CN110610212A - 一种配电网的变压器的故障分类方法和故障分类装置 - Google Patents

一种配电网的变压器的故障分类方法和故障分类装置 Download PDF

Info

Publication number
CN110610212A
CN110610212A CN201910892078.1A CN201910892078A CN110610212A CN 110610212 A CN110610212 A CN 110610212A CN 201910892078 A CN201910892078 A CN 201910892078A CN 110610212 A CN110610212 A CN 110610212A
Authority
CN
China
Prior art keywords
data
matrix
fault
transformer
distribution network
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
CN201910892078.1A
Other languages
English (en)
Inventor
李维
郭俊
王洪林
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.)
Electric Power Research Institute of Yunnan Power System Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power System Ltd
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 Electric Power Research Institute of Yunnan Power System Ltd filed Critical Electric Power Research Institute of Yunnan Power System Ltd
Priority to CN201910892078.1A priority Critical patent/CN110610212A/zh
Publication of CN110610212A publication Critical patent/CN110610212A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本申请提供一种配电网的变压器的故障分类方法和故障分类装置，该方法包括：采集配电网的变压器的目标数据，并根据目标数据，建立第一数据矩阵；利用t分布随机邻域嵌入算法提取第一数据矩阵的关键特征，获得第二数据矩阵；利用分类器对第二数据矩阵进行训练，获得故障分类模型；采集配电网的变压器的故障数据；通过故障分类模型对故障数据进行分类，获得故障数据对应的故障类别。这样，利用t分布随机邻域嵌入算法提取第一数据矩阵的关键特征，获得第二数据矩阵，并利用分类器对第二数据矩阵进行训练，获得故障分类模型。该故障分类模型考虑了影响配电网的变压器的故障的多种变量，可以对配电网的变压器的故障进行正确分类，故障分类效果较好。

