CN110297841A - 一种变压器故障诊断与快速索引方法及系统 - Google Patents

一种变压器故障诊断与快速索引方法及系统 Download PDF

Info

Publication number
CN110297841A
CN110297841A CN201910552353.5A CN201910552353A CN110297841A CN 110297841 A CN110297841 A CN 110297841A CN 201910552353 A CN201910552353 A CN 201910552353A CN 110297841 A CN110297841 A CN 110297841A
Authority
CN
China
Prior art keywords
case
transformer
rule
fault
fault diagnosis
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
CN201910552353.5A
Other languages
English (en)
Inventor
王文浩
郑一鸣
李晨
杜伟
孙翔
朱义勇
何毅帆
詹江杨
杨智
梅冰笑
魏泽民
夏巧群
蓝道林
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.)
State Grid Corp of China SGCC
Zhejiang Electric Power Research Institute
Original Assignee
State Grid Corp of China SGCC
Zhejiang Electric Power Research Institute
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 State Grid Corp of China SGCC, Zhejiang Electric Power Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN201910552353.5A priority Critical patent/CN110297841A/zh
Publication of CN110297841A publication Critical patent/CN110297841A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/07Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766Error or fault reporting or storing
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/07Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079Root cause analysis, i.e. error or fault diagnosis
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/242Query formulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26Visual data mining; Browsing structured data
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Abstract

本发明公开了一种变压器故障诊断与快速索引方法及系统。现阶段随着大数据、机器学习技术的不断发展,能否将专家经验转化为一种固定的机器学习模式,实现变压器的故障诊断与相似案例的快速推送就显得愈发重要。本发明的方法包括案例库建设、诊断方法学习和推送相似案例;所述案例库建设的具体步骤包括:搜集变压器各类故障案例,搜集范围涉及变压器解体案例和期刊数据库中的变压器故障案例;所述的诊断方法学习的具体步骤包括:故障类型判断、故障部位判断和通过事后解体方式明确故障原因;所述的推送相似案例的具体步骤包括:特征辨识和案例匹配。本发明实现了变压器的故障诊断与相似案例的快速推送。

