CN110297141A - 基于多层评估模型的故障定位方法及系统 - Google Patents

基于多层评估模型的故障定位方法及系统 Download PDF

Info

Publication number
CN110297141A
CN110297141A CN201910585829.5A CN201910585829A CN110297141A CN 110297141 A CN110297141 A CN 110297141A CN 201910585829 A CN201910585829 A CN 201910585829A CN 110297141 A CN110297141 A CN 110297141A
Authority
CN
China
Prior art keywords
fault type
fault
transformer
failure
degree
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
Application number
CN201910585829.5A
Other languages
English (en)
Inventor
何怡刚
吴汶倢
张慧
何鎏璐
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201910585829.5A priority Critical patent/CN110297141A/zh
Publication of CN110297141A publication Critical patent/CN110297141A/zh
Priority to US16/689,110 priority patent/US20210003640A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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
    • G01R31/1272—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 cable, line or wire insulation, e.g. using partial discharge measurements
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Abstract

本发明公开了基于多层评估模型的故障定位方法，包括步骤：首先确定待检测的故障类型和能够准确有效地反映变压器运行状况的故障征兆，利用关联规则和集对分析确定各故障类型的权重；然后建立DBN模型对故障的多维数据进行特征提取及分类；最后利用D‑S证据理论对已有诊断结果进行综合评估，增强对共同目标的支持力度，削弱分歧目标的影响，大大减小了诊断结果的不确定性。本发明主要针对变压器的状态量进行及时监测和诊断，将变压器状态评估看成是一个多属性决策问题，建立两个指标下的双层故障定位模型，利用集对分析和关联规则提高权重准确度，利用D‑S证据理论和深度置信网络进行故障识别，提高了故障识别的准确率。