Description

一种配电网的变压器的故障分类方法和故障分类装置
技术领域
本申请涉及电力系统技术领域，尤其涉及一种配电网的变压器的故障分类方法和故障分类装置。
背景技术
在电力系统的各种设备中，配电网的变压器是重要的电力设备，在长时间的使用过程中往往会产生异常及故障，它的故障将对供电的可靠性和系统的正常运行产生严重影响。
配电网的变压器的故障不仅种类繁多，其故障表现与故障原理之间的逻辑关联是非常复杂的。此外，配电网的变压器在其所处的运行环境中，其故障会受多种变量影响。
相关技术中，对配电网的变压器的故障进行分类时，仅考虑影响配电网的变压器的故障的多种变量中的单一变量，难以做到对配电网的变压器的故障进行正确分类。
发明内容
本申请提供了一种配电网的变压器的故障分类方法和故障分类装置，以解决相关技术中，对配电网的变压器的故障进行分类时，仅考虑影响配电网的变压器的故障的多种变量中的单一变量，难以做到对配电网的变压器的故障进行正确分类的问题。
一方面，本申请提供一种配电网的变压器的故障分类方法，包括：
采集所述配电网的变压器的目标数据，并根据所述目标数据，建立第一数据矩阵，其中，所述目标数据包括环境温度数据、相对湿度数据、电网频率数据、阻抗电压数据、空载损耗数据、空载电流数据、负载损耗数据、短时通流电流数据和短时通流时间数据；
利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵；
利用分类器对所述第二数据矩阵进行训练，获得故障分类模型；
采集所述配电网的变压器的故障数据；
通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别。
可选的，在所述利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵的步骤之前，所述方法还包括：
对所述第一数据矩阵进行归一化处理，获得第三数据矩阵；
所述利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵，包括：
利用所述t分布随机邻域嵌入算法提取所述第三数据矩阵的关键特征，获得所述第二数据矩阵。
可选的，所述利用所述t分布随机邻域嵌入算法提取所述第三数据矩阵的关键特征，获得所述第二数据矩阵，包括：
根据所述第三数据矩阵，利用所述t分布随机邻域嵌入算法计算距离矩阵；
根据所述距离矩阵，获取第一条件概率和第二条件概率；
根据所述第一条件概率和所述第二条件概率，获取第一概率矩阵；
获取第二概率矩阵；
根据所述第一概率矩阵以及所述第二概率矩阵，获取代价函数；
对所述代价函数进行梯度迭代，获得所述第二数据矩阵。
可选的，所述利用分类器对所述第二数据矩阵进行训练，获得故障分类模型，包括：
根据所述第二数据矩阵，计算类内离散度矩阵以及类间离散度矩阵；
根据所述类内离散度矩阵以及所述类间离散度矩阵，获取判别函数；
根据所述判别函数，获取所述故障分类模型。
可选的，在所述通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别的步骤之后，所述方法还包括：
计算所述故障数据对应的故障分类准确率。
另一方面，本申请还提供一种配电网的变压器的故障分类装置，包括：
第一采集模块，用于采集所述配电网的变压器的目标数据，并根据所述目标数据，建立第一数据矩阵，其中，所述目标数据包括环境温度数据，相对湿度数据，电网频率数据、阻抗电压数据、空载损耗数据、空载电流数据、负载损耗数据、短时通流电流数据和短时通流时间数据；
提取模块，用于利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵；
训练模块，用于利用分类器对所述第二数据矩阵进行训练，获得故障分类模型；
第二采集模块，用于采集所述配电网的变压器的故障数据；
分类模块，用于通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别。
可选的，所述配电网的变压器的故障分类装置还包括：
归一化处理模块，用于对所述第一数据矩阵进行归一化处理，获得第三数据矩阵；
所述提取模块具体用于利用所述t分布随机邻域嵌入算法提取所述第三数据矩阵的关键特征，获得所述第二数据矩阵。
可选的，所述提取模块包括：
第一计算子模块，用于根据所述第三数据矩阵，利用所述t分布随机邻域嵌入算法计算距离矩阵；