Description

一种变压器故障诊断与快速索引方法及系统
技术领域
本发明属于变压器故障诊断与机器学习技术领域,具体地说是一种基于故障案例库自学习的变压器故障诊断与快速索引方法及系统。
背景技术
随着各类检测技术的发展,变压器故障诊断技术也越发成熟。但是变压器故障诊断技术对专家经验的要求非常高。现阶段随着大数据、机器学习技术的不断发展,能否将专家经验转化为一种固定的机器学习模式,实现变压器的故障诊断与相似案例的快速推送就显得愈发重要。
发明内容
基于此,本发明提供一种基于故障案例库学习的变压器故障诊断与快速索引方法,以实现变压器的故障诊断与相似案例的快速推送。
为此,本发明采用如下的技术方案:一种变压器故障诊断与快速索引方法,其包括案例库建设、诊断方法学习和推送相似案例;
所述案例库建设的具体步骤包括:搜集变压器各类故障案例,搜集范围涉及变压器解体案例和期刊数据库中的变压器故障案例;
所述的诊断方法学习的具体步骤包括:故障类型判断、故障部位判断和通过事后解体方式明确故障原因;
所述的推送相似案例的具体步骤包括:特征辨识和案例匹配。
进一步的,将案例库文字信息中的设备台账、缺陷现象、运行情况或短路信息、试验情况、解体分析和故障原因进行结构化处理,并导入统一的数据处理平台。
进一步的,对故障案例数据进行标准化建模,定义故障案例的关键属性和标准代码结构,建立可灵活扩展的异常项数据存储结构。
进一步的,所述的故障类型判断中,故障类型挖掘前置条件是八种特征气体甲烷、乙炔、乙烯、乙烷、氢气、一氧化碳、二氧化碳和总烃以及IEC60599所规定的三比值C2H2/C2H4、 CH4/H2和C2H4/C2H6;挖掘的后置对象是本体过热和放电两种工况。
进一步的,所述的故障类型判断包括离散化处理和基于案例库的规则挖掘,离散化处理采取的离散方法为布尔离散,即将正常值范围内的属性映射为0,非正常值范围内属性映射为1;基于案例库的规则挖掘中,运用Apriori数据挖掘经典算法挖掘色谱和故障类型之间的关联规则。
进一步的,所述的故障部位判断中,采用一对于一的统计方式将故障部位与对应项目的关联性进行总结,并结合关联规则最终得出故障部位的判定标准,考虑到后续变压器综合诊断模型的建立,定义如下规则1,规则2及规则3:
规则1:当电气试验的测试项数≥两项时:
1)铁芯接地电流及铁芯绝缘均异常或铁芯接地电流及局部放电量均异常时,判定故障部位为铁芯及磁回路;
2)重瓦斯、直流电阻、差保护、线圈频谱、轻瓦斯、压力释放阀、绝缘电阻、绕组变比、线圈介损和短路阻抗中有两个同时异常时,判定故障部位为线圈,其中压力释放阀及重瓦斯均异常或差保护及直流电阻均异常时认为故障部位暂时不能判定;
规则2:当电气试验的测试项数只有一项时:
1)铁芯接地电流异常或铁芯绝缘异常时判定故障部位为铁芯及磁回路;
2)重瓦斯、直流电阻、差保护、线圈频谱、轻瓦斯、压力释放阀、绝缘电阻、绕组变比、线圈介损和短路阻抗中有一项异常时,判定故障部位为线圈;
规则3:不满足规则1及规则2的则运用电气试验*故障部位的关联规则进行判断。
进一步的,所述的特征辨识用的是先前的故障类型判断方法,保证推送的故障案例与源案例保持故障类型一致,故障部位相同。
进一步的,所述的案例匹配中,
初步匹配采用基于欧式距离的援例推理,先选取油中溶解的H2、CH4、C2H6、C2H4、C2H2、 CO、CO2及总烃八种气体作为范例检索的特性指标,然后对这八种气体的数据进行归一化处理,并利用欧式距离dij来描述范例间的相似程度,如下式所示:
式中,aik和ajk分别表示第i个和第j个范例的第k个特性指标;
考虑误差后,aik对应有aikmax及aikmin,同理ajk对应有ajkmax及ajkmin
由此得到的每种气体之间的差值的平方(aik-ajk)2就有四组值,计算出四组值后再取其平均值作为最终参与欧式距离计算的值dij
考虑综合故障诊断的需要,将基于欧式距离的范例检索算法的相似度Sim1定义为下式:
Sim1=1/(1+dij)。
本发明采用的另一个技术方案为:一种变压器故障诊断与快速索引系统,其包括案例库建设模块、诊断方法学习模块和推送相似案例模块;
所述的案例库建设模块,用于搜集变压器各类故障案例,搜集范围涉及变压器解体案例和期刊数据库中的变压器故障案例;
所述的诊断方法学习模块,用于故障类型判断、故障部位判断和通过事后解体方式明确故障原因;
所述的推送相似案例模块,用于特征辨识和案例匹配。
