CN110263828A - 一种油浸式电抗器故障诊断方法 - Google Patents
一种油浸式电抗器故障诊断方法 Download PDFInfo
- Publication number
- CN110263828A CN110263828A CN201910486353.XA CN201910486353A CN110263828A CN 110263828 A CN110263828 A CN 110263828A CN 201910486353 A CN201910486353 A CN 201910486353A CN 110263828 A CN110263828 A CN 110263828A
- Authority
- CN
- China
- Prior art keywords
- oil
- parameter
- fault
- dissolved gas
- diagnosing faults
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 13
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 206010020843 Hyperthermia Diseases 0.000 claims description 3
- 230000036031 hyperthermia Effects 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- QUXQUIHALSYBKJ-UHFFFAOYSA-N bis(2-methoxycarbonylphenyl) oxalate Chemical compound C(C(=O)OC1=C(C=CC=C1)C(=O)OC)(=O)OC1=C(C=CC=C1)C(=O)OC QUXQUIHALSYBKJ-UHFFFAOYSA-N 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种油浸式电抗器故障诊断方法,采集油浸式电抗器油中所溶解气体的含量;将溶解气体的含量输入已训练好的故障诊断模型中,获取故障诊断结果。本发明在故障特征不明确的条件下,能够准确判断故障类型。
Description
技术领域
本发明涉及一种油浸式电抗器故障诊断方法,属于电力设备状态检测与故障诊断领域。
背景技术:
油浸电抗器是电力系统中的关键设备,其安全稳定运行意义重大。
在众多物理和化学检测手段中,油中溶解气体分析通过分析气体的组分和含量来检测设备状态,可及时发现内部潜伏故障,因其不影响设备正常运行而成为最广泛应用的油浸电气设备故障探测和诊断手段。基于DGA发展出了很多不同诊断方法,如三比值法、Rogers法、Duval三角形法等。
研究人员还将各种智能技术引入电抗器故障诊断中。其中支持向量机(supportvector machine,SVM)通过优化结构风险来构造分类器,较好地解决了小样本、非线性等问题,可达到较好的诊断效果。基于SVM的算法给出的诊断结论是故障类型,并通过采用不同的优化方案提高了正确率,但是在故障特征不明确条件下仍存在样本误诊断问题。
发明内容
本发明提供一种油浸式电抗器故障诊断方法,在故障特征不明确条件下,依然能够准确识别故障类型。
为达到上述目的,本发明所采用的技术方案是:一种油浸式电抗器故障诊断方法,所述方法包括如下步骤:
采集油浸式电抗器油中所溶解气体的含量;
将溶解气体的含量输入已训练好的故障诊断模型中,获取故障诊断结果。
进一步的,所述故障诊断模型的训练方法包括如下步骤:
根据油中所溶解气体的含量及对应的故障类型构建气体特征参数,形成训练样本集和测试样本集;
对训练样本集进行交叉验证,确定Sigmoid函数的参数γ和SVM的惩罚参数C;
通过参数γ和惩罚参数C训练获得Sigmoid函数中的参数A和B,得到训练好的故障诊断模型。
进一步的,所述气体特征参数为(x,y)的特征向量,其中x是溶解气体的含量构成的向量[x1,x2,x3,x4.....xn],y为故障类型,n为溶解气体的数量。
进一步的,所述故障类型包括:低于300℃的低温过热T1、高于300℃并低于700℃中温过热T2、高于700℃高温过热T3、局部放电PD、低能放电D1、高能放电D2。
进一步的,所述惩罚参数C的取值范围为10-6,10-5,…,105,106。
进一步的,所述参数γ的取值范围为10-5,10-5,…,104,105。
进一步的,Sigmoid函数中的参数A和B通过公式(1)获得:
其中,i=1,2,…,k;k代表故障分类的个数。f=f(x)为SVM决策函数,A,B为Sigmoid函数的参数,P(y=1|x)和PA,B(f)均表示每一类故障发生的概率。
进一步的,油中所溶解气体包括:H2,CH4,C2H6,C2H4和C2H2。
本发明通过采用多分类概率输出来判断电抗器故障,在SVM分类器基础上引入概率输出,诊断结果是发生每类故障的概率估计。在故障特征不明确的条件下,本发明能够准确判断故障类型。
附图说明
图1为本发明实施例提供的一种油浸式电抗器故障诊断方法的流程示意图;
图2为本发明实施例中交叉验证参数γ和惩罚参数C的流程示意图;
具体实施方式
为了更好的理解本发明的实质,下面结合具体实施例和附图对本发明作进一步的阐述。
本发明适用于电力设备状态检测与故障诊断领域,如图1所示,是本发明实施例提供的一种油浸式电抗器故障诊断方法的流程图,包括如下步骤:
步骤一:采集油浸式电抗器油中所溶解气体的含量;
油中所溶解气体包括:H2,CH4,C2H6,C2H4和C2H2。
步骤二:将溶解气体的含量输入已训练好的故障诊断模型中,获取故障诊断结果。
所述故障诊断模型的训练方法包括如下步骤:
Step201:根据油中所溶解气体的含量及对应的故障类型构建气体特征参数,形成训练样本集和测试样本集;所述气体特征参数为(x,y)的特征向量,其中x是溶解气体的含量构成的向量[x1,x2,x3,x4.....xn],y为故障类型,n为溶解气体的数量。
