向量样本组合,为优化计算对样本集进行归一化处理后,得到归一化的色谱峰样本集。
9)进一步的,所述8)将测试样本组合分成训练集和验证集;对验证样本集中的每个样本进行预测,采用粒子群优化算法(PSO)计算出法支持向量机(SVM)最优的核函数参数g和惩罚参数c,然后对训练集样本中的每个样本进行训练,得到训练模型。
10)进一步的,对所述9)所建立的训练模型对所述7)所得的一系列色谱峰参数进行分类和计算,并判断该色谱峰属于哪种气体的色谱峰,最后计算出该气体浓度值。
11)进一步的,对所述10)中得到的色谱峰参数及分类结果的置信度确认是否存入训练模型数据库中,使训练模型不断得到矫正,以便能更好的对色谱峰参数的分类和识别有自适应和自我学习的能力。
12)进一步的,对所述11)所述的气体通过改良三比值、大卫三角形、TD图等相结合的方式进行故障诊断,运维人员可结合诊断结果及时采取相应措施。
13)嵌入式WebServer功能,用户在客户端通过浏览器、移动设备或手机APP进行访问的,符合远程化管理要求和满足对变压器状态检修需求。
14)根据实际工程应用,通过以太网,采用IEC61850/I2通信规约把特征值或诊断结果上传至远程服务器。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实例。熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种基于嵌入式平台的变压器油中溶解气体在线监测系统,在嵌入式Vxworks操作系统下,对变压器中油中溶解气体特征量进行实时采集和监测,其特征在于:它包括数据采集模块、曲线序列数据处理模块、色谱峰识别模块、故障诊断模块、通信模块、嵌入式WebServer模块;所述数据采集模块包含PowerPC处理器芯片、Nandflash存储器、A/D采集电路、DI/DO采集电路、电源电路,通过采集色谱单元的气体传感器检测信号,形成色谱序列数据;其特征在于:
所述曲线序列数据处理模块,实现步骤如下:
步骤S1:对油气分离后色谱曲线序列数据采用差分阈值滤波法去掉异常点,得到去掉异常点新的色谱曲线序列数据;
步骤S2:对步骤S1中得色谱曲线序列数据,采用粗糙惩罚法对曲线进行平滑,得到平滑后的色谱曲线序列数据;
步骤S3:对步骤S2中得到的色谱曲线序列数据,采用一阶导数和二阶导数分别求每个序列数据点的斜率值和凹凸性,继而得到每个序列数据点的属性是否为极大值、零点、极小值,根据序列数据的属性,初步得到曲线序列数据中的色谱峰个数及色谱峰的相关参数;
所述色谱峰识别模块,实现步骤如下:
步骤S1:获得油中溶解气体分离后的每种气体在不同温度下的低、中、高浓度的色谱峰特征量组成五维特征向量样本组合;
步骤S2:对步骤S1中的样本组合进行归一化处理,得到归一化后的样本组合;
步骤S3:将样本组合分成训练集和测试集;对测试样本集中的每个样本进行测试,采用PSO算法计算出SVM最优的核函数参数g和惩罚参数c;
步骤S4:根据步骤S3中得到最优的核函数参数g和惩罚参数c,SVM分类器对训练集样本中的每个样本进行训练,得到训练模型,把训练模型录入到数据库中;
步骤S5:利用上述步骤得到的色谱峰参数,依循进行检测和分类,判断出该色谱峰属于哪种气体并计算出相应的浓度,根据本次分类结果的置信度确认是否存入训练集数据库,以便训练集不断得到矫正,使色谱峰的分类和识别有自适应和自我学习的能力。
2.根据权利要求1所述的基于嵌入式平台的变压器油中溶解气体在线监测系统,其特征在于:所述故障诊断模块包括根据所述色谱峰识别模块得到每种气体的浓度作为特征值,采用改良三比值、大卫三角形、TD图算法相结合的方式进行故障诊断。
3.根据权利要求1所述的基于嵌入式平台的变压器油中溶解气体在线监测系统,其特征在于:所述通信模块包括通讯数据的接入和转出,通过以太网,采用IEC61850/I2通信规约把溶解气体特征值和诊断结果上传至远程服务器。
4.根据权利要求1所述的基于嵌入式平台的变压器油中溶解气体在线监测系统,其特征在于:所述嵌入式WebServer模块包括用户通过客户端浏览器、移动设备或手机APP对设备进行远程遥控和实时监测。
5.一种基于嵌入式平台的变压器油中溶解气体在线监测方法,其特征在于:
在嵌入式Vxworks操作系统下,对变压器中油中溶解气体特征量进行实时采集和监测;
对油气分离后色谱曲线序列数据采用差分阈值滤波法进行滤波去掉异常点,得到新的曲线序列数据;
对所得到的新的曲线序列数据,采用粗糙惩罚法对曲线进行平滑,得到平滑后的曲线序列数据;
对所得到的平滑后的曲线序列数据,采用一阶导数和二阶导数分别求的每个序列数据的特征点:斜率值和凹凸性,继而判断出每个序列数据特征点是否为极大值、零点、极小值,根据每个序列数据特征点检测出完整色谱峰相关参数,初步得到曲线序列数据中的一系列色谱峰及色谱峰相关参数;