本发明具有的有益效果如下:本发明针对变压器本体内部故障,利用案例库建设、诊断方法学习和相似案例匹配,实现了变压器的故障诊断与相似案例的快速推送,能有效提高故障处理效率,并为后续故障原因分析和检修策略的制定提供具象化的数据和理论支撑。
附图说明
图1为本发明实施例1中变压器故障诊断与快速索引方法的流程图;
图2为本发明实施例1中CO频率分布直方图;
图3为本发明实施例1中正态分布曲线及置信区间图;
图4为本发明实施例1中CO2频率分布直方图;
图5为本发明实施例2中变压器故障诊断与快速索引系统的构成图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步说明。
实施例1
本实施例提供一种变压器故障诊断与快速索引方法,如图1所示,其包括案例库建设、诊断方法学习和推送相似案例。
1.故障案例库建设
首先开展变压器各类故障案例搜集,搜集范围涉及省内的变压器故障解体案例和期刊数据库中的变压器故障案例。
变压器故障解体案例和期刊数据库中的变压器故障案例的数据都是非结构化数据,无法直接拿来做机器学习,基于此,将文字信息中的设备台账、缺陷现象、运行情况(短路信息)、试验情况、解体分析、故障原因进行结构化处理,详见表1,并导入统一的数据处理平台。
表1
2.诊断方法学习
传统的变压器故障诊断主要明确故障类型、故障部位,通过事后解体等方式明确故障原因。因此基于案例库的诊断方法学习针对这三部分。
2.1故障类型判断
此次故障类型挖掘前置条件是八种特征气体甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)、氢气(H2)、一氧化碳(CO)、二氧化碳(CO2)和总烃以及IEC60599所规定的三比值C2H2/C2H4、CH4/H2和C2H4/C2H6。挖掘的后置对象是本体过热和放电两种工况。详见表1。
表2故障类型判断
2.1.1离散化处理
传统的色谱数据无法直接开展关联挖掘,必须开展离散化处理,本发明采用的离散方法为布尔离散,即将正常值范围内的属性映射为“0”,非正常值范围内属性映射为“1”。
其中甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)、氢气(H2)、一氧化碳(CO)、二氧化碳(CO2)和总烃的离散方法如下:
式中,a1取相应属性数据正常值的90%,a2取相应属性数据正常值的110%。
设备状态属性“异常”的隶属度函数如式(2)所示。
B(x)=1-A(x) (2)
对于甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)、氢气(H2)和总烃,其正常值取值满足IEEE所规定的气体浓度极限值。
表3正常变压器油中氢和烃类气体的含量限值
由于国标没有规定CO和CO2的阈值,通过统计频率来获取相关数据。
a)CO阈值的确定
观察CO的频率分布直方图,如图2所示,发现该分布图与正态分布相近,因此将其按照正态分布来求解,如图3所示。
设数据的均值为μ,标准差为δ,根据正态分布的面积分布规律,在一个标准差(μ±δ) 内浮动的数据所占比率为全部数值的68.27%,在(μ±2δ)浮动的数据所占比率为全部数值的95.44%;在(μ±3δ)浮动的数据所占的比例为99.74%。本发明认为在(μ±3δ)内浮动的数据都可以算作正常数据。因为所求的阈值为单侧阈值,所以取99.74%的置信区间,取其最大值(μ+3δ)就是相应的阈值。
计算得均值μ=171.5,标准差为δ=70.2,则阈值(μ+3δ)取为382.1。(置信概率99.7%)
b)CO2阈值的确定
观察CO2的频率分布直方图,如图4所示,发现CO2的分布为非正态分布。对于非正态分布,一般选用百分位数法来估计正常的范围值。百分位数(percentile),统计学术语,如果将一组数据从小到大排序,并计算相应的累计百分位,则某一百分位所对应数据的值就称为这一百分位的百分位数。即一组n个观测值按数值大小排列如,处于p%位置的值称第p百分位数。一般统计中,一般以P5和P95作为正常的数据范围。
经过数据统计,一共有2357个数据,将数据升序排列后,利用Excel依次得到相应的分位数如下表4所示。
表4 CO2含量相应百分位数表
考虑到数据中多为正常检测的数据,因此取99分位数作为CO2的阈值,查上表得阈值为1252。
c)其它气体
C2H2/C2H4、CH4/H2和C2H4/C2H6三个比值规定参考相应国标规定,满足表5。
表5国标规定气体的比值
2.1.2基于案例库的规则挖掘
