CN110161382A - 一种判断变压器是否需要停电试验的方法和装置 - Google Patents
一种判断变压器是否需要停电试验的方法和装置 Download PDFInfo
- Publication number
- CN110161382A CN110161382A CN201910361124.5A CN201910361124A CN110161382A CN 110161382 A CN110161382 A CN 110161382A CN 201910361124 A CN201910361124 A CN 201910361124A CN 110161382 A CN110161382 A CN 110161382A
- Authority
- CN
- China
- Prior art keywords
- data
- power failure
- test
- characteristic parameter
- transformer
- 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
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
- G01R27/2688—Measuring quality factor or dielectric loss, e.g. loss angle, or power factor
- G01R27/2694—Measuring dielectric loss, e.g. loss angle, loss factor or power factor
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1281—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种判断变压器是否需要停电试验的方法和装置,选取历史发生故障的变压器的在线油色谱、套管介质损耗、绕组温度这3类异常数据,选取适合的特征参量,分析每类异常数据对故障影响的重要度,对变压器一天内产生的各类在线监测数据分别进行归一化处理得到归一化后的数据,并对其中的油色谱数据计算加权平均值;把重要度与归一化后的数据、加权平均值分别乘积作为输入,构建输出Z;将构建的输出与确定的阈值T进行比较,判断是否进行停电试验。本发明的方法和装置,改变了传统的按照固定周期进行停电试验的方式,根据判断的结果确定是否停电试验,既避免了有些不必要的停电试验,又避免了有些不及时的停电试验。
Description
技术领域
本发明涉及一种判断变压器是否需要停电试验的方法和装置,属于电力设备在线监测和状态评估领域。
背景技术
目前,电网中变压器的停电试验数据采集频率较低,按照试验规程规定,一般是半年或一年进行一次数据的采集,停电试验是在停电的状态下进行的,这样的操作在某种程度上会直接的影响电网系统的持续性供电。因此,这就为企业用户以及居民用户带来了不利的影响,并且还有可能会造成人身安全以及财产的损失。然而停电试验对于评价设备状态而言,十分重要,如果长时间不进行停电试验,难以做到对故障的防患于未然。
现有停电试验一般具有固定周期,目前还没有一种判断是否需要停电试验的方法,这就有可能造成有些停电试验不必要,而有些停电试验不及时。因此有必要发明一种能够判断变压器是否需要停电试验的方法。
发明内容
本发明的目的在于:为了克服上述现有技术的不足,本发明提出了一种判断变压器是否需要停电试验的方法和装置。
为实现上述发明目的,本发明采用以下技术方案:
一种判断变压器是否需要停电试验的方法,包括以下步骤:
步骤1、选取历史发生故障的变压器的在线油色谱、套管介质损耗、绕组温度这3类异常数据,选取各类异常数据对应的特征参量,分析每类异常数据对故障影响的重要度Yi,i为异常数据,取1~3;
对变压器一天内产生的各类在线监测数据分别进行归一化处理得到归一化后的数据其中j表示第j个特征参量,并对其中的油色谱数据计算加权平均值
步骤2、把重要度Yi与归一化后的数据加权平均值分别乘积作为输入,构建输出
步骤3、将构建的输出与确定的判断变压器是否需要停电试验的阈值T进行比较;
当Z>T时,进行停电试验,当Z≤T时,不进行停电试验。
进一步地,异常数据油色谱选取的特征参量包括H2、CO、CO2、CH4、C2H4、C2H6和C2H2。
进一步地,异常数据套管介质损耗选取的特征参量包括套管介质损耗。
进一步地,异常数据绕组温度选取的特征参量包括绕组温度。
进一步地,步骤1中,对于任一类异常,得到一组关于特征参量的向量,通过对比特征参量标准值与测量值之间的差异,得到相对变比:
