CN110376462A - 一种电力变压器融合诊断方法 - Google Patents

一种电力变压器融合诊断方法 Download PDF

Info

Publication number
CN110376462A
CN110376462A CN201910640205.9A CN201910640205A CN110376462A CN 110376462 A CN110376462 A CN 110376462A CN 201910640205 A CN201910640205 A CN 201910640205A CN 110376462 A CN110376462 A CN 110376462A
Authority
CN
China
Prior art keywords
rvm
power transformer
model
rvm model
characteristic value
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
CN201910640205.9A
Other languages
English (en)
Inventor
费胜巍
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.)
Donghua University
National Dong Hwa University
Original Assignee
Donghua University
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 Donghua University filed Critical Donghua University
Priority to CN201910640205.9A priority Critical patent/CN110376462A/zh
Publication of CN110376462A publication Critical patent/CN110376462A/zh
Pending legal-status Critical Current

Links

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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Immunology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • Medical Informatics (AREA)
  • Food Science & Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Combustion & Propulsion (AREA)
  • Housings And Mounting Of Transformers (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明提供了一种电力变压器融合诊断方法，其特征在于，包括以下步骤：通过气敏传感器获取电力变压器油中溶解气体H2、CH4、C2H2、C2H4、C2H6的浓度；计算得到特征值；采用ReliefF算法从所有特征值中选出合适的特征值；利用不同的RVM模型对特征值进行识别；利用DS证据理论将RVM模型的输出进行融合，获得最终的诊断结果。本发明专利采用上述设计，对电力变压器的故障进行准确诊断，以确保电力变压器故障及时排除。

Description

一种电力变压器融合诊断方法
技术领域
本发明涉及电力系统故障诊断领域，具体为一种电力变压器融合诊断方法。
背景技术
溶解气体分析技术已成为对油浸变压器早期潜伏性故障诊断的重要手段，基于溶解气体分析技术的相关向量机(RVM)在电力变压器故障诊断中具有较好的应用前景，不同核函数所构造的相关向量机存在不同概率输出值，融合多种核函数所构造的相关向量机的输出结果，有助于获取更为可靠的诊断结果。因此，如何融合多种核函数所构造的相关向量机的输出结果，以获取更为可靠的诊断结果具有重要意义。
发明内容
本发明的目的是：对电力变压器的故障进行准确诊断，以确保电力变压器故障及时排除。
为了达到上述目的，本发明的技术方案是提供了一种电力变压器融合诊断方法，其特征在于，包括以下步骤：
步骤1、通过气敏传感器获取电力变压器油中溶解气体H2、CH4、C2H2、C2H4、C2H6的浓度，H2、CH4、C2H2、C2H4、C2H6的浓度分别定义为
步骤2、计算得到特征值： 的相对值；
步骤3、采用ReliefF算法从步骤2得到的所有特征值中选出合适的特征值；
步骤4、分别利用线性核构造的RVM模型LinearRVM、径向基核构造的RVM模型RBFRVM、多项式核构造的RVM模型PolyRVM及Sigmoid核构造的RVM模型SigmoidRVM对步骤3得到的特征值进行识别；
步骤5、利用DS证据理论将RVM模型LinearRVM、RVM模型RBFRVM、RVM模型PolyRVM、RVM模型SigmoidRVM的输出进行融合，获得最终的诊断结果。
本发明专利采用上述设计，对电力变压器的故障进行准确诊断，以确保电力变压器故障及时排除。
附图说明
图1为本发明专利的一种电力变压器融合诊断系统示意图；
图2为本发明专利的一种电力变压器融合诊断流程图。
具体实施方式
下面结合附图，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示，一种电力变压器融合诊断方法及系统，它主要包括气敏传感器、 的相对值计算模型、ReliefF特征选择模型、RVM模型、DS证据理论模型。
通过气敏传感器获取电力变压器油中溶解气体H2、CH4、C2H2、C2H4、C2H6的浓度，H2、CH4、C2H2、C2H4、C2H6的浓度分别定义为
采用ReliefF算法从 的相对值这十个特征中选取合适的特征，从而获取样本特征集及实时特征集。
利用样本特征集分别训练利用线性核构造的RVM模型LinearRVM、径向基核构造的RVM模型RBFRVM、多项式核构造的RVM模型PolyRVM及Sigmoid核构造的RVM模型SigmoidRVM。将实时特征集输入训练好的RVM模型LinearRVM、RVM模型RBFRVM、RVM模型PolyRVM及RVM模型SigmoidRVM。
通过DS证据理论将RVM模型LinearRVM、RVM模型RBFRVM、RVM模型PolyRVM及RVM模型SigmoidRVM的输出进行融合，以获得最终的诊断结果。
上述电力变压器融合诊断方法定义为ReliefF-RVM-DS。采用5个ReliefF-RVM-DS识别电力变压器的6种运行状态，即正常、过热兼放电、高能放电、低能放电、高温过热、中低温过热。5个ReliefF-RVM-DS以二叉树模式构造电力变压器诊断模型。ReliefF-RVM-DS1用以分离正常状态和故障状态；ReliefF-RVM-DS2用以分离并发故障和单个故障；ReliefF-RVM-DS3用以分离放电故障和过热故障；ReliefF-RVM-DS4用以分离高能放电故障和低能放电故障；ReliefF-RVM-DS5用以分离高温过热故障和中低温过热故障。每个ReliefF-RVM-DS如图1所示，包含4个RVM模型，即LinearRVM、RBFRVM、PolyRVM、SigmoidRVM。每个ReliefF-RVM-DS只能识别2种类别，本发明采用5个ReliefF-RVM-DS识别电力变压器的6种运行状态。
本发明专利采用上述设计，对电力变压器的故障进行准确诊断，以确保电力变压器故障及时排除。