Description

基于多层评估模型的故障定位方法及系统
技术领域
本发明属于变压器故障诊断领域，具体涉及一种基于多层评估模型的故障定位方法及系统。
背景技术
电力设备安全运行是电网安全稳定运行的基础，尤其是作为电力系统的关键枢纽设备，大型电力变压器的健康水平和运行状况直接关系到电网运行的安全与稳定。电力变压器在运行过程中，受到大电流、高电压和外界环境等的作用，变压器的内部结构和线路很有可能发生故障，按发展过程分为突发性故障和潜伏性故障；按故障性质分，主要有热性故障、电性故障和机械故障，其中机械故障一般也是以热性故障或电性故障的形式表现。综上所述，电力变压器的故障发生的可能原因主要包括放电与过热。
长期以来，国内对电力变压器健康水平和运行状态好坏的判断主要是依靠定期检修的方式来实现的，定期检修模式有自身的科学依据和合理性，在多年的实践中有效地减少了设备的突发事故，在一定程度上保证了设备的良好运行。但这种“一刀切”式检修模式的缺点也是明显的，因为没有考虑到电力变压器的实际状态，存在“小病大治”、“无病也治”的盲目现象。随着近年来电网规模迅速发展，电网设备数量急剧增加，定期检修工作量剧增，检修人员紧缺问题日益突出。特别地，由于近年来电网设备制造质量大幅提升，集成式、少维护设备得到大量采用，早期制定的设备检修、试验周期已不能适应电力设备诊断和管理水平的进步，因此迫切需要开展与实施以状态评估技术为基础的状态检修工作。提高电力变压器的运行维护和检修水平，降低故障发生概率，并采用合理的检修策略减少检修费用，是电力行业急需解决的关键问题。
目前常用的各种诊断算法对变压器运行的各状态量之间的关联性分析不足，对各种信息之间的内在联系重视不够。电力变压器发生故障时，往往不仅仅只针对一个状态量的变化，因此需要对变压器的各状态量变化情况进行综合分析来判断运行状态和潜在故障。无论是传统算法还是智能技术都存在一定的缺陷，仅依靠一种方法很难准确并有效地实现电力变压器的故障诊断，因此考虑把两种以上算法结合互补，来提高故障诊断的准确性。目前也有研究者将多种单一方法进行组合，但组合模型的权重若仅基于专家经验会过于主观，或者出现权重为负值的情况。如何更好地处理和描述多源监测数据，进行有效地融合分析，解决单一信息导致的不确定性是目前应当解决的问题。
发明内容
本发明所要解决的技术问题是，针对现有单一诊断算法存在的上述不足，以及组合模型依靠专家经验来确定权重的主观性缺陷，提出一种基于多层评估模型的故障定位方法及系统。将电力变压器绝缘状态评估看成是一个多属性决策问题，以关联集对分析和DBN算法对故障的诊断作为判断证据，建立两个指标下的双层故障定位模型，达到对变压器进行状态监测及时识别故障发生的目的。
本发明解决其技术问题所采用的技术方案是：
提供一种基于多层评估模型的故障定位方法，包括以下步骤：
(1)根据历史数据确定待检测的变压器故障类型；
(2)选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆；
(3)利用关联规则和集对分析确定各故障类型下每个故障征兆的常权重系数，并利用待测的变压器实验数据确定变权重系数，根据确定的常权重系数和变权重系数计算各故障类型对应的最终权重；所述关联规则为通过历史数据事先确定的故障类型和故障征兆之间的关联耦合关系；
(4)建立深度置信网络DBN模型对故障的故障征兆进行特征提取及分类得到分类结果；
(5)利用证据合成规则D-S证据理论对步骤(3)(4)的结果进行合成，计算各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
接上述技术方案，所述步骤(3)的具体方法为：
31)利用历史数据计算支持度和置信度，得出故障类型和故障征兆关联耦合关系以及权重系数；
32)对实验数据进行采集，分别计算各故障类型的相对劣化度和评分值，确定变权重系数；
33)利用故障征兆的相对劣化度数据得到故障征兆的同异反评价矩阵，并由此求出各故障类型的联系度和整体运行状态的联系度；
34)判断变压器整体运行状态，若存在故障，则将同异反评价矩阵分别代入各故障类型的联系度表达式进行计算，并进行归一化得到对应权重。
接上述技术方案，所述步骤(4)的具体方法为：
41)根据步骤(2)中的样本维数确定输入层神经元个数，使用训练集对模型进行无监督逐层训练；
42)根据步骤(1)的变压器故障类型的类别数确定输出层神经元个数，利用BP神经网络进行反向微调；
43)用测试集对深度置信网络DBN模型进行测试，输出结果。
接上述技术方案，步骤(5)的具体方法为：
51)以步骤(3)和步骤(4)的结果分别为第一独立证据e1和第二独立证据e2，根据模糊评估模型分别确定其原始基本概率分布和不确定度；
52)融合证据确定各故障类型的信任度Bel和似然度pl，其中信任度Bel表示确定为该故障类型的概率，似然度pl表示可能为该故障类型的概率，即信任度和不确定度的合计；
53)比较计算得出的各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
接上述技术方案，所述变压器的故障类型包括绕组故障、铁心故障、电流回路过热、绝缘受潮、电弧放电、绝缘老化、绝缘油劣化、局部放电、油流放电。
接上述技术方案，故障征兆包括：绝缘油介损、油中含水量、油击穿电压、绝缘电阻吸收比、极化指数、体积电阻率、H2含量、铁心接地电流、铁心绝缘电阻、C2H6含量、C2H4含量、绕组直流电阻互差、CO相对产气速率、CO2相对产气速率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、C2H2含量、局部放电量、油中含气量、CH4含量、中性点油流静电电流、糠醛含量、纸板聚合度。
本发明还提供了一种基于多层评估模型的故障定位系统，其特征在于，包括：
变压器故障类型和故障征兆确定模块，用于根据历史数据确定待检测的变压器故障类型；并用于选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆；