所述故障类型包括:低于300℃的低温过热T1、高于300℃并低于700℃中温过热T2、高于700℃高温过热T3、局部放电PD、低能放电D1、高能放电D2。
Step202:对训练样本集进行交叉验证,确定Sigmoid函数的参数γ和SVM的惩罚参数C。所述惩罚参数C的取值范围为10-6,10-5,…,105,106。
Step203:通过参数γ和惩罚参数C训练获得Sigmoid函数中的参数A和B,得到训练好的故障诊断模型。所述参数γ的取值范围为10-5,10-5,…,104,105。Sigmoid函数中的参数A和B通过公式(1)获得:
其中,i=1,2,…,k;k代表故障分类的个数。f=f(x)为SVM决策函数,A,B为Sigmoid函数的参数,P(y=1|x)和PA,B(f)均表示每一类故障发生的概率。。
下面结合具体实施例进行分析,收集312个已确定故障原因的样本进行测试,其中213个作为训练样本集,99个作为测试样本集。
为方便说明本发明故障诊断模型输出故障分类概率的意义,将实际故障发生在MCPO方法所诊断出的概率最大故障类的样本记为S1,实际故障发生在概率次大故障类的样本记为S2,实际故障发生在概率第3大故障类的样本记为S3。MCPO方法从概率信息出发判断出故障特征是否不明显,并据此判断电抗器可能存在的故障。
将每一个样本诊断结果的故障T1,T2,T3,PD,D1,D2概率记为p1,p2,p3,p4,p5,p6,取出其最大概率Pmax=max{p1,p2,p3,p4,p5,p6},同时计算出(p1,p2,p3,p4,p5,p6)的标准差σ。实际情况中待诊断样本无法得知其属于S1,S2或S3类型,但由MCPO方法得出诊断结论的Pmax越大,标准差σ越大;样本的故障特征越不明显,由MCPO方法得出诊断结论的Pmax越小,标准差σ越小。利用本方法的概率输出结果计算出Pmax和σ即可以有效区分出特征明显和特征不明显的样本。本发明给出的判断标准为Pmax=0.6和σ=0.25,即认为Pmax<0.6且σ<0.25的样本属于故障特征不明确的样本,其余属于故障特征明确的样本。对应特征不明确的样本利用常规SVM方法得出绝对的诊断结果很容易出错,误诊断现象无法避免,且错误无法发现和纠正,而MCPO方法能够有效识别此类故障特征不明显的样本,进而得到合理的处理。
综上,本发明通过采用多分类概率输出来判断电抗器故障,在SVM分类器基础上引入概率输出,诊断结果是发生每类故障的概率估计。在故障特征不明确的条件下,本发明能够准确判断故障类型。
应当指出,虽然通过上述实施方式对本发明进行了描述,然而本发明还可有其它多种实施方式。在不脱离本发明精神和范围的前提下,熟悉本领域的技术人员显然可以对本发明做出各种相应的改变和变形,但这些改变和变形都应当属于本发明所附权利要求及其等效物所保护的范围内。
Claims (8)
1.一种油浸式电抗器故障诊断方法,其特征在于,所述方法包括如下步骤:
采集油浸式电抗器油中所溶解气体的含量;
将溶解气体的含量输入已训练好的故障诊断模型中,获取故障诊断结果。
2.根据权利要求1所述的油浸式电抗器故障诊断方法,其特征在于,所述故障诊断模型的训练方法包括如下步骤:
根据油中所溶解气体的含量及对应的故障类型构建气体特征参数,形成训练样本集和测试样本集;
对训练样本集进行交叉验证,确定Sigmoid函数的参数γ和SVM的惩罚参数C;
通过参数γ和惩罚参数C训练获得Sigmoid函数中的参数A和B,得到训练好的故障诊断模型。
3.根据权利要求2所述的油浸式电抗器故障诊断方法,其特征在于,所述气体特征参数为(x,y)的特征向量,其中x是溶解气体的含量构成的向量[x1,x2,x3,x4.....xn],y为故障类型,n为溶解气体的数量。
4.根据权利要求3所述的油浸式电抗器故障诊断方法,其特征在于,所述故障类型包括:低于300℃的低温过热T1、高于300℃并低于700℃中温过热T2、高于700℃高温过热T3、局部放电PD、低能放电D1、高能放电D2。
5.根据权利要求2所述电抗器故障诊断方法,其特征在于:所述惩罚参数C的取值范围为10-6,10-5,…,105,106。
6.根据权利要求2所述电抗器故障诊断方法,其特征在于:所述参数γ的取值范围为10-5,10-5,…,104,105。
7.根据权利要求2所述电抗器故障诊断方法,其特征在于:
Sigmoid函数中的参数A和B通过公式(1)获得:
其中,i=1,2,…,k;k代表故障分类的个数。f=f(x)为SVM决策函数,A,B为Sigmoid函数的参数,P(y=i|x)和PA,B(f)均表示每一类故障发生的概率。
8.根据权利要求1至7中任一项所述的油浸式电抗器故障诊断方法,其特征在于,油中所溶解气体包括:H2,CH4,C2H6,C2H4和C2H2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486353.XA CN110263828A (zh) | 2019-06-05 | 2019-06-05 | 一种油浸式电抗器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486353.XA CN110263828A (zh) | 2019-06-05 | 2019-06-05 | 一种油浸式电抗器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263828A true CN110263828A (zh) | 2019-09-20 |
Family