Claims (1)

1.一种电力变压器融合诊断方法，其特征在于，包括以下步骤：
步骤1、通过气敏传感器获取电力变压器油中溶解气体H2、CH4、C2H2、C2H4、C2H6的浓度，H2、CH4、C2H2、C2H4、C2H6的浓度分别定义为
步骤2、计算得到特征值： 的相对值；
步骤3、采用ReliefF算法从步骤2得到的所有特征值中选出合适的特征值；
步骤4、分别利用线性核构造的RVM模型LinearRVM、径向基核构造的RVM模型RBFRVM、多项式核构造的RVM模型PolyRVM及Sigmoid核构造的RVM模型SigmoidRVM对步骤3得到的特征值进行识别；
步骤5、利用DS证据理论将RVM模型LinearRVM、RVM模型RBFRVM、RVM模型PolyRVM、RVM模型SigmoidRVM的输出进行融合，获得最终的诊断结果。
CN201910640205.9A 2019-07-16 2019-07-16 一种电力变压器融合诊断方法 Pending CN110376462A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910640205.9A CN110376462A (zh) 2019-07-16 2019-07-16 一种电力变压器融合诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910640205.9A CN110376462A (zh) 2019-07-16 2019-07-16 一种电力变压器融合诊断方法

Publications (1)

Publication Number Publication Date
CN110376462A true CN110376462A (zh) 2019-10-25

Family

ID=68253402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910640205.9A Pending CN110376462A (zh) 2019-07-16 2019-07-16 一种电力变压器融合诊断方法

Country Status (1)