权重系数计算模块，用于利用关联规则和集对分析确定各故障类型的常权重系数，并利用待测的变压器实验数据确定变权重系数，根据确定的常权重系数和变权重系数计算各故障类型对应的最终权重；所述关联规则为通过历史数据事先确定的故障类型和故障征兆之间的关联耦合关系；
DBN分类模块，用于建立深度置信网络DBN模型对故障的故障征兆进行特征提取及分类得到分类结果；
故障判定模块，用于利用证据合成规则D-S证据理论对权重系数计算模块和DBN分类模块的结果进行合成，计算各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
接上述技术方案，所述权重系数计算模块具体包括：
常权重系数计算模块，用于利用历史数据计算支持度和置信度，得出故障类型和故障征兆关联耦合关系以及常权重系数；
变权重系数计算模块，用于对实验数据进行采集，分别计算各故障类型的相对劣化度和评分值，确定变权重系数；
联系度计算模块，用于利用故障征兆的相对劣化度数据得到故障征兆的同异反评价矩阵，并由此求出各故障类型的联系度和整体运行状态的联系度；
归一化模块，用于判断变压器整体运行状态，若存在故障，则将同异反评价矩阵分别代入各故障类型的联系度表达式进行计算，并进行归一化得到对应权重。
接上述技术方案，所述DBN分类模块包括：
逐层训练模块，用于根据变压器故障类型的样本维数确定输入层神经元个数，使用训练集对模型进行无监督逐层训练；
反向微调模块，用于根据变压器故障类型的类别数确定输出层神经元个数，利用BP神经网络进行反向微调；
测试模块，用于通过测试集对深度置信网络DBN模型进行测试，输出结果。
接上述技术方案，所述故障判定模块包括：
原始基本概率分布和不确定度模块，用于以权重系数计算模块和DBN分类模块的结果分别为第一独立证据e1和第二独立证据e2，根据模糊评估模型分别确定其原始基本概率分布和不确定度；
证据融合模块，用于融合证据确定各故障类型的信任度Bel和似然度pl，其中信任度Bel表示确定为该故障类型的概率，似然度pl表示可能为该故障类型的概率，即信任度和不确定度的合计；
结果判定模块，用于比较计算得出的各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
本发明产生的有益效果是：本发明通过将集对分析理论和关联规则结合起来，可以适当的减轻专家系统主观意见对权重准确性的影响；利用深度学习中的深度置信网络，在处理高维、非线性数据的特征提取方面具有显著的优势；本发明将电力变压器绝缘状态评估看成是一个多属性决策问题，建立两个指标下的双层故障定位模型，D-S证据理论具有聚焦作用，会增强对共同目标的支持力度，削弱分歧目标的影响。本发明可实现对变压器进行状态监测及时识别故障发生。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明基于多层评估模型的故障定位方法流程图；
图2为变压器运行状态等级与相对劣化度对应的隶属函数示意图；
图3为本发明基于多层评估模型的故障定位系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1所示，本发明提出一种基于多层评估模型的故障定位方法，包含以下步骤：
(1)确定待检测的故障类型。
变压器的故障种类很多，很难以某种分类方法来划分变压器的故障类型。本文主要依据《油浸式变压器(电抗器)状态评价导则》，同时根据实际运行经验，并参考以往实验中较成功的故障分类集，最终将变压器常见故障类型分为9种，见表1所示；
表1电力变压器的故障类型
(2)选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆。在选取故障征兆时应在参数齐全的状态量中选择，一般可从表2中的24个状态量选取作为故障征兆进行状态评估。
表2电力变压器的故障征兆
(3)利用关联规则和集对分析确定各故障类型的权重，具体为：
31)利用历史数据计算支持度和置信度，得出故障类型和故障征兆关联耦合关系以及权重系数。
在实际运行过程中，电力变压器的故障发生往往与多个故障征兆有关，一个故障征兆也可能对应多种故障类型，因此需要通过历史数据事先确定故障类型和故障征兆之间的关联耦合关系，即关联规则。其中，通过计算支持度可以表示关联规则出现的概率，即支持度越高，关联程度越高；通过计算置信度可以表示关联规则的可信程度，即置信度越高，可信度越高。
设事务数据库为D，D中所有事务的个数为|D|。A和B分别为该关联规则的前提和结论，则关联规则的支持度为D中包含A∪B的比例，记为
一般取70％为最小支持度阈值,即高于此值的关联规则是有意义的。
关联规则的置信度为D中包含A的同时又包含的比例，记为
该故障类型下各故障征兆的常权重系数表达式为
其中，wm,n为故障类型Fm中故障征兆Sb的常权重系数；Cm,n为相应的置信度；Nm为故障类型Fm中故障征兆的个数。
32)对实验数据进行采集，分别计算各故障类型的相对劣化度xn和评分值ym，确定变权重系数w′m。
其中，zn为带估计的本次试验值，z′为故障征兆的警示值，zf为故障征兆的初始值。
33)利用故障征兆的相对劣化度数据得到故障征兆的同异反评价矩阵，并由此求出各故障类型的联系度和整体运行状态的联系度；
表3运行状态等级与相对劣化度和联系度区间的关系
多元联系度的差异度系数矩阵采用均分法，并由此求出各故障类型的联系度μm和整体运行状态的联系度μ′。
μm＝WmRmE
μ′＝W′R′E
E＝[1 0.5 0 -0.5 -1]T
其中，Wm和Rm分别为该故障类型所对应故障征兆集合的常权重系数矩阵和同异反评价矩阵，E为同异反系数矩阵，W′和R′分别为故障类型集合的变权重系数矩阵和同异反评价矩阵。
34)对比表3,判断变压器整体运行状态，若存在故障，则将改为同异反评价矩阵分别代入各故障类型的联系度表达式进行计算，并进行归一化得到对应权重。
(1)建立DBN模型对故障的多维数据进行特征提取及分类。