ID=67916942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910486353.XA Pending CN110263828A (zh) | 2019-06-05 | 2019-06-05 | 一种油浸式电抗器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263828A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085064A (zh) * | 2020-08-12 | 2020-12-15 | 云南电网有限责任公司普洱供电局 | 基于支持向量机多分类概率输出的变压器故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745119A (zh) * | 2014-01-22 | 2014-04-23 | 浙江大学 | 一种基于故障概率模型的油浸式变压器故障诊断方法 |
CN109062180A (zh) * | 2018-07-25 | 2018-12-21 | 国网江苏省电力有限公司检修分公司 | 一种基于ifoa优化svm模型的油浸式电抗器故障诊断方法 |
-
2019
- 2019-06-05 CN CN201910486353.XA patent/CN110263828A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745119A (zh) * | 2014-01-22 | 2014-04-23 | 浙江大学 | 一种基于故障概率模型的油浸式变压器故障诊断方法 |
CN109062180A (zh) * | 2018-07-25 | 2018-12-21 | 国网江苏省电力有限公司检修分公司 | 一种基于ifoa优化svm模型的油浸式电抗器故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085064A (zh) * | 2020-08-12 | 2020-12-15 | 云南电网有限责任公司普洱供电局 | 基于支持向量机多分类概率输出的变压器故障诊断方法 |
CN112085064B (zh) * | 2020-08-12 | 2023-01-24 | 云南电网有限责任公司普洱供电局 | 基于支持向量机多分类概率输出的变压器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Data-fusion prognostics of proton exchange membrane fuel cell degradation | |
McCoach et al. | Errors of inference in structural equation modeling | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
Mao et al. | Effectiveness of a novel sensor selection algorithm in PEM fuel cell on-line diagnosis | |
CN109242205A (zh) | 一种变压器状态预测方法及系统 | |
CN104914850B (zh) | 基于切换线性动态系统模型的工业过程故障诊断方法 | |
EP3901957A1 (en) | System and method for determining an optimum qc strategy for immediate release results | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与系统 | |
CN113537328A (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
CN112507605A (zh) | 基于AnoGAN的配电网异常检测方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN104635146B (zh) | 基于随机正弦信号测试和hmm的模拟电路故障诊断方法 | |
CN112085064B (zh) | 基于支持向量机多分类概率输出的变压器故障诊断方法 | |
CN110263828A (zh) | 一种油浸式电抗器故障诊断方法 | |
Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
Li et al. | Data-driven state of charge estimation of li-ion batteries using supervised machine learning methods | |
CN114358193A (zh) | 基于油色谱的变压器状态诊断方法、终端及存储介质 | |
CN112926686A (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN113010394A (zh) | 一种用于数据中心的机房故障检测方法 | |
Behravan et al. | Deep learning application in mechatronics systems’ fault diagnosis, a case study of the demand-controlled ventilation and heating system | |
CN116629409A (zh) | 一种基于朴素贝叶斯算法的sofc系统故障几率预测方法 | |
CN116522121A (zh) | 一种不平衡小样本条件下的变压器在线故障诊断方法 | |
CN113705637B (zh) | 一种断路器机械故障检测方法、系统、设备及可读存储介质 |
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: 20190920 |