其中,异常数据i取1~3,特征参量j取1~n,n为第i个异常数据的特征参量个数。Ai`jx为变压器第i个异常数据的第j个特征参量的测量值,Ai`j0为变压器第i个异常数据的第j个特征参量标准值,Bi为变压器第i个异常数据的特征参量的相对变比;
将计算得到的各异常数据的特征参量相对变比进行归一化,得到每类异常对故障影响的重要度:
步骤1中,归一化计算式为:
式中,是归一化后的数据,x是一天内实时产生的数据,xmin是一天内实时数据中的最小值,xmax是一天内实时数据中的最大值。
进一步地,步骤1中,油色谱数据取加权平均值计算式为:
式中:是加权平均值,是第j个特征参量数据的均值,Wj是第j个特征参量数据的离差权重系数。
进一步地,第i个子数据组的离差权重系数计算式为:
式中,σj、σn是第j个、第n个特征参量数据的标准差。
进一步地,步骤3中,判断变压器是否需要停电试验的阈值T是通过训练机器学习模型确定。
一种判断变压器是否需要停电试验的装置,包括
历史数据分析模块:选取历史发生故障的变压器的在线油色谱、套管介质损耗、绕组温度这3类异常数据,选取各类异常数据对应的特征参量,分析每类异常数据对故障影响的重要度Yi,i为异常数据,取1~3;
数据提取处理模块:对变压器一天内产生的各类在线监测数据分别进行归一化处理得到归一化后的数据其中j表示第j个特征参量,并对其中的油色谱数据计算加权平均值
输出模型构建模块:把重要度Yi与归一化后的数据加权平均值分别乘积作为输入,构建输出
比较判断模块:将构建的输出与确定的判断变压器是否需要停电试验的阈值T进行比较;
当Z>T时,进行停电试验,当Z≤T时,不进行停电试验。
本发明所达到的有益效果:
本发明提出了一种判断变压器是否需要停电试验的方法和装置,改变了传统的按照固定周期进行停电试验的方式,根据判断的结果确定是否停电试验,既避免了有些不必要的停电试验,又避免了有些不及时的停电试验。
附图说明
图1是本发明方法的流程简图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段做出各种替换或变更,均应包括在本发明的保护范围内。
本发明的原理是:变压器的在线监测类数据采集频率较高,一般可达几分钟一次,停电试验类数据则采集频率较低,按照试验规程需要,一般是半年或一年进行一次数据的采集。如果在线监测类数据存在异常,异常的数据在一定程度上可以反映变压器是否处于正常状态,是否需要进行停电试验。结合图1,制定详细步骤如下:
步骤1、选取历史发生故障的变压器的在线油色谱、套管介质损耗、绕组温度等3类异常数据进行分析每类异常对故障影响的重要度,针对上述3类典型异常,选取适合的特征参量如表1所示。
表1典型异常特征参量
对于任一类异常,都会得到一组关于特征参量的向量。通过对比特征参量标准值与测量值之间的差异,得到相对变比。
其中,异常数据i取1~3,特征参量j取1~n,n为第i个异常数据的特征参量个数。Ai`jx为变压器第i个异常数据的第j个特征参量的测量值,Ai`j0为变压器第i个异常数据的第j个特征参量标准值,Bi为变压器第i个异常数据的特征参量的相对变比。
进一步,将计算得到的各异常数据的特征参量相对变比进行归一化,即可得到每类异常对故障影响的重要度。
步骤2、对变压器一天内产生的九类(本实施例中特征参量数据的数量取为九类)在线监测数据分别进行最大、最小归一化处理:式中是归一化后的数据,x是一天内实时产生的数据,xmin是一天内实时数据中的最小值,xmax是一天内实时数据中的最大值。再对七类油色谱气体取加权平均值:式中:是加权平均值,是第j个特征参量数据的均值,Wj是第j个特征参量数据的离差权重系数,可由下式计算:式中,σj、σn是第j个、第n个特征参量数据的标准差。
步骤3、把作为模型输入。
步骤4、将已知输入以及已知变压器是否需要停电试验的历史数据输入如C4.5决策树等机器学习模型中,训练机器学习模型,构建决策树模型,自动计算判断变压器是否需要停电试验的阈值Tmn,m=1,2,3,m为决策树层数,n为决策树某层的第n个节点。通过该机器学习算法根据所获取的9类特征参量数据即可通过与阈值对比判断变压器是否需要停电试验。
训练方法如下所示:
(1)根据3类异常数据的离差权重系数进行排序,离差权重系数最高的作为决策树第一层节点,次高的作为第二层节点,最低的作为第三层节点。
(2)将每层中对应的异常数据中的各个数据值作为候选阈值进行变压器是否需要停电试验的判断,选取分类准确率最高的候选阈值作为该节点的阈值。(假设某类异常数据的数据集为{1,2,3,4,5,6},对应的判断结果是{0,0,0,1,1,1},其中,0代表不需要停电试验,1代表需要停电试验。将6个数据作为候选阈值分别进行分类准确率计算,如表所示候选阈值为3时具有最高的分类准确率,因此选择3作为该节点的阈值。
实施例1
下面以一具体实施例说明本发明的方法。