第一获取子模块，用于根据所述距离矩阵，获取第一条件概率和第二条件概率；
第二获取子模块，用于根据所述第一条件概率和所述第二条件概率，获取第一概率矩阵；
第三获取子模块，用于获取第二概率矩阵；
第四获取子模块，用于根据所述第一概率矩阵以及所述第二概率矩阵，获取代价函数；
迭代子模块，用于对所述代价函数进行梯度迭代，获得所述第二数据矩阵。
可选的，所述训练模块包括：
第二计算子模块，用于根据所述第二数据矩阵，计算类内离散度矩阵以及类间离散度矩阵；
第五获取子模块，用于根据所述类内离散度矩阵以及所述类间离散度矩阵，获取判别函数；
第六获取子模块，用于根据所述判别函数，获取所述故障分类模型。
可选的，所述配电网的变压器的故障分类装置还包括：
计算模块，用于计算所述故障数据对应的故障分类准确率。
由以上技术方案可知，本申请提供一种配电网的变压器的故障分类方法和故障分类装置，所述方法包括：采集所述配电网的变压器的目标数据，并根据所述目标数据，建立第一数据矩阵，其中，所述目标数据包括环境温度数据，相对湿度数据，电网频率数据、阻抗电压数据、空载损耗数据、空载电流数据、负载损耗数据、短时通流电流数据和短时通流时间数据；利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵；利用分类器对所述第二数据矩阵进行训练，获得故障分类模型；采集所述配电网的变压器的故障数据；通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别。这样，利用t分布随机邻域嵌入算法提取第一数据矩阵的关键特征，获得第二数据矩阵，并利用分类器对第二数据矩阵进行训练，获得故障分类模型。该故障分类模型综合考虑了影响配电网的变压器的故障的多种变量，可以对配电网的变压器的故障进行正确分类，故障分类效果较好。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种配电网的变压器的故障分类方法的流程图；
图2为本申请提供的一种配电网的变压器的故障分类装置的结构图；
图3为本申请提供的另一种配电网的变压器的故障分类装置的结构图；
图4为本申请提供的另一种配电网的变压器的故障分类装置的结构图；
图5为本申请提供的另一种配电网的变压器的故障分类装置的结构图；
图6为本申请提供的另一种配电网的变压器的故障分类装置的结构图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1，图1是本申请提供的一种配电网的变压器的故障分类方法的流程图。如图1所示，包括以下步骤：
步骤101、采集所述配电网的变压器的目标数据，并根据所述目标数据，建立第一数据矩阵，其中，所述目标数据包括环境温度数据、相对湿度数据、电网频率数据、阻抗电压数据、空载损耗数据、空载电流数据、负载损耗数据、短时通流电流数据和短时通流时间数据。
在步骤101中，可以采集配电网的变压器的目标数据，并根据目标数据，建立第一数据矩阵。其中，目标数据可以包括环境温度数据、相对湿度数据、电网频率数据、阻抗电压数据、空载损耗数据、空载电流数据、负载损耗数据、短时通流电流数据和短时通流时间数据。目标数据还可以包括容量数据、型号数据、重量数据、变压器接地电阻柜的型号数据以及系统额定电压数据。可以将第一数据矩阵作为模型输入样本集X∈RD×n，其中D为测量数据的维度，n为训练数据的样本个数。
步骤102、利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵。
在步骤102中，可以利用t分布随机邻域嵌入(t-SNE)算法提取第一数据矩阵的关键特征，获得第二数据矩阵。
可选的，在所述利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵的步骤之前，所述方法还包括：
对所述第一数据矩阵进行归一化处理，获得第三数据矩阵；
所述利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵，包括：
利用所述t分布随机邻域嵌入算法提取所述第三数据矩阵的关键特征，获得所述第二数据矩阵。
进一步的，可以先对第一数据矩阵进行归一化处理，获得第三数据矩阵。即可以使得输入样本集的均值为0，方差为1，并去除野值点和误差较大的点，得到新的数据样本矩阵