深度置信网络(DBN)是深度学习模型中的一种，是在非监督数据上建立多层神经网络的一个有效方法，其在处理高维、非线性数据的特征提取方面具有显著优势，可以用来更好地分类，进而提高分类的正确率。DBN主要是由多个受限玻尔兹曼机RBM堆栈构成，模型训练采用逐层无监督学习的方式进行，从而解决了传统神经网络方法对于多层网络训练不适用的问题。此外，DBN算法集数据特征提取和分类于一体，具有一定的普适性，同时可以有效避免发生维数灾难以及诊断能力不足等问题。DBN模型的建立过程如下。
41)根据(2)中的故障征兆数量确定输入层神经元个数，使用训练集对模型进行无监督逐层训练；
42)根据(1)的故障类别数确定输出层神经元个数，利用BP神经网络进行反向微调；
43)用测试集对模型进行测试，输出结果。
(5)利用D-S证据理论对(3)(4)结果进行合成，最终形成综合评估判定结果。
证据合成规则是D-S证据理论的核心内容，它是一种严格的“与”运算方法，满足交换律和结合律，多个信任函数共同焦元的基本概率分配正比于各自的基本概率分配。因此，D-S证据理论具有聚焦作用，会增强对共同目标的支持力度，削弱分歧目标的影响。对变压器绝缘状态评估来说，因素层的所有因素指标都可以作为独立的证据源进行合成，最终形成为变压器绝缘状态这个共同目标的综合评估，详细如下：
51)以(3)和(4)的结果分别为独立证据e1和e2，根据模糊评估模型分别确定其原始基本概率分布和不确定度；
其中，tj，yj分别为期望输出值和实际输出值，Fa为故障类型.
不确定度m(x)＝1-∑m(Fa)
52)融合证据确定各故障类型的信任度Bel和似然度pl，其中信任度表示确定为该故障类型的概率，似然度表示可能为该故障类型的概率，即信任度和不确定度的合计。
其中，m1(Fa)和m2(Fa)分别表示证据e1和e2确定为故障类型Fa的基本概率，m1(x)和m2(x)分别表示证据e1和e2无法确定故障类型的不确定度，K为冲突因子。
53)比较计算得出的各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
本发明首先选取最具代表性且能够准确有效反映变压器运行状况的故障征兆，然后结合集对分析理论和关联规则，深度挖掘故障征兆与故障类型之间的联系，利用支持度和置信度作为衡量指标可以减轻专家系统主观意见对权重准确性的影响。同时引入在处理高维、非线性数据的特征提取方面具有显著的优势的深度置信网络，建立以两种算法作为参考依据的双层故障定位模型，增强对共同目标的支持力度，削弱分歧目标的影响，大大减小了诊断结果的不确定性。应用与实验结果表明，本发明方法结果比没有使用深度置信网络提高了3.67％，表明本发明方法的有效性。
为实现上述实施例的方法，本发明还提供了一种基于多层评估模型的故障定位系统，如图3所示，包括：
变压器故障类型和故障征兆确定模块，用于根据历史数据确定待检测的变压器故障类型；并用于选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆；
权重系数计算模块，用于利用关联规则和集对分析确定各故障类型的常权重系数，并利用待测的变压器实验数据确定变权重系数，根据确定的常权重系数和变权重系数计算各故障类型对应的最终权重；所述关联规则为通过历史数据事先确定的故障类型和故障征兆之间的关联耦合关系；
DBN分类模块，用于建立深度置信网络DBN模型对故障的故障征兆进行特征提取及分类得到分类结果；
故障判定模块，用于利用证据合成规则D-S证据理论对步骤(3)(4)的结果进行合成，计算各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
进一步地，所述权重系数计算模块具体包括：
常权重系数计算模块，用于利用历史数据计算支持度和置信度，得出故障类型和故障征兆关联耦合关系以及常权重系数；
变权重系数计算模块，用于对实验数据进行采集，分别计算各故障类型的相对劣化度和评分值，确定变权重系数；
联系度计算模块，用于利用故障征兆的相对劣化度数据得到故障征兆的同异反评价矩阵，并由此求出各故障类型的联系度和整体运行状态的联系度；
归一化模块，用于判断变压器整体运行状态，若存在故障，则将改为同异反评价矩阵分别代入各故障类型的联系度表达式进行计算，并进行归一化得到对应权重。
进一步地，所述DBN分类模块包括：
逐层训练模块，用于根据变压器故障类型的样本维数确定输入层神经元个数，使用训练集对模型进行无监督逐层训练；
反向微调模块，用于根据变压器故障类型的类别数确定输出层神经元个数，利用BP神经网络进行反向微调；
测试模块，用于通过测试集对深度置信网络DBN模型进行测试，输出结果。
进一步地，所述故障判定模块包括：
原始基本概率分布和不确定度模块，用于以权重系数计算模块和DBN分类模块的结果分别为第一独立证据e1和第二独立证据e2，根据模糊评估模型分别确定其原始基本概率分布和不确定度；
证据融合模块，用于融合证据确定各故障类型的信任度Bel和似然度pl，其中信任度Bel表示确定为该故障类型的概率，似然度pl表示可能为该故障类型的概率，即信任度和不确定度的合计；
结果判定模块，用于比较计算得出的各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于多层评估模型的故障定位方法，其特征在于，包括以下步骤：
(1)根据历史数据确定待检测的变压器故障类型；
(2)选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆；
(3)利用关联规则和集对分析确定各故障类型下每个故障征兆的常权重系数，并利用待测的变压器实验数据确定变权重系数，根据确定的常权重系数和变权重系数计算各故障类型对应的最终权重；所述关联规则为通过历史数据事先确定的故障类型和故障征兆之间的关联耦合关系；
(4)建立深度置信网络DBN模型对故障的故障征兆进行特征提取及分类得到分类结果；
(5)利用证据合成规则D-S证据理论对步骤(3)(4)的结果进行合成，计算各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
2.根据权利要求1所述的基于多层评估模型的故障定位方法，其特征在于，所述步骤(3)的具体方法为：