Country Link
CN (1) CN110376462A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085084A (zh) * 2020-08-24 2020-12-15 宁波大学 一种基于多特征融合共同向量的变压器故障诊断方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735761A (zh) * 2012-06-26 2012-10-17 河海大学 基于相关向量机的变压器油色谱数据预测方法
CN102930299A (zh) * 2012-11-20 2013-02-13 山东电力集团公司莱芜供电公司 基于优化方法的多特征选择多层次变压器故障诊断方法
CN105510729A (zh) * 2014-10-11 2016-04-20 国家电网公司 一种变压器过热故障诊断方法
CN106443315A (zh) * 2016-08-30 2017-02-22 国网辽宁省电力有限公司电力科学研究院 一种基于多信息融合的电力变压器绕组变形诊断方法
CN107169514A (zh) * 2017-05-05 2017-09-15 清华大学 电力变压器故障诊断模型的建立方法
CN108051660A (zh) * 2017-10-31 2018-05-18 华北电力大学（保定） 一种变压器故障组合诊断模型建立方法及诊断方法
CN108344812A (zh) * 2017-11-24 2018-07-31 北京国网富达科技发展有限责任公司 一种变压器故障诊断方法、装置及存储介质
CN108680811A (zh) * 2018-06-29 2018-10-19 广东工业大学 一种变压器故障状态评估方法
CN108717149A (zh) * 2018-05-25 2018-10-30 西安工程大学 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法
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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735761A (zh) * 2012-06-26 2012-10-17 河海大学 基于相关向量机的变压器油色谱数据预测方法
CN102930299A (zh) * 2012-11-20 2013-02-13 山东电力集团公司莱芜供电公司 基于优化方法的多特征选择多层次变压器故障诊断方法
CN105510729A (zh) * 2014-10-11 2016-04-20 国家电网公司 一种变压器过热故障诊断方法
CN106443315A (zh) * 2016-08-30 2017-02-22 国网辽宁省电力有限公司电力科学研究院 一种基于多信息融合的电力变压器绕组变形诊断方法
CN107169514A (zh) * 2017-05-05 2017-09-15 清华大学 电力变压器故障诊断模型的建立方法
CN108051660A (zh) * 2017-10-31 2018-05-18 华北电力大学（保定） 一种变压器故障组合诊断模型建立方法及诊断方法
CN108344812A (zh) * 2017-11-24 2018-07-31 北京国网富达科技发展有限责任公司 一种变压器故障诊断方法、装置及存储介质
CN108717149A (zh) * 2018-05-25 2018-10-30 西安工程大学 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法
CN108680811A (zh) * 2018-06-29 2018-10-19 广东工业大学 一种变压器故障状态评估方法
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 (2)

* Cited by examiner, † Cited by third party
Title
尹金良: "基于相关向量机的油浸式电力变压器故障诊断方法研究", 《中国博士学位论文全文数据库（电子期刊） 工程科技II辑》 *
陈思平: "基于信息融合技术的油浸式变压器故障", 《中国优秀硕士学位论文全文数据库（电子期刊） 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085084A (zh) * 2020-08-24 2020-12-15 宁波大学 一种基于多特征融合共同向量的变压器故障诊断方法
CN112085084B (zh) * 2020-08-24 2023-12-15 宁波大学 一种基于多特征融合共同向量的变压器故障诊断方法

Similar Documents

Publication Publication Date Title
Saufi et al. Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review
CN111722145B (zh) 一种同步电机励磁绕组匝间短路轻度故障诊断方法
An et al. Self-learning transferable neural network for intelligent fault diagnosis of rotating machinery with unlabeled and imbalanced data
CN101614786B (zh) 基于frft和ifsvc的功率电子电路在线智能故障诊断方法
CN109298258A (zh) 结合rvm和dbn的变压器故障诊断方法及系统
CN108956145A (zh) 基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法
CN112394973B (zh) 一种基于伪孪生网络的多语言代码剽窃检测方法
CN110376458A (zh) 优化孪生支持向量机的电力变压器故障诊断系统
Zhu et al. Intelligent fault diagnosis of rolling bearing based on kernel neighborhood rough sets and statistical features
Zhang et al. Rotating machinery fault diagnosis for imbalanced data based on decision tree and fast clustering algorithm
CN115392370A (zh) 用于火力发电设备的故障诊断方法及其系统
CN110376462A (zh) 一种电力变压器融合诊断方法
Huang et al. Retrieval augmented generation with rich answer encoding
Chen et al. Formal language generation for fault diagnosis with spectral logic via adversarial training
Ullah et al. An Intelligent Framework for Fault Diagnosis of Centrifugal Pump Leveraging Wavelet Coherence Analysis and Deep Learning
Chen et al. Unsupervised Fault Detection Driven by Multivariate Time Series for Aeroengines
Wang et al. Fault detection and diagnosis for gas turbines based on a kernelized information entropy model
CN117370568A (zh) 一种基于预训练语言模型的电网主设备知识图谱补全方法
CN117668609A (zh) 基于RTSGAN-CatBoost的故障分类方法
Wu et al. A fault diagnosis method based on Auxiliary Classifier Generative Adversarial Network for rolling bearing
CN111259993A (zh) 一种基于神经网络的故障诊断方法及装置
CN116522138A (zh) 一种基于弱监督集成的多元时间序列异常检测方法及系统
Wang et al. Optimization and assessment of blade tip timing probe layout with concrete autoencoder and reconstruction error
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
GB2625165A (en) Method and system for fault diagnosis of rolling bearing

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: 20191025