然后，可以利用t分布随机邻域嵌入算法提取第三数据矩阵的关键特征，获得第二数据矩阵。即可以将经过归一化处理之后得到的新的数据样本矩阵作为输入，进行t-SNE降维处理，实现数据关键特征提取，得到低维数据表示
可选的，所述利用所述t分布随机邻域嵌入算法提取所述第三数据矩阵的关键特征，获得所述第二数据矩阵，包括：
根据所述第三数据矩阵，利用所述t分布随机邻域嵌入算法计算距离矩阵；
根据所述距离矩阵，获取第一条件概率和第二条件概率；
根据所述第一条件概率和所述第二条件概率，获取第一概率矩阵；
获取第二概率矩阵；
根据所述第一概率矩阵以及所述第二概率矩阵，获取代价函数；
对所述代价函数进行梯度迭代，获得所述第二数据矩阵。
进一步的，可以根据第三数据矩阵，利用t分布随机邻域嵌入算法计算距离矩阵。即针对样本个数为n的D维的输入数据可以先根据L2distance计算距离矩阵。
然后，可以根据距离矩阵，获取第一条件概率和第二条件概率。即可以根据公式(1)和公式(2)将距离矩阵转换为数据点对之间的相似条件概率。其中，σi表示以xi为中心的高斯方差，可根据预先设置的困惑因子(perplexity)参数进行二元搜索求得，困惑度因子如式(3)所示，其中，H(pi)表示分布pi的熵。
第一条件概率：
第二条件概率：
接下来，可以根据第一条件概率和第二条件概率，获取第一概率矩阵。即可以根据公式(5)来计算高维空间中xi与xj两个数据点的联合分布概率Pij，得到第一概率矩阵P：
还可以获取第二概率矩阵Q。例如，可以由正态分布N(0,10-4I)初始化Y(0)＝{y1,y2,…ym}，根据公式(6)计算联合概率qij，得到第二概率矩阵Q：
接下来，可以根据第一概率矩阵P以及第二概率矩阵Q，获取代价函数。例如，可以用KL散度来度量点对概率分布矩阵P和Q的相似性，其代价函数如公式(7)所示：
然后，可以对代价函数进行梯度迭代，获得第二数据矩阵。例如，确定代价函数后可以用公式(8)和公式(9)来进行梯度迭代，以便快速寻找到最优解。式(9)中，Y(t)表示第t次迭代的解，η为学习率，表示第t次迭代的动量项。
步骤103、利用分类器对所述第二数据矩阵进行训练，获得故障分类模型。
在步骤103中，可以利用分类器对第二数据矩阵进行训练，获得故障分类模型。即可以将经过t-SNE降维处理之后得到的作为FDA分类器的输入，进行FDA分类建模，也即可以将经过t-SNE降维处理之后得到的Y(t)作为FDA分类器的输入，进行分类建模。
可选的，所述利用分类器对所述第二数据矩阵进行训练，获得故障分类模型，包括：
根据所述第二数据矩阵，计算类内离散度矩阵以及类间离散度矩阵；
根据所述类内离散度矩阵以及所述类间离散度矩阵，获取判别函数；
根据所述判别函数，获取所述故障分类模型。
例如，可以根据第二数据矩阵，计算类内离散度矩阵以及类间离散度矩阵。即可以根据公式(10)计算类内离散度矩阵，根据公式(11)计算类间离散度矩阵：
其中，xi为第i类数据的集合，为xi的均值矢量，为所有样本的均值矢量。
然后，可以根据类内离散度矩阵以及类间离散度矩阵，获取判别函数。例如，可以根据类内离散度矩阵以及类间离散度矩阵获取Fisher判别函数，如公式(12)所示：
接下来，可以根据判别函数，获取故障分类模型。例如，当同时满足类内离散度最小，类间离散度最大时，目标函数最大，此时分类效果最好。为求得上述方程的解，可以将上式转换为求解公式(13)所示的广义特征方程，最后可得到n个特征值λf(λ1≥λ2≥…≥λf)和特征向量进而可以确定投影方向，最终获得故障分类模型。
S(b)w＝λS(w)w (13)
步骤104、采集所述配电网的变压器的故障数据。
在步骤104中，可以采集配电网的变压器的故障数据。
步骤105、通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别。
在步骤105中，可以通过故障分类模型对故障数据进行分类，获得故障数据对应的故障类别。
可选的，在所述通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别的步骤之后，所述方法还包括：
计算所述故障数据对应的故障分类准确率。
进一步的，还可以计算故障数据对应的故障分类准确率。例如，可以通过公式(14)计算故障分类准确率。式(14)中，n表示正确分出来的故障数据的个数，N表示总的用于测试的故障数据的个数。
需要说明的是，相关技术中，对配电网的变压器的故障进行分类时，仅考虑影响配电网的变压器的故障的多种变量中的单一变量，难以做到对配电网的变压器的故障进行正确分类。