31)利用历史数据计算支持度和置信度，得出故障类型和故障征兆关联耦合关系以及权重系数；
32)对实验数据进行采集，分别计算各故障类型的相对劣化度和评分值，确定变权重系数；
33)利用故障征兆的相对劣化度数据得到故障征兆的同异反评价矩阵，并由此求出各故障类型的联系度和整体运行状态的联系度；
34)判断变压器整体运行状态，若存在故障，则将同异反评价矩阵分别代入各故障类型的联系度表达式进行计算，并进行归一化得到对应权重。
3.根据权利要求1所述的基于多层评估模型的故障定位方法，其特征在于，所述步骤(4)的具体方法为：
41)根据步骤(2)中的样本维数确定输入层神经元个数，使用训练集对模型进行无监督逐层训练；
42)根据步骤(1)的变压器故障类型的类别数确定输出层神经元个数，利用BP神经网络进行反向微调；
43)用测试集对深度置信网络DBN模型进行测试，输出结果。
4.根据权利要求1-3中任一项所述的基于多层评估模型的故障定位方法，其特征在于，步骤(5)的具体方法为：
51)以步骤(3)和步骤(4)的结果分别为第一独立证据e1和第二独立证据e2，根据模糊评估模型分别确定其原始基本概率分布和不确定度；
52)融合证据确定各故障类型的信任度Bel和似然度pl，其中信任度Bel表示确定为该故障类型的概率，似然度pl表示可能为该故障类型的概率，即信任度和不确定度的合计；
53)比较计算得出的各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
5.根据权利要求4所述的基于多层评估模型的故障定位方法，其特征在于，所述变压器的故障类型包括绕组故障、铁心故障、电流回路过热、绝缘受潮、电弧放电、绝缘老化、绝缘油劣化、局部放电、油流放电。
6.根据权利要求4所述的基于多层评估模型的故障定位方法，其特征在于，故障征兆包括：绝缘油介损、油中含水量、油击穿电压、绝缘电阻吸收比、极化指数、体积电阻率、H2含量、铁心接地电流、铁心绝缘电阻、C2H6含量、C2H4含量、绕组直流电阻互差、CO相对产气速率、CO2相对产气速率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、C2H2含量、局部放电量、油中含气量、CH4含量、中性点油流静电电流、糠醛含量、纸板聚合度。
7.一种基于多层评估模型的故障定位系统，其特征在于，包括：
变压器故障类型和故障征兆确定模块，用于根据历史数据确定待检测的变压器故障类型；并用于选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆；
权重系数计算模块，用于利用关联规则和集对分析确定各故障类型的常权重系数，并利用待测的变压器实验数据确定变权重系数，根据确定的常权重系数和变权重系数计算各故障类型对应的最终权重；所述关联规则为通过历史数据事先确定的故障类型和故障征兆之间的关联耦合关系；
DBN分类模块，用于建立深度置信网络DBN模型对故障的故障征兆进行特征提取及分类得到分类结果；
故障判定模块，用于利用证据合成规则D-S证据理论对权重系数计算模块和DBN分类模块的结果进行合成，计算各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
8.根据权利要求7所述的基于多层评估模型的故障定位系统，其特征在于，所述权重系数计算模块具体包括：
常权重系数计算模块，用于利用历史数据计算支持度和置信度，得出故障类型和故障征兆关联耦合关系以及常权重系数；
变权重系数计算模块，用于对实验数据进行采集，分别计算各故障类型的相对劣化度和评分值，确定变权重系数；
联系度计算模块，用于利用故障征兆的相对劣化度数据得到故障征兆的同异反评价矩阵，并由此求出各故障类型的联系度和整体运行状态的联系度；
归一化模块，用于判断变压器整体运行状态，若存在故障，则将同异反评价矩阵分别代入各故障类型的联系度表达式进行计算，并进行归一化得到对应权重。
9.根据权利要求7所述的基于多层评估模型的故障定位系统，其特征在于，所述DBN分类模块包括：
逐层训练模块，用于根据变压器故障类型的样本维数确定输入层神经元个数，使用训练集对模型进行无监督逐层训练；
反向微调模块，用于根据变压器故障类型的类别数确定输出层神经元个数，利用BP神经网络进行反向微调；
测试模块，用于通过测试集对深度置信网络DBN模型进行测试，输出结果。
10.根据权利要求7-9中任一项所述的基于多层评估模型的故障定位系统，其特征在于，所述故障判定模块包括：
原始基本概率分布和不确定度模块，用于以权重系数计算模块和DBN分类模块的结果分别为第一独立证据e1和第二独立证据e2，根据模糊评估模型分别确定其原始基本概率分布和不确定度；
证据融合模块，用于融合证据确定各故障类型的信任度Bel和似然度pl，其中信任度Bel表示确定为该故障类型的概率，似然度pl表示可能为该故障类型的概率，即信任度和不确定度的合计；
结果判定模块，用于比较计算得出的各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。
CN201910585829.5A 2019-07-01 2019-07-01 基于多层评估模型的故障定位方法及系统 Pending CN110297141A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910585829.5A CN110297141A (zh) 2019-07-01 2019-07-01 基于多层评估模型的故障定位方法及系统
US16/689,110 US20210003640A1 (en) 2019-07-01 2019-11-20 Fault locating method and system based on multi-layer evaluation model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910585829.5A CN110297141A (zh) 2019-07-01 2019-07-01 基于多层评估模型的故障定位方法及系统