采用POS-SVM,对所得到的一系列色谱峰及色谱峰相关参数进行分类和分类,并计算出气体浓度值,同时根据色谱峰分类结果的置信度确认是否存入训练集数据库中;
采用嵌入式Webserver服务,用户在客户端通过浏览器、移动设备或手机App进行远程监控变压器的实时运行状态、告警信息、故障诊断结果;
对曲线序列数据的处理,具体步骤如下:
步骤S1:对油气分离后色谱曲线序列数据采用差分阈值滤波法去掉异常点,得到去掉异常点新的色谱曲线序列数据;
步骤S2:对步骤S1中得色谱曲线序列数据,采用粗糙惩罚法对曲线进行平滑,得到平滑后的色谱曲线序列数据;
步骤S3:对步骤S2中得到的色谱曲线序列数据,采用一阶导数和二阶导数分别求每个序列数据点的斜率值和凹凸性,继而得到每个序列数据点的属性是否为极大值、零点、极小值,根据序列数据的属性,初步得到曲线序列数据中的色谱峰个数及色谱峰的相关参数;
对一系列色谱峰及色谱峰相关参数的处理,具体步骤如下:
步骤S1:获得油中溶解气体分离后的每种气体在不同温度下的低、中、高浓度的色谱峰特征量组成五维特征向量样本组合;
步骤S2:对步骤S1中的样本组合进行归一化处理,得到归一化后的样本组合;
步骤S3:将样本组合分成训练集和测试集;对测试样本集中的每个样本进行测试,采用PSO算法计算出SVM最优的核函数参数g和惩罚参数c;
步骤S4:根据步骤S3中得到最优的核函数参数g和惩罚参数c,SVM分类器对训练集样本中的每个样本进行训练,得到训练模型,把训练模型录入到数据库中;
步骤S5:利用上述步骤得到的色谱峰参数,依循进行检测和分类,判断出该色谱峰属于哪种气体并计算出相应的浓度,根据本次分类结果的置信度确认是否存入训练集数据库,以便训练集不断得到矫正,使色谱峰的分类和识别有自适应和自我学习的能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910279676.1A CN109977916B (zh) | 2019-04-09 | 2019-04-09 | 一种基于嵌入式平台的变压器油中溶解气体在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910279676.1A CN109977916B (zh) | 2019-04-09 | 2019-04-09 | 一种基于嵌入式平台的变压器油中溶解气体在线监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977916A CN109977916A (zh) | 2019-07-05 |
CN109977916B true CN109977916B (zh) | 2022-12-27 |
Family
ID=67083600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910279676.1A Active CN109977916B (zh) | 2019-04-09 | 2019-04-09 | 一种基于嵌入式平台的变压器油中溶解气体在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977916B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472671B (zh) * | 2019-07-24 | 2023-05-12 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
CN110441420B (zh) * | 2019-08-02 | 2022-04-22 | 长园深瑞监测技术有限公司 | 一种在线监测油中溶解气体气相色谱峰自动识别方法 |
CN111458558B (zh) * | 2020-04-03 | 2022-03-29 | 宁波奥克斯电气股份有限公司 | 一种参数获取方法、装置、电子设备及存储介质 |
CN111707773A (zh) * | 2020-06-19 | 2020-09-25 | 国电南京自动化股份有限公司 | 一种在线气相色谱柱柱效判断与自修复装置系统 |
CN111950188A (zh) * | 2020-09-08 | 2020-11-17 | 国网江西省电力有限公司电力科学研究院 | 一种计算配电变压器顶层油温的方法 |
CN112710627B (zh) * | 2020-12-09 | 2022-05-27 | 深圳市科曼医疗设备有限公司 | 一种特定蛋白浓度的检测方法及检测装置 |
CN113959956A (zh) * | 2021-10-21 | 2022-01-21 | 河北卫讯电力自动化设备有限公司 | 一种变压器油中溶解气体双腔室光声光谱监测系统 |