而在本申请中，利用t分布随机邻域嵌入算法提取第一数据矩阵的关键特征，获得第二数据矩阵，并利用分类器对第二数据矩阵进行训练，获得故障分类模型。该故障分类模型综合考虑了影响配电网的变压器的故障的多种变量，可以对配电网的变压器的故障进行正确分类，故障分类效果较好。
本申请提供的一种配电网的变压器的故障分类方法，采集所述配电网的变压器的目标数据，并根据所述目标数据，建立第一数据矩阵，其中，所述目标数据包括环境温度数据，相对湿度数据，电网频率数据、阻抗电压数据、空载损耗数据、空载电流数据、负载损耗数据、短时通流电流数据和短时通流时间数据；利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵；利用分类器对所述第二数据矩阵进行训练，获得故障分类模型；采集所述配电网的变压器的故障数据；通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别。这样，利用t分布随机邻域嵌入算法提取第一数据矩阵的关键特征，获得第二数据矩阵，并利用分类器对第二数据矩阵进行训练，获得故障分类模型。该故障分类模型综合考虑了影响配电网的变压器的故障的多种变量，可以对配电网的变压器的故障进行正确分类，故障分类效果较好。
参见图2，图2是本申请提供的一种配电网的变压器的故障分类装置的结构图。如图2所示，配电网的变压器的故障分类装置200包括第一采集模块201、提取模块202、训练模块203、第二采集模块204和分类模块205，其中：
第一采集模块201，用于采集所述配电网的变压器的目标数据，并根据所述目标数据，建立第一数据矩阵，其中，所述目标数据包括环境温度数据，相对湿度数据，电网频率数据、阻抗电压数据、空载损耗数据、空载电流数据、负载损耗数据、短时通流电流数据和短时通流时间数据；
提取模块202，用于利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵；
训练模块203，用于利用分类器对所述第二数据矩阵进行训练，获得故障分类模型；
第二采集模块204，用于采集所述配电网的变压器的故障数据；
分类模块205，用于通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别。
可选的，如图3所示，所述配电网的变压器的故障分类装置还包括：
归一化处理模块206，用于对所述第一数据矩阵进行归一化处理，获得第三数据矩阵；
所述提取模块202具体用于利用所述t分布随机邻域嵌入算法提取所述第三数据矩阵的关键特征，获得所述第二数据矩阵。
可选的，如图4所示，所述提取模块202包括：
第一计算子模块2021，用于根据所述第三数据矩阵，利用所述t分布随机邻域嵌入算法计算距离矩阵；
第一获取子模块2022，用于根据所述距离矩阵，获取第一条件概率和第二条件概率；
第二获取子模块2023，用于根据所述第一条件概率和所述第二条件概率，获取第一概率矩阵；
第三获取子模块2024，用于获取第二概率矩阵；
第四获取子模块2025，用于根据所述第一概率矩阵以及所述第二概率矩阵，获取代价函数；
迭代子模块2026，用于对所述代价函数进行梯度迭代，获得所述第二数据矩阵。
可选的，如图5所示，所述训练模块203包括：
第二计算子模块2031，用于根据所述第二数据矩阵，计算类内离散度矩阵以及类间离散度矩阵；
第五获取子模块2032，用于根据所述类内离散度矩阵以及所述类间离散度矩阵，获取判别函数；
第六获取子模块2033，用于根据所述判别函数，获取所述故障分类模型。
可选的，如图6所示，所述配电网的变压器的故障分类装置还包括：
计算模块207，用于计算所述故障数据对应的故障分类准确率。
配电网的变压器的故障分类装置200能够实现图1的方法实施例中配电网的变压器的故障分类装置实现的各个过程，为避免重复，这里不再赘述。且配电网的变压器的故障分类装置200可以实现利用t分布随机邻域嵌入算法提取第一数据矩阵的关键特征，获得第二数据矩阵，并利用分类器对第二数据矩阵进行训练，获得故障分类模型。该故障分类模型综合考虑了影响配电网的变压器的故障的多种变量，可以对配电网的变压器的故障进行正确分类，故障分类效果较好。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (10)