步骤一:选取历史发生故障的变压器的在线油色谱、套管介质损耗、绕组温度等3类异常数据进行分析每类异常对故障影响的重要度,得到每类异常对故障影响的重要度:Y1=0.76、Y2=0.15、Y3=0.09。
步骤二:对变压器一天内产生的九类在线监测数据分别进行最大最小归一化处理,再对七类油色谱气体取加权平均值:
步骤三:把作为输入,输出即Z=0.76×0.82+0.15×0.73+0.09×0.69=0.7948。
步骤四:将已知输入以及已知变压器是否需要停电试验的历史数据输入神经网络模型中,训练神经网络模型,得到判断变压器是否需要停电试验的阈值T=0.81。
因为Z<T,所以不需要进行停电试验。
实施例2
下面以一具体实施例说明本发明的装置。
一种判断变压器是否需要停电试验的装置,包括
历史数据分析模块:选取历史发生故障的变压器的在线油色谱、套管介质损耗、绕组温度这3类异常数据,选取各类异常数据对应的特征参量,分析每类异常数据对故障影响的重要度Yi,i为异常数据,取1~3;
数据提取处理模块:对变压器一天内产生的各类在线监测数据分别进行归一化处理得到归一化后的数据其中j表示第j个特征参量,并对其中的油色谱数据计算加权平均值
输出模型构建模块:把重要度Yi与归一化后的数据加权平均值分别乘积作为输入,构建输出
比较判断模块:将构建的输出与确定的判断变压器是否需要停电试验的阈值T进行比较;
当Z>T时,进行停电试验,当Z≤T时,不进行停电试验。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种判断变压器是否需要停电试验的方法,其特征是,包括以下步骤:
步骤1、选取历史发生故障的变压器的在线油色谱、套管介质损耗、绕组温度这3类异常数据,选取各类异常数据对应的特征参量,分析每类异常数据对故障影响的重要度Yi,i为异常数据,取1~3;以及
对变压器一天内产生的各类在线监测数据分别进行归一化处理得到归一化后的数据其中j表示第j个特征参量,并对其中的油色谱数据计算加权平均值
步骤2、把重要度Yi与归一化后的数据加权平均值分别乘积作为输入,构建输出
步骤3、将构建的输出与确定的判断变压器是否需要停电试验的阈值T进行比较;
当Z>T时,进行停电试验,当Z≤T时,不进行停电试验。
2.根据权利要求1所述的判断变压器是否需要停电试验的方法,其特征是,异常数据油色谱选取的特征参量包括H2、CO、CO2、CH4、C2H4、C2H6和C2H2。
3.根据权利要求1所述的判断变压器是否需要停电试验的方法,其特征是,异常数据套管介质损耗选取的特征参量包括套管介质损耗。
4.根据权利要求1所述的判断变压器是否需要停电试验的方法,其特征是,异常数据绕组温度选取的特征参量包括绕组温度。
5.根据权利要求1所述的判断变压器是否需要停电试验的方法,其特征是,步骤1中,对于任一类异常,得到一组关于特征参量的向量,通过对比特征参量标准值与测量值之间的差异,得到相对变比:
其中,特征参量j取1~n,n为第i个异常数据的特征参量个数。Ai`jx为变压器第i个异常数据的第j个特征参量的测量值,Ai`j0为变压器第i个异常数据的第j个特征参量标准值,Bi为变压器第i个异常数据的特征参量的相对变比;
将计算得到的各异常数据的特征参量相对变比进行归一化,得到每类异常对故障影响的重要度:
6.根据权利要求1所述的判断变压器是否需要停电试验的方法,其特征是,步骤1中,归一化计算式为:
式中,x是一天内实时产生的数据,xmin是一天内实时数据中的最小值,xmax是一天内实时数据中的最大值。
7.根据权利要求6所述的判断变压器是否需要停电试验的方法,其特征是,步骤1中,油色谱数据取加权平均值计算式为:
式中:是加权平均值,是第j个特征参量数据的均值,Wj是第j个特征参量数据的离差权重系数。
8.根据权利要求7所述的判断变压器是否需要停电试验的方法,其特征是,第i个子数据组的离差权重系数计算式为:
式中,σj、σn是第j个、第n个特征参量数据的标准差。
9.根据权利要求1所述的判断变压器是否需要停电试验的方法,其特征是,
步骤3中,判断变压器是否需要停电试验的阈值T是通过训练机器学习模型确定。
10.一种判断变压器是否需要停电试验的装置,其特征是,包括
历史数据分析模块:选取历史发生故障的变压器的在线油色谱、套管介质损耗、绕组温度这3类异常数据,选取各类异常数据对应的特征参量,分析每类异常数据对故障影响的重要度Yi,i为异常数据,取1~3;
数据提取处理模块:对变压器一天内产生的各类在线监测数据分别进行归一化处理得到归一化后的数据其中j表示第j个特征参量,并对其中的油色谱数据计算加权平均值
输出模型构建模块:把重要度Yi与归一化后的数据加权平均值分别乘积作为输入,构建输出
比较判断模块:将构建的输出与确定的判断变压器是否需要停电试验的阈值T进行比较;