Publications (1)

Publication Number Publication Date
CN110297141A true CN110297141A (zh) 2019-10-01

Family

ID=68029714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910585829.5A Pending CN110297141A (zh) 2019-07-01 2019-07-01 基于多层评估模型的故障定位方法及系统

Country Status (2)

Country Link
US (1) US20210003640A1 (zh)
CN (1) CN110297141A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728836A (zh) * 2019-10-22 2020-01-24 深圳供电局有限公司 一种集中器抄表异常分析方法及其系统
CN111324637A (zh) * 2020-02-05 2020-06-23 北京工业大数据创新中心有限公司 一种工业时序数据的故障征兆搜索方法及系统
CN111562358A (zh) * 2020-05-06 2020-08-21 武汉大学 基于联合模型的变压器油中气体含量预测方法及系统
CN111582603A (zh) * 2020-05-19 2020-08-25 中煤科工集团重庆研究院有限公司 基于多源信息融合的煤与瓦斯突出的智能预警方法
CN111695288A (zh) * 2020-05-06 2020-09-22 内蒙古电力(集团)有限责任公司电力调度控制分公司 一种基于Apriori-BP算法的变压器故障诊断方法
CN112345872A (zh) * 2020-12-04 2021-02-09 中国南方电网有限责任公司超高压输电公司昆明局 基于深度置信网络的换流站二次回路异常识别和预警方法
CN112434947A (zh) * 2020-11-25 2021-03-02 国网湖北省电力有限公司咸宁供电公司 一种配电网智能评估方法、设备及存储介质
CN112463906A (zh) * 2020-12-03 2021-03-09 国网黑龙江省电力有限公司电力科学研究院 一种高寒区域配电变压器故障分布分析方法
CN112486057A (zh) * 2020-11-03 2021-03-12 江苏核电有限公司 干式变压器多信息量在线综合监测方法及系统
CN112630564A (zh) * 2020-12-07 2021-04-09 国网宁夏电力有限公司电力科学研究院 基于邻域粗糙集与ampos-elm的变压器dga故障诊断方法
CN113656558A (zh) * 2021-08-25 2021-11-16 平安科技（深圳）有限公司 基于机器学习对关联规则进行评估的方法及装置
CN113722659A (zh) * 2021-08-30 2021-11-30 北京智盟信通科技有限公司 一种基于缺陷模式的变电主设备诊断方法和系统
CN114325493A (zh) * 2021-12-07 2022-04-12 山东和兑智能科技有限公司 基于多维度关联和综合诊断的变压器状态评价方法
CN116050262A (zh) * 2023-01-04 2023-05-02 中能建数字科技集团有限公司 一种压缩空气储能电站的安全状态评估方法、装置和系统
CN117169717A (zh) * 2023-09-11 2023-12-05 江苏微之润智能技术有限公司 一种基于单片机的电机健康评估方法、装置及存储介质