1.一种配电网的变压器的故障分类方法，其特征在于，包括：
采集所述配电网的变压器的目标数据，并根据所述目标数据，建立第一数据矩阵，其中，所述目标数据包括环境温度数据、相对湿度数据、电网频率数据、阻抗电压数据、空载损耗数据、空载电流数据、负载损耗数据、短时通流电流数据和短时通流时间数据；
利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵；
利用分类器对所述第二数据矩阵进行训练，获得故障分类模型；
采集所述配电网的变压器的故障数据；
通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别。
2.如权利要求1所述的方法，其特征在于，在所述利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵的步骤之前，所述方法还包括：
对所述第一数据矩阵进行归一化处理，获得第三数据矩阵；
所述利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵，包括：
利用所述t分布随机邻域嵌入算法提取所述第三数据矩阵的关键特征，获得所述第二数据矩阵。
3.如权利要求2所述的方法，其特征在于，所述利用所述t分布随机邻域嵌入算法提取所述第三数据矩阵的关键特征，获得所述第二数据矩阵，包括：
根据所述第三数据矩阵，利用所述t分布随机邻域嵌入算法计算距离矩阵；
根据所述距离矩阵，获取第一条件概率和第二条件概率；
根据所述第一条件概率和所述第二条件概率，获取第一概率矩阵；
获取第二概率矩阵；
根据所述第一概率矩阵以及所述第二概率矩阵，获取代价函数；
对所述代价函数进行梯度迭代，获得所述第二数据矩阵。
4.如权利要求3所述的方法，其特征在于，所述利用分类器对所述第二数据矩阵进行训练，获得故障分类模型，包括：
根据所述第二数据矩阵，计算类内离散度矩阵以及类间离散度矩阵；
根据所述类内离散度矩阵以及所述类间离散度矩阵，获取判别函数；
根据所述判别函数，获取所述故障分类模型。
5.如权利要求1至4中任一项所述的方法，其特征在于，在所述通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别的步骤之后，所述方法还包括：
计算所述故障数据对应的故障分类准确率。
6.一种配电网的变压器的故障分类装置，其特征在于，包括：
第一采集模块，用于采集所述配电网的变压器的目标数据，并根据所述目标数据，建立第一数据矩阵，其中，所述目标数据包括环境温度数据、相对湿度数据、电网频率数据、阻抗电压数据、空载损耗数据、空载电流数据、负载损耗数据、短时通流电流数据和短时通流时间数据；
提取模块，用于利用t分布随机邻域嵌入算法提取所述第一数据矩阵的关键特征，获得第二数据矩阵；
训练模块，用于利用分类器对所述第二数据矩阵进行训练，获得故障分类模型；
第二采集模块，用于采集所述配电网的变压器的故障数据；
分类模块，用于通过所述故障分类模型对所述故障数据进行分类，获得所述故障数据对应的故障类别。
7.如权利要求6所述的配电网的变压器的故障分类装置，其特征在于，所述配电网的变压器的故障分类装置还包括：
归一化处理模块，用于对所述第一数据矩阵进行归一化处理，获得第三数据矩阵；
所述提取模块具体用于利用所述t分布随机邻域嵌入算法提取所述第三数据矩阵的关键特征，获得所述第二数据矩阵。
8.如权利要求7所述的配电网的变压器的故障分类装置，其特征在于，所述提取模块包括：
第一计算子模块，用于根据所述第三数据矩阵，利用所述t分布随机邻域嵌入算法计算距离矩阵；
第一获取子模块，用于根据所述距离矩阵，获取第一条件概率和第二条件概率；
第二获取子模块，用于根据所述第一条件概率和所述第二条件概率，获取第一概率矩阵；
第三获取子模块，用于获取第二概率矩阵；
第四获取子模块，用于根据所述第一概率矩阵以及所述第二概率矩阵，获取代价函数；
迭代子模块，用于对所述代价函数进行梯度迭代，获得所述第二数据矩阵。
9.如权利要求8所述的配电网的变压器的故障分类装置，其特征在于，所述训练模块包括：
第二计算子模块，用于根据所述第二数据矩阵，计算类内离散度矩阵以及类间离散度矩阵；
第五获取子模块，用于根据所述类内离散度矩阵以及所述类间离散度矩阵，获取判别函数；
第六获取子模块，用于根据所述判别函数，获取所述故障分类模型。
10.如权利要求6至9中任一项所述的配电网的变压器的故障分类装置，其特征在于，所述配电网的变压器的故障分类装置还包括：
计算模块，用于计算所述故障数据对应的故障分类准确率。
CN201910892078.1A 2019-09-20 2019-09-20 一种配电网的变压器的故障分类方法和故障分类装置 Pending CN110610212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910892078.1A CN110610212A (zh) 2019-09-20 2019-09-20 一种配电网的变压器的故障分类方法和故障分类装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910892078.1A CN110610212A (zh) 2019-09-20 2019-09-20 一种配电网的变压器的故障分类方法和故障分类装置