当Z>T时,进行停电试验,当Z≤T时,不进行停电试验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910361124.5A CN110161382B (zh) | 2019-04-30 | 2019-04-30 | 一种判断变压器是否需要停电试验的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910361124.5A CN110161382B (zh) | 2019-04-30 | 2019-04-30 | 一种判断变压器是否需要停电试验的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110161382A true CN110161382A (zh) | 2019-08-23 |
CN110161382B CN110161382B (zh) | 2022-06-10 |
Family
ID=67633092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910361124.5A Active CN110161382B (zh) | 2019-04-30 | 2019-04-30 | 一种判断变压器是否需要停电试验的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110161382B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
KR20130062081A (ko) * | 2011-12-02 | 2013-06-12 | 한국전력공사 | 컷 아웃 스위치 |
US20130346057A1 (en) * | 2012-06-26 | 2013-12-26 | Eleon Energy, Inc. | Methods and systems for power restoration planning |
JP2014048188A (ja) * | 2012-08-31 | 2014-03-17 | Bekutoru:Kk | 電流センサー |
CN103926490A (zh) * | 2014-04-21 | 2014-07-16 | 广东电网公司茂名供电局 | 一种具有自学习功能的电力变压器综合诊断方法 |
CN104268393A (zh) * | 2014-09-24 | 2015-01-07 | 广西电网公司电力科学研究院 | 一种高压断路器部件重要度评估方法 |
CN105117847A (zh) * | 2015-08-26 | 2015-12-02 | 国家电网公司 | 一种变压器故障重要度的评估方法 |
CN105572572A (zh) * | 2015-12-19 | 2016-05-11 | 渤海大学 | 基于wknn-lssvm的模拟电路故障诊断方法 |
CN106501641A (zh) * | 2016-10-20 | 2017-03-15 | 云南电网有限责任公司电力科学研究院 | 一种变压器质量状态评估方法 |
CN106529791A (zh) * | 2016-10-27 | 2017-03-22 | 云南电网有限责任公司 | 一种电力系统中支路重要度的评估方法 |
CN106569069A (zh) * | 2016-11-04 | 2017-04-19 | 广州供电局有限公司 | 电力变压器故障诊断方法 |
CN106841941A (zh) * | 2017-01-13 | 2017-06-13 | 国家电网公司 | 一种油浸式变压器设备取消例行停电试验的状态试验方法 |
CN106908674A (zh) * | 2017-02-17 | 2017-06-30 | 国网上海市电力公司 | 一种基于多状态量预测的变压器状态评估方法 |
CN107145675A (zh) * | 2017-05-17 | 2017-09-08 | 国网天津市电力公司 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
CN107843718A (zh) * | 2017-10-20 | 2018-03-27 | 广东电网有限责任公司河源供电局 | 一种变压器绝缘油老化状态评估的方法 |
US20180180657A1 (en) * | 2016-12-23 | 2018-06-28 | Sanil Electric Co., Ltd. | Transformer condition-based risk management system and method |
CN109086484A (zh) * | 2018-06-29 | 2018-12-25 | 广东工业大学 | 一种变压器健康状态评估的证据融合与集对分析方法 |