规则库的挖掘首先引入三个概念,分别是支持度、规则支持度和置信度,具体如下:
支持度:即其条件为真的案例在训练数据中的比例。假设规则为:买面包→买奶酪,如果50%的训练数据包括面包的购买,那么规则:买面包→买奶酪的支持度为50%。
规则支持度:显示其中整个规则、条件和结果均为真的案例的比例。假设规则为买面包→买奶酪,如果20%的训练数据既包含面包又包含奶酪,那么规则:买面包→买奶酪的规则支持度为20%。
置信度:带有指定条件、并且其结果也为真的案例的比例。假设规则为买面包→买奶酪,50%的训练数据包含面包的购买,但只有20%既包含面包的购买又包含奶酪的购买,则规则:买面包→买奶酪的置信度为40%。
三者关系:置信度=规则支持度/支持度。
运用Apriori数据挖掘经典算法挖掘色谱和故障类型之间的关联规则。累计发现总规则总数2530个,其中故障类型为放电的挖掘出色谱组合457个。故障类型为过热的挖掘出色谱组合2078个,所有规则的最低置信度均大于90%。部分故障类型与色谱数据的关联挖掘详见表6。
表6油色谱*故障类型关联规则挖掘部分结果
2.2故障部位判断
由前文可知,故障部位往往与电气试验、绝缘油特性试验及CO和CO2的产气速率具有较强的相关性,本发明采用一对一的统计方式将故障部位与相应项目的关联性进行总结,并结合关联规则最终得出故障部位的判定标准,本次统计共涉及144条案例,如表7所示。
表7故障部位与电气试验关联性统计
表8所示是电气试验*故障部位的原统计结果
表8中,打两个勾表示强关联,打一个勾表示弱关联,不打勾表示没有任何的关联。由上表统计结果及关联规则总结得到如下故障部位判定标准,考虑到后续变压器综合诊断模型的建立,定义如下规则1,规则2及规则3:
规则1:当电气试验的测试项数≥两项时:
1)铁芯接地电流及铁芯绝缘均异常或铁芯接地电流及局部放电量均异常时判定判定故障部位为铁芯及磁回路;
2)重瓦斯、直流电阻、差保护、线圈频谱、轻瓦斯、压力释放阀、绝缘电阻、绕组变比、线圈介损和短路阻抗中有两个同时异常时判定故障部位为线圈,其中压力释放阀及重瓦斯均异常或差保护及直流电阻均异常时时认为故障部位暂时不能判定。
规则2:当电气试验的测试项数只有一项时:
1)铁芯接地电流异常或铁芯绝缘异常时判定故障部位为铁芯及磁回路;
2)重瓦斯、直流电阻、差保护、线圈频谱、轻瓦斯、压力释放阀、绝缘电阻、绕组变比、线圈介损和短路阻抗中有一项异常时,判定故障部位为线圈;
规则3:
不满足规则1及规则2的则运用电气试验*故障部位的关联规则进行判断,现截取部分关联规则如表9所示,其中1表示该电气试验项目异常,0表示该电气试验项目正常。
表9电气试验*故障部位关联规则挖掘部分结果
依据以上规则所建立的故障部位诊断算法正确率如表10所示。
表10故障部位诊断正确率
3.相似案例推送
相似案例推送也可再进一步分为二个子过程:特征辨识和案例匹配。
3.1特征辨识
特征辨识用的就是先前的故障类型判断方法,必须保证推送的故障案例与源案例保持故障类型一致,故障部位相同。
3.2案例匹配
初步匹配采用基于欧式距离的援例推理,先选取油中溶解的H2、CH4、C2H6、C2H4、C2H2、 CO、CO2及总烃等八种气体作为范例检索的特性指标,然后对这八种气体的数据进行归一化处理,并利用欧式距离dij来描述范例间的相似程度,如式2所示。
式中,aik和ajk分别表示第i个和第j个范例的第k个特性指标;
考虑误差后,aik对应有aikmax及aikmin,同理ajk对应有ajkmax及ajkmin
由此得到的每种气体之间的差值的平方(aik-ajk)2就有四组值,计算出四组值后再取其平均值作为最终参与欧式距离计算的值dij
考虑综合故障诊断的需要,将基于欧式距离的范例检索算法的相似度Sim1定义为式(3)。
Sim1=1/(1+dij) (3)。
实施例2
本实施例提供一种变压器故障诊断与快速索引方法,如图5所示,其包括案例库建设、诊断方法学习和推送相似案例。
所述的案例库建设模块,用于搜集变压器各类故障案例,搜集范围涉及变压器解体案例和期刊数据库中的变压器故障案例;
所述的诊断方法学习模块,用于故障类型判断、故障部位判断和通过事后解体方式明确故障原因;
所述的推送相似案例模块,用于特征辨识和案例匹配。
上述实施方式已经对本发明的一些细节进行了描述,但是不能理解为对本发明的限制,本领域的技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对其进行变化、修改、替换和变型。