Publications (1)

Publication Number Publication Date
CN110610212A true CN110610212A (zh) 2019-12-24

Family

ID=68893008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910892078.1A Pending CN110610212A (zh) 2019-09-20 2019-09-20 一种配电网的变压器的故障分类方法和故障分类装置

Country Status (1)

Country Link
CN (1) CN110610212A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598166A (zh) * 2020-05-18 2020-08-28 国网山东省电力公司电力科学研究院 基于主分量分析和Softmax函数的单相接地故障分类方法和系统
CN113985733A (zh) * 2021-10-26 2022-01-28 云南电网有限责任公司电力科学研究院 一种基于自适应概率学习的配电网故障辨识方法
CN114065875A (zh) * 2021-12-02 2022-02-18 中国石油大学胜利学院 基于大数据的电力电网故障识别系统
CN117092445A (zh) * 2023-10-19 2023-11-21 盛隆电气集团有限公司 基于大数据的配电系统的故障检测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156284A (zh) * 2016-06-24 2016-11-23 合肥工业大学 基于随机多视角哈希的大规模近重复视频检索方法
US20170102984A1 (en) * 2015-10-13 2017-04-13 Huawei Technologies Co., Ltd. Fault Diagnosis Method and Apparatus for Big-Data Network System
CN109086793A (zh) * 2018-06-27 2018-12-25 东北大学 一种风力发电机的异常识别方法
CN110197193A (zh) * 2019-03-18 2019-09-03 北京信息科技大学 一种多参数流式数据自动分群方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170102984A1 (en) * 2015-10-13 2017-04-13 Huawei Technologies Co., Ltd. Fault Diagnosis Method and Apparatus for Big-Data Network System
CN106156284A (zh) * 2016-06-24 2016-11-23 合肥工业大学 基于随机多视角哈希的大规模近重复视频检索方法
CN109086793A (zh) * 2018-06-27 2018-12-25 东北大学 一种风力发电机的异常识别方法
CN110197193A (zh) * 2019-03-18 2019-09-03 北京信息科技大学 一种多参数流式数据自动分群方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁礼明;吴武林;吴健;: "基于低秩鉴别投影的轴承故障特征提取方法" *
董兴辉;闫慧丽;张晓亮;: "基于FDA贡献图的风电机组变桨系统故障定位" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598166A (zh) * 2020-05-18 2020-08-28 国网山东省电力公司电力科学研究院 基于主分量分析和Softmax函数的单相接地故障分类方法和系统
CN111598166B (zh) * 2020-05-18 2023-10-17 国网山东省电力公司电力科学研究院 基于主分量分析和Softmax函数的单相接地故障分类方法和系统
CN113985733A (zh) * 2021-10-26 2022-01-28 云南电网有限责任公司电力科学研究院 一种基于自适应概率学习的配电网故障辨识方法
CN113985733B (zh) * 2021-10-26 2023-11-17 云南电网有限责任公司电力科学研究院 一种基于自适应概率学习的配电网故障辨识方法
CN114065875A (zh) * 2021-12-02 2022-02-18 中国石油大学胜利学院 基于大数据的电力电网故障识别系统
CN114065875B (zh) * 2021-12-02 2022-11-11 山东石油化工学院 基于大数据的电力电网故障识别系统
CN117092445A (zh) * 2023-10-19 2023-11-21 盛隆电气集团有限公司 基于大数据的配电系统的故障检测方法及系统

Similar Documents

Publication Publication Date Title
CN110610212A (zh) 一种配电网的变压器的故障分类方法和故障分类装置
CN108737406B (zh) 一种异常流量数据的检测方法及系统
CN107340456B (zh) 基于多特征分析的配电网工况智能识别方法
He et al. A rough membership neural network approach for fault classification in transmission lines
CN107909118B (zh) 一种基于深度神经网络的配电网工况录波分类方法
CN103076547B (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
CN111080105A (zh) 基于电压时序数据的台区户变关系识别方法及系统
CN109684673A (zh) 一种电力系统暂态稳定结果的特征提取和聚类分析方法
CN111199244B (zh) 一种数据的分类方法、装置、存储介质及电子装置
CN106384302B (zh) 配电网可靠性评估方法和系统
CN111160241B (zh) 一种基于深度学习的配电网故障分类方法、系统和介质
Mukherjee et al. Application of principal component analysis for fault classification in transmission line with ratio-based method and probabilistic neural network: a comparative analysis
Mishra et al. A universal high impedance fault detection technique for distribution system using S-transform and pattern recognition
Morais et al. A framework for evaluating automatic classification of underlying causes of disturbances and its application to short-circuit faults
CN106443380B (zh) 一种配电电缆局部放电信号识别方法及装置
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
Masood et al. Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection
Yan et al. Helmet detection based on deep learning and random forest on UAV for power construction safety
CN111999591A (zh) 一种配电网一次设备异常状态的识别方法
CN104143088B (zh) 一种基于图像检索和特征权重学习的人脸识别方法
Yang et al. An improved SVM-based cognitive diagnosis algorithm for operation states of distribution grid
Fahim et al. A novel wavelet aided probabilistic generative model for fault detection and classification of high voltage transmission line
CN106778692B (zh) 一种基于s变换的电缆局部放电信号识别方法及装置
Raval et al. Accurate fault classification in series compensated multi-terminal extra high voltage transmission line using probabilistic neural network
CN111626374A (zh) 基于半监督学习的开关柜故障分类方法

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: 20191224

RJ01 Rejection of invention patent application after publication