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112965011A (zh) * 2021-02-09 2021-06-15 重庆大学 一种电力变压器状态评估方法及装置
CN113032959B (zh) * 2021-02-23 2021-11-23 中铁建华南建设有限公司 基于施工参数的盾构机掘进的安全状态确定方法、装置
CN112949874B (zh) * 2021-03-04 2022-10-04 国网江苏省电力有限公司南京供电分公司 一种配电终端缺陷特征自诊断方法及系统
CN113050594B (zh) * 2021-03-11 2022-04-19 北京航空航天大学 一种矢量喷管控制系统的多信息融合故障诊断方法及系统
CN112966990B (zh) * 2021-05-18 2021-09-10 国网江西省电力有限公司电力科学研究院 一种变电设备综合状态评价方法
CN113326881B (zh) * 2021-05-31 2023-02-14 西安思安云创科技有限公司 一种电力变压器故障诊断方法
CN113723439A (zh) * 2021-06-03 2021-11-30 西北工业大学 一种基于外推法的变压器状态故障诊断和预测方法
CN113589199A (zh) * 2021-06-28 2021-11-02 国网浙江省电力有限公司紧水滩水力发电厂 一种变压器状态评估方法
CN113721142B (zh) * 2021-08-19 2022-09-13 北京慧智神光科技有限公司 断路器的拒动风险的评价方法及其评价装置
CN113591402A (zh) * 2021-08-31 2021-11-02 国网江苏省电力有限公司营销服务中心 一种数字化电力互感器健康状态模糊综合评价方法
CN113792894B (zh) * 2021-08-31 2023-11-17 国网宁夏电力有限公司培训中心 基于分布式海量数据库的电力设备状态评估方法和系统
CN113536610B (zh) * 2021-09-16 2022-02-11 北京慧智神光科技有限公司 一种断路器操动机构综合评价方法
CN114035431A (zh) * 2021-10-22 2022-02-11 中冶赛迪电气技术有限公司 一种自主纠偏的电力变压器油色谱判断方法
CN114111892B (zh) * 2021-11-10 2024-02-09 国网甘肃省电力公司经济技术研究院 不确定性信息融合的配电变压器监测预警装置及方法
CN114167179B (zh) * 2021-12-03 2022-09-09 中国海洋大学 轨道交通低压供电的配电变压器健康状态评估方法及系统
CN114217168A (zh) * 2021-12-07 2022-03-22 云南电网有限责任公司保山供电局 基于录波数据最优特征选取的输电线路故障高效诊断方法
CN114021671B (zh) * 2022-01-05 2022-04-05 中国电力科学研究院有限公司 一种有源配电网在线故障处理方法和系统
CN114707861A (zh) * 2022-04-08 2022-07-05 国网山东省电力公司青岛供电公司 一种基于d-s证据融合多指标的断路器评价方法及系统
CN114792112B (zh) * 2022-04-22 2024-02-20 河南大学 基于自适应处理策略的时域证据融合方法
CN114693186B (zh) * 2022-05-31 2022-08-23 广东电网有限责任公司佛山供电局 一种差异化组合式变电站多故障事件分析处理方法和系统
CN114740303B (zh) * 2022-06-13 2022-08-26 山东中安电力科技有限公司 一种无线无源高压开关柜的故障监测系统
CN115457351B (zh) * 2022-07-22 2023-10-20 中国人民解放军战略支援部队航天工程大学 一种多源信息融合不确定性判别方法
CN115248128B (zh) * 2022-08-19 2023-07-14 中南大学 一种基于级联观测器的列车轮对空转故障诊断方法及系统
CN115452978B (zh) * 2022-08-29 2024-04-12 国网福建省电力有限公司电力科学研究院 一种电力变压器绝缘系统可靠度判定方法和装置
CN115129504B (zh) * 2022-08-30 2022-11-15 创域智能(常熟)网联科技有限公司 基于云边端一体化的智慧电网数据处理方法及服务器
CN115758120B (zh) * 2022-11-21 2023-06-13 南京航空航天大学 基于不确定信息融合的车门系统诊断方法
CN115561565B (zh) * 2022-12-05 2023-03-03 济宁矿业集团海纳科技机电股份有限公司 一种基于网络通信的高压变频器监测装置及方法
CN115759479B (zh) * 2022-12-12 2023-09-19 中国人民解放军海军工程大学 一种基于综合值的复杂设备故障定位优化方法和系统
CN116466237B (zh) * 2023-03-23 2024-04-02 苏州腾圣技术有限公司 一种锂电池的充电安全监测预警方法及系统
CN115996082B (zh) * 2023-03-24 2023-05-23 中国人民解放军火箭军工程大学 一种可追溯的机载总线网络健康状态评估方法及系统
CN116030427B (zh) * 2023-03-30 2023-06-23 国网湖北省电力有限公司经济技术研究院 一种适用于施工作业现场安全管控的场景判别方法
CN116699243B (zh) * 2023-06-07 2023-12-05 常州市意艾斯帝防静电产品有限公司 一种防静电产品性能智能分析方法及系统
CN116781358A (zh) * 2023-06-27 2023-09-19 广东为辰信息科技有限公司 基于数学模型的车辆安全态势分层评估方法
CN116992399B (zh) * 2023-09-27 2024-02-27 北京前景无忧电子科技股份有限公司 一种基于电力数据分析的电力设备运维评估方法
CN117076869B (zh) * 2023-10-16 2024-01-26 广东石油化工学院 旋转机械时频域融合故障诊断方法及系统
CN117250456B (zh) * 2023-11-20 2024-01-30 山东海鲲数控设备有限公司 一种变压器绝缘状态监测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102621421A (zh) * 2012-03-29 2012-08-01 贵阳供电局 一种基于关联分析与变权重系数的变压器状态评估方法
CN105242155A (zh) * 2015-11-18 2016-01-13 南京工程学院 一种基于熵权法和灰色关联分析的变压器故障诊断方法
CN106651189A (zh) * 2016-12-27 2017-05-10 广东电网有限责任公司惠州供电局 一种基于多层复合规则的变压器状态评价方法
CN109885948A (zh) * 2019-02-28 2019-06-14 沈阳天眼智云信息科技有限公司 电力变压器故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102621421A (zh) * 2012-03-29 2012-08-01 贵阳供电局 一种基于关联分析与变权重系数的变压器状态评估方法
CN105242155A (zh) * 2015-11-18 2016-01-13 南京工程学院 一种基于熵权法和灰色关联分析的变压器故障诊断方法
CN106651189A (zh) * 2016-12-27 2017-05-10 广东电网有限责任公司惠州供电局 一种基于多层复合规则的变压器状态评价方法
CN109885948A (zh) * 2019-02-28 2019-06-14 沈阳天眼智云信息科技有限公司 电力变压器故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HOUYING LI 等: "Fault prediction of Power Transformer by Association Rules and Markov", 《 2018 IEEE INTERNATIONAL CONFERENCE ON HIGH VOLTAGE ENGINEERING AND APPLICATION 》 *
谢荣斌 等: "基于关联规则与变权重的变压器状态评估方法", 《高压电器》 *
谢龙君 等: "融合集对分析和关联规则的变压器故障诊断方法", 《中国电机工程学报》 *
赵文清 等: "基于多源信息融合的电力变压器故障诊断方法研究", 《电力信息与通信技术》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728836A (zh) * 2019-10-22 2020-01-24 深圳供电局有限公司 一种集中器抄表异常分析方法及其系统
CN111324637A (zh) * 2020-02-05 2020-06-23 北京工业大数据创新中心有限公司 一种工业时序数据的故障征兆搜索方法及系统
CN111324637B (zh) * 2020-02-05 2021-01-15 北京工业大数据创新中心有限公司 一种工业时序数据的故障征兆搜索方法及系统
CN111562358A (zh) * 2020-05-06 2020-08-21 武汉大学 基于联合模型的变压器油中气体含量预测方法及系统
CN111695288A (zh) * 2020-05-06 2020-09-22 内蒙古电力(集团)有限责任公司电力调度控制分公司 一种基于Apriori-BP算法的变压器故障诊断方法
CN111582603A (zh) * 2020-05-19 2020-08-25 中煤科工集团重庆研究院有限公司 基于多源信息融合的煤与瓦斯突出的智能预警方法
CN112486057B (zh) * 2020-11-03 2021-11-09 江苏核电有限公司 干式变压器多信息量在线综合监测方法及系统
CN112486057A (zh) * 2020-11-03 2021-03-12 江苏核电有限公司 干式变压器多信息量在线综合监测方法及系统
CN112434947A (zh) * 2020-11-25 2021-03-02 国网湖北省电力有限公司咸宁供电公司 一种配电网智能评估方法、设备及存储介质
CN112463906A (zh) * 2020-12-03 2021-03-09 国网黑龙江省电力有限公司电力科学研究院 一种高寒区域配电变压器故障分布分析方法
CN112345872A (zh) * 2020-12-04 2021-02-09 中国南方电网有限责任公司超高压输电公司昆明局 基于深度置信网络的换流站二次回路异常识别和预警方法
CN112630564A (zh) * 2020-12-07 2021-04-09 国网宁夏电力有限公司电力科学研究院 基于邻域粗糙集与ampos-elm的变压器dga故障诊断方法
CN112630564B (zh) * 2020-12-07 2023-02-28 国网宁夏电力有限公司电力科学研究院 基于邻域粗糙集与ampos-elm的变压器dga故障诊断方法
CN113656558A (zh) * 2021-08-25 2021-11-16 平安科技（深圳）有限公司 基于机器学习对关联规则进行评估的方法及装置
WO2023024411A1 (zh) * 2021-08-25 2023-03-02 平安科技（深圳）有限公司 基于机器学习对关联规则进行评估的方法及装置
CN113656558B (zh) * 2021-08-25 2023-07-21 平安科技（深圳）有限公司 基于机器学习对关联规则进行评估的方法及装置
CN113722659A (zh) * 2021-08-30 2021-11-30 北京智盟信通科技有限公司 一种基于缺陷模式的变电主设备诊断方法和系统
CN114325493A (zh) * 2021-12-07 2022-04-12 山东和兑智能科技有限公司 基于多维度关联和综合诊断的变压器状态评价方法
CN114325493B (zh) * 2021-12-07 2024-04-02 山东和兑智能科技有限公司 基于多维度关联和综合诊断的变压器状态评价方法
CN116050262A (zh) * 2023-01-04 2023-05-02 中能建数字科技集团有限公司 一种压缩空气储能电站的安全状态评估方法、装置和系统
CN116050262B (zh) * 2023-01-04 2023-11-14 中能建数字科技集团有限公司 一种压缩空气储能电站的安全状态评估方法、装置和系统
CN117169717A (zh) * 2023-09-11 2023-12-05 江苏微之润智能技术有限公司 一种基于单片机的电机健康评估方法、装置及存储介质