Claims (9)

1.一种变压器故障诊断与快速索引方法,其特征在于,包括案例库建设、诊断方法学习和推送相似案例;
所述案例库建设的具体步骤包括:搜集变压器各类故障案例,搜集范围涉及变压器解体案例和期刊数据库中的变压器故障案例;
所述的诊断方法学习的具体步骤包括:故障类型判断、故障部位判断和通过事后解体方式明确故障原因;
所述的推送相似案例的具体步骤包括:特征辨识和案例匹配。
2.根据权利要求1所述的一种变压器故障诊断与快速索引方法,其特征在于,将案例库文字信息中的设备台账、缺陷现象、运行情况或短路信息、试验情况、解体分析和故障原因进行结构化处理,并导入统一的数据处理平台。
3.根据权利要求1或2所述的一种变压器故障诊断与快速索引方法,其特征在于,对故障案例数据进行标准化建模,定义故障案例的关键属性和标准代码结构,建立可灵活扩展的异常项数据存储结构。
4.根据权利要求1或2所述的一种变压器故障诊断与快速索引方法,其特征在于,所述的故障类型判断中,故障类型挖掘前置条件是八种特征气体甲烷、乙炔、乙烯、乙烷、氢气、一氧化碳、二氧化碳和总烃以及IEC60599所规定的三比值C2H2/C2H4、CH4/H2和C2H4/C2H6;挖掘的后置对象是本体过热和放电两种工况。
5.根据权利要求1或2所述的一种变压器故障诊断与快速索引方法,其特征在于,所述的故障类型判断包括离散化处理和基于案例库的规则挖掘,离散化处理采取的离散方法为布尔离散,即将正常值范围内的属性映射为0,非正常值范围内属性映射为1;基于案例库的规则挖掘中,运用Apriori数据挖掘经典算法挖掘色谱和故障类型之间的关联规则。
6.根据权利要求1或2所述的一种变压器故障诊断与快速索引方法,其特征在于,所述的故障部位判断中,采用一对于一的统计方式将故障部位与对应项目的关联性进行总结,并结合关联规则最终得出故障部位的判定标准,考虑到后续变压器综合诊断模型的建立,定义如下规则1,规则2及规则3:
规则1:当电气试验的测试项数≥两项时:
1)铁芯接地电流及铁芯绝缘均异常或铁芯接地电流及局部放电量均异常时,判定故障部位为铁芯及磁回路;
2)重瓦斯、直流电阻、差保护、线圈频谱、轻瓦斯、压力释放阀、绝缘电阻、绕组变比、线圈介损和短路阻抗中有两个同时异常时,判定故障部位为线圈,其中压力释放阀及重瓦斯均异常或差保护及直流电阻均异常时认为故障部位暂时不能判定;
规则2:当电气试验的测试项数只有一项时:
1)铁芯接地电流异常或铁芯绝缘异常时判定故障部位为铁芯及磁回路;
2)重瓦斯、直流电阻、差保护、线圈频谱、轻瓦斯、压力释放阀、绝缘电阻、绕组变比、线圈介损和短路阻抗中有一项异常时,判定故障部位为线圈;
规则3:不满足规则1及规则2的则运用电气试验*故障部位的关联规则进行判断。
7.根据权利要求1或2所述的一种变压器故障诊断与快速索引方法,其特征在于,所述的特征辨识用的是先前的故障类型判断方法,保证推送的故障案例与源案例保持故障类型一致,故障部位相同。
8.根据权利要求1或2所述的一种变压器故障诊断与快速索引方法,其特征在于,所述的案例匹配中,
初步匹配采用基于欧式距离的援例推理,先选取油中溶解的H2、CH4、C2H6、C2H4、C2H2、CO、CO2及总烃八种气体作为范例检索的特性指标,然后对这八种气体的数据进行归一化处理,并利用欧式距离dij来描述范例间的相似程度,如下式所示:
式中,aik和ajk分别表示第i个和第j个范例的第k个特性指标;
考虑误差后,aik对应有aikmax及aikmin,同理ajk对应有ajkmax及ajkmin
由此得到的每种气体之间的差值的平方(aik-ajk)2就有四组值,计算出四组值后再取其平均值作为最终参与欧式距离计算的值dij
考虑综合故障诊断的需要,将基于欧式距离的范例检索算法的相似度Sim1定义为下式:
Sim1=1/(1+dij)。
9.一种变压器故障诊断与快速索引系统,其特征在于,包括案例库建设模块、诊断方法学习模块和推送相似案例模块;
所述的案例库建设模块,用于搜集变压器各类故障案例,搜集范围涉及变压器解体案例和期刊数据库中的变压器故障案例;
所述的诊断方法学习模块,用于故障类型判断、故障部位判断和通过事后解体方式明确故障原因;
所述的推送相似案例模块,用于特征辨识和案例匹配。
CN201910552353.5A 2019-06-25 2019-06-25 一种变压器故障诊断与快速索引方法及系统 Pending CN110297841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910552353.5A CN110297841A (zh) 2019-06-25 2019-06-25 一种变压器故障诊断与快速索引方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910552353.5A CN110297841A (zh) 2019-06-25 2019-06-25 一种变压器故障诊断与快速索引方法及系统

Publications (1)

Publication Number Publication Date
CN110297841A true CN110297841A (zh) 2019-10-01

Family

ID=68028707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910552353.5A Pending CN110297841A (zh) 2019-06-25 2019-06-25 一种变压器故障诊断与快速索引方法及系统

Country Status (1)