CN109270200A (zh) * | 2018-10-31 | 2019-01-25 | 国网山东省电力公司电力科学研究院 | 一种基于试验与在线监测油色谱数据的评价方法与装置 |
CN109299551A (zh) * | 2018-09-30 | 2019-02-01 | 武汉大学 | 一种电力变压器状态评估方法 |
CN109374063A (zh) * | 2018-12-04 | 2019-02-22 | 广东电网有限责任公司 | 一种基于集群管理的变压器异常检测方法、装置和设备 |
CN109657872A (zh) * | 2018-12-29 | 2019-04-19 | 云南电网有限责任公司电力科学研究院 | 一种配网变压器运行状态的预测方法 |
-
2019
- 2019-04-30 CN CN201910361124.5A patent/CN110161382B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
KR20130062081A (ko) * | 2011-12-02 | 2013-06-12 | 한국전력공사 | 컷 아웃 스위치 |
US20130346057A1 (en) * | 2012-06-26 | 2013-12-26 | Eleon Energy, Inc. | Methods and systems for power restoration planning |
JP2014048188A (ja) * | 2012-08-31 | 2014-03-17 | Bekutoru:Kk | 電流センサー |
CN103926490A (zh) * | 2014-04-21 | 2014-07-16 | 广东电网公司茂名供电局 | 一种具有自学习功能的电力变压器综合诊断方法 |
CN104268393A (zh) * | 2014-09-24 | 2015-01-07 | 广西电网公司电力科学研究院 | 一种高压断路器部件重要度评估方法 |
CN105117847A (zh) * | 2015-08-26 | 2015-12-02 | 国家电网公司 | 一种变压器故障重要度的评估方法 |
CN105572572A (zh) * | 2015-12-19 | 2016-05-11 | 渤海大学 | 基于wknn-lssvm的模拟电路故障诊断方法 |
CN106501641A (zh) * | 2016-10-20 | 2017-03-15 | 云南电网有限责任公司电力科学研究院 | 一种变压器质量状态评估方法 |
CN106529791A (zh) * | 2016-10-27 | 2017-03-22 | 云南电网有限责任公司 | 一种电力系统中支路重要度的评估方法 |
CN106569069A (zh) * | 2016-11-04 | 2017-04-19 | 广州供电局有限公司 | 电力变压器故障诊断方法 |
US20180180657A1 (en) * | 2016-12-23 | 2018-06-28 | Sanil Electric Co., Ltd. | Transformer condition-based risk management system and method |
CN106841941A (zh) * | 2017-01-13 | 2017-06-13 | 国家电网公司 | 一种油浸式变压器设备取消例行停电试验的状态试验方法 |
CN106908674A (zh) * | 2017-02-17 | 2017-06-30 | 国网上海市电力公司 | 一种基于多状态量预测的变压器状态评估方法 |
CN107145675A (zh) * | 2017-05-17 | 2017-09-08 | 国网天津市电力公司 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
CN107843718A (zh) * | 2017-10-20 | 2018-03-27 | 广东电网有限责任公司河源供电局 | 一种变压器绝缘油老化状态评估的方法 |
CN109086484A (zh) * | 2018-06-29 | 2018-12-25 | 广东工业大学 | 一种变压器健康状态评估的证据融合与集对分析方法 |
CN109299551A (zh) * | 2018-09-30 | 2019-02-01 | 武汉大学 | 一种电力变压器状态评估方法 |
CN109270200A (zh) * | 2018-10-31 | 2019-01-25 | 国网山东省电力公司电力科学研究院 | 一种基于试验与在线监测油色谱数据的评价方法与装置 |