Also Published As

Publication number Publication date
US20210003640A1 (en) 2021-01-07

Similar Documents

Publication Publication Date Title
CN110297141A (zh) 基于多层评估模型的故障定位方法及系统
US11474163B2 (en) Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification
CN110689234B (zh) 一种基于多源数据融合的电力变压器状态评估方法
Žarković et al. Analysis of artificial intelligence expert systems for power transformer condition monitoring and diagnostics
CN107843718B (zh) 一种变压器绝缘油老化状态评估的方法
CN106251059B (zh) 一种基于概率神经网络算法的电缆状态评估方法
CN107831415B (zh) 一种变压器绝缘纸老化状态评估的区间值模糊集方法
CN106199276B (zh) 一种用电信息采集系统中异常信息的智能诊断系统及方法
CN107843816B (zh) 一种考虑负载率影响的变压器绝缘缺陷状态评估方法
CN103400310B (zh) 考虑历史数据趋势预测的配电网电气设备状态评估方法
Wang Artificial intelligence applications in the diagnosis of power transformer incipient faults
CN108038300A (zh) 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN107831300B (zh) 一种基于三维梯形概率模糊集的变压器绝缘油劣化评估方法
CN108196143A (zh) 电力变压器故障深度诊断方法及终端设备
CN109490726A (zh) 基于云理论的电力变压器绝缘状态评估方法
CN112966990B (zh) 一种变电设备综合状态评价方法
CN105975797B (zh) 一种基于模糊数据处理的产品早期故障根原因识别方法
CN114114002B (zh) 一种氧化物避雷器在线故障诊断与状态评估方法
CN107392324A (zh) 变压器专业化检修综合管理系统
CN112287556A (zh) 电缆绝缘状态的确定方法及装置
Jha et al. Application of artificial intelligence techniques for dissolved gas analysis of transformers-A review
CN106802599A (zh) 一种基于专家数据库的电力变压器故障诊断系统
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN109212344A (zh) 基于粒子群优化和信息融合的电抗器状态评估方法、装置及系统
CN114117072A (zh) 一种基于知识图谱的设备家族缺陷检修预判的方法

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

Application publication date: 20191001

RJ01 Rejection of invention patent application after publication