CN117288268B (zh) * | 2023-11-24 | 2024-01-30 | 成都华源时代科技有限公司 | 智慧油气田设备运行监测系统、方法及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0794334A (ja) * | 1993-09-21 | 1995-04-07 | Osaka Gas Co Ltd | 油入変圧器の劣化診断システムおよび寿命予測システム |
US6210465B1 (en) * | 1999-03-17 | 2001-04-03 | Agilent Technologies, Inc. | Method for identification of components within a known sample |
CN101701940B (zh) * | 2009-10-26 | 2012-05-30 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
CN102749388B (zh) * | 2012-07-11 | 2013-08-21 | 南方电网科学研究院有限责任公司 | 一种油色谱在线监测设备性能监测方法 |
CN104573355B (zh) * | 2014-12-30 | 2017-11-07 | 北华大学 | 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 |
CN105259435A (zh) * | 2015-09-23 | 2016-01-20 | 国网山东莒县供电公司 | 一种变压器监测装置和故障诊断方法 |
-
2019
- 2019-04-09 CN CN201910279676.1A patent/CN109977916B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109977916A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977916B (zh) | 一种基于嵌入式平台的变压器油中溶解气体在线监测系统 | |
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN113592308B (zh) | 一种基于常态模型的监测数据告警阈值提取方法 | |
CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN113239132A (zh) | 一种电压互感器的超差在线辨识方法 | |
CN110927527A (zh) | 基于暂态能量双通道及信息融合的瞬时性故障感知方法 | |
CN112187528A (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
CN111080074A (zh) | 基于网络多特征关联的系统服役安全态势要素获取方法 | |
CN115220396A (zh) | 一种数控机床智能监控方法及系统 | |
CN111556111A (zh) | 基于物联网的管廊设备故障远程诊断系统 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
CN117318310B (zh) | 一种防爆配电柜远程无人智慧监测系统 | |
CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、系统及存储介质 | |
CN114971308A (zh) | 一种基于多维数据分析的变压器健康状况评估方法 | |
CN114429148A (zh) | 一种基于多源数据融合的电力设备状态检测方法 | |
CN118157132B (zh) | 基于神经网络的电压监测系统数据挖掘方法及装置 | |
Xu et al. | Application of change-point analysis to abnormal wind power data detection | |
CN115711206B (zh) | 一种基于聚类权重的风力发电机叶片覆冰状态监测系统 | |
Huang et al. | Condition monitoring of wind turbine based on copula function and autoregressive neural network |
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 |