CN109374063A (zh) * | 2018-12-04 | 2019-02-22 | 广东电网有限责任公司 | 一种基于集群管理的变压器异常检测方法、装置和设备 |
CN109657872A (zh) * | 2018-12-29 | 2019-04-19 | 云南电网有限责任公司电力科学研究院 | 一种配网变压器运行状态的预测方法 |
Non-Patent Citations (4)
Title |
---|
HAO ZHU 等: "Sparse Overcomplete Representations for Efficient Identification of Power Line Outages", 《IEEE TRANSACTIONS ON POWER SYSTEMS 》 * |
MAURICIO VALENCIA FERREIRA DA LUZ 等: "Three-Phase Transformer Modeling Using a Vector Hysteresis Model and Including the Eddy Current and the Anomalous Losses", 《IEEE TRANSACTIONS ON MAGNETICS 》 * |
范跃华 等: "基于层次诊断模型的机电设备故障诊断专家系统", 《弹 箭 与 制 导 学 报》 * |
荣经国 等: "多源信息融合技术在变压器故障诊断中的应用", 《电力科学与工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110161382B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11474163B2 (en) | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification | |
TW541448B (en) | Rotating equipment diagnostic system and adaptive controller | |
CN107992665B (zh) | 一种特高压换流站交流滤波器在线故障诊断分析方法 | |
CN108663582A (zh) | 一种变压器的故障诊断方法及系统 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN104777410A (zh) | 交联聚乙烯电缆局部放电模式识别方法 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
CN103926490A (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
CN110147323A (zh) | 一种基于生成对抗网络的变更智能检查方法及装置 | |
CN111291783A (zh) | 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN106569069A (zh) | 电力变压器故障诊断方法 | |
CN109829627A (zh) | 一种基于集成学习方案的电力系统动态安全置信评估方法 | |
Malik et al. | Feature selection using RapidMiner and classification through probabilistic neural network for fault diagnostics of power transformer | |
CN108320112A (zh) | 一种确定设备健康状态的方法及装置 | |
CN110378358A (zh) | 一种配电网异构数据整合方法及系统 | |
CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN115616470A (zh) | 电流互感器计量误差状态预测方法、系统、设备及介质 | |
CN110161382A (zh) | 一种判断变压器是否需要停电试验的方法和装置 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN109342862A (zh) | 基于非监督聚类与和svm分类的变压器故障诊断方法 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN113762345A (zh) | 一种油浸式变压器故障诊断方法及装置 |
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 |