Country Link
CN (1) CN110297841A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021072687A1 (zh) * 2019-10-16 2021-04-22 西门子(中国)有限公司 故障案例处理方法、系统和计算机可读介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103135014A (zh) * 2012-12-14 2013-06-05 西安电子科技大学 基于案例推理的变压器故障诊断方法
US20140118003A1 (en) * 2012-06-13 2014-05-01 Jiangsu Electric Power Company Fault diagnosis and preliminary location system and method for transformer core looseness
CN106844842A (zh) * 2016-12-15 2017-06-13 国网浙江省电力公司电力科学研究院 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法
CN107678870A (zh) * 2017-08-23 2018-02-09 国网辽宁省电力有限公司 一种改进的电力变压器故障诊断方法
CN107907783A (zh) * 2017-12-19 2018-04-13 西安交通大学 基于模糊关联规则的变压器故障综合诊断系统及诊断方法
CN108921411A (zh) * 2018-06-19 2018-11-30 国网湖南省电力有限公司 一种基于案例推理的电力事故应急辅助决策方法
CN109523026A (zh) * 2018-10-17 2019-03-26 中国电力科学研究院有限公司 援例推理方法及系统
CN109902153A (zh) * 2019-04-02 2019-06-18 杭州安脉盛智能技术有限公司 基于自然语言处理和案例推理的设备故障诊断方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140118003A1 (en) * 2012-06-13 2014-05-01 Jiangsu Electric Power Company Fault diagnosis and preliminary location system and method for transformer core looseness
CN103135014A (zh) * 2012-12-14 2013-06-05 西安电子科技大学 基于案例推理的变压器故障诊断方法
CN106844842A (zh) * 2016-12-15 2017-06-13 国网浙江省电力公司电力科学研究院 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法
CN107678870A (zh) * 2017-08-23 2018-02-09 国网辽宁省电力有限公司 一种改进的电力变压器故障诊断方法
CN107907783A (zh) * 2017-12-19 2018-04-13 西安交通大学 基于模糊关联规则的变压器故障综合诊断系统及诊断方法
CN108921411A (zh) * 2018-06-19 2018-11-30 国网湖南省电力有限公司 一种基于案例推理的电力事故应急辅助决策方法
CN109523026A (zh) * 2018-10-17 2019-03-26 中国电力科学研究院有限公司 援例推理方法及系统
CN109902153A (zh) * 2019-04-02 2019-06-18 杭州安脉盛智能技术有限公司 基于自然语言处理和案例推理的设备故障诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱余启: "基于案例推理的大型电力变压器故障诊断系统的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021072687A1 (zh) * 2019-10-16 2021-04-22 西门子(中国)有限公司 故障案例处理方法、系统和计算机可读介质

Similar Documents

Publication Publication Date Title
Huang A new data mining approach to dissolved gas analysis of oil-insulated power apparatus
Huang Evolving neural nets for fault diagnosis of power transformers
CN107907783B (zh) 基于模糊关联规则的变压器故障综合诊断系统及诊断方法
Huang et al. Evolving wavelet networks for power transformer condition monitoring
CN102765643A (zh) 基于数据驱动的电梯故障诊断与预警方法
Jiang et al. Dynamic fault prediction of power transformers based on hidden Markov model of dissolved gases analysis
Liu et al. An efficient expert system for machine fault diagnosis
CN110297841A (zh) 一种变压器故障诊断与快速索引方法及系统
CN107358366B (zh) 一种配电变压器故障风险监测方法及系统
CN109254219B (zh) 一种考虑多元因素态势演变的配变迁移学习故障诊断方法
CN103728507A (zh) 一种基于数据挖掘的电网故障诊断方法
CN104268375A (zh) 基于知识petri网的船用电站故障诊断方法
CN104281525A (zh) 一种缺陷数据分析方法及利用其缩减软件测试项目的方法
CN106383958A (zh) 一种变电站防误闭锁逻辑智能验收系统
CN109858823B (zh) 主配网停电计划选择方法及装置
CN109765332A (zh) 基于隔离森林的变压器异常值实时检测和故障诊断方法
Guo et al. Transformer failure diagnosis using fuzzy association rule mining combined with case-based reasoning
Gastoni et al. Robust state-estimation procedure based on the maximum agreement between measurements
CN108197280A (zh) 一种基于工业设备数据的可挖掘性评估方法
CN108051709A (zh) 基于人工智能技术的变压器状态在线评估分析方法
CN104361242B (zh) 基于数据驱动和随机直觉模糊策略的轴承故障诊断方法
CN109547248A (zh) 基于人工智能的在轨飞行器自组网故障诊断方法及装置
CN105759782B (zh) 一种基于危害度的车辆故障诊断策略构建方法
Min et al. Application of Dempster-Shafer's theory of evidence for transformer incipient fault diagnosis
CN104865959B (zh) 一种消防电源控制系统的故障自诊断方法

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