CN110879373B - 一种神经网络和决策融合的油浸式变压器故障诊断方法 - Google Patents
一种神经网络和决策融合的油浸式变压器故障诊断方法 Download PDFInfo
- Publication number
- CN110879373B CN110879373B CN201911271065.9A CN201911271065A CN110879373B CN 110879373 B CN110879373 B CN 110879373B CN 201911271065 A CN201911271065 A CN 201911271065A CN 110879373 B CN110879373 B CN 110879373B
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- data
- accuracy
- training
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000013021 overheating Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 24
- 239000007789 gas Substances 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 10
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 9
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 3
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 3
- 239000005977 Ethylene Substances 0.000 claims description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000007500 overflow downdraw method Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提出了一种神经网络和决策融合的油浸式变压器故障诊断方法。其中，神经网络和决策融合的方法包括：故障编码、神经网络模型的构建和训练、决策融合矩阵的计算。对故障低温过热、中温过热、高温过热、局部放电、低能放电、高能放电编码后，使用5种变压器油中溶解气体含量作为辨识特征，训练多个神经网络，并根据神经网络的测试准确率计算决策融合矩阵，实现多个神经网络的决策融合。该方法可以根据单个神经网络对特定故障的辨识性能调整其在整个模型辨识中的权重，以提高故障诊断的准确度，对变压器故障的及时处理和电力系统的稳定可靠运行具有重要意义。
Description
技术领域
本发明属于变压器故障诊断领域，具体涉及一种神经网络和决策融合的油浸式变压器故障诊断方法。
背景技术
变压器作为电力系统的关键设备，在电能转换中发挥着电压转换、电流转换、功率传输等作用。随着电网容量的逐步扩增，及超高压和特高压技术的快速发展，电网需要具有更高的可靠性和安全性，如果变压器发生故障，很可能造成大规模停电，不但给市民的正常生活带来不便，还会严重影响国民经济的发展进度。变压器的运行状态将直接印象电力系统的稳定性、安全性、完整性和经济性，因此保证变压器的安全稳定和及时排除故障运行具有非常重要的意义。
变压器油中溶解气体分析(DGA)是目前广泛应用的电力变压器故障诊断手段，主要包括IEC/IEEE推荐的三比值法、四比值法、改良三比值法等，由于这些方法存在的诸多局限性，诊断准确率不高。只有寻求新的智能化的诊断方法才能打破这些局限，提高诊断结果的准确率。近年来，随着人工智能理论，如人工神经网络、模糊理论、专家系统的发展，为变压器故障诊断技术提供了新的拓展方向，这些方法将弥补传统DGA方法的不足。
人工神经网络是一种分类算法，它可以有效拟合输入和输出之间的非线性映射关系，具有非常好的分类性能，能够应用于故障检测，但是在使用神经网络进行训练时可能会陷入局部最优，进一步可能会导致故障辨识中对不同故障的辨识性能不均衡，即能够很好得辨识某几种故障，而对其他故障辨识效果较差。
发明内容
为了解决上述现有技术问题，本发明提出了一种神经网络和决策融合的油浸式变压器故障诊断方法。根据变压器油中溶解气体：氢气(H2)、甲烷(CH4)、乙烯(C2H4)、乙烷(C2H6)、乙炔(C2H2)含量，针对低温过热、中温过热、高温过热、局部放电、低能放电、高能放电故障进行检测。
本发明所采取的技术方案是一种神经网络和决策融合的油浸式变压器故障诊断方法，具体包括以下步骤：
步骤1：根据故障状态类型对多种故障状态进行编码，根据故障数量m，把变压器故障用长度为m的数字序列表示，且保证第i个故障编码中只有第i位值为1，其余位为0，i∈[1,m]；
步骤2：以变压器油中多种气体含量作为特征，采集的变压器故障特征数据通过步骤1进行编码，编码后故障特征数据根据一定比例分为训练数据、整定数据和测试数据三组，并进一步把训练数据平均分为n组训练样本；
步骤3：构建神经网络，通过训练得到n个训练完成的神经网络，分别对步骤1中所述整定数据进行辨识以统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵，将准确度矩阵进行归一化得到决策融合矩阵，将神经网络模型和决策融合模型组成为故障诊断模型，对测试数据进行检测并辨识结果；
步骤4：采集变压器油特征气体含量，特征气体向量输入至步骤3中所述故障诊断模型，故障诊断模型输出向量中最大值对应的故障类型即为辨识结果；
本发明提出的方法，具有如下优点：
相比传统故障检测方法，该方法将具有更高的辨识准确度；
该方法通过训练多个神经网络模型进行决策融合，能够在一定程度上减小由单个神经网络在训练中产生的对某种结果偏好造成的辨识误差。
根据神经网络辨识准确度构造决策融合矩阵，可以增强对某种故障具有较好辨识度的神经网络在辨识该故障时的重要性，同样，也可以减小对某种故障具有较差辨识度的神经网络在辨识该故障时的重要性。
附图说明
图1：是变压器故障检测流程图；
图2：是故障检测模型原理图；
图3：是构建故障检测模型流程图；
图4：是神经网络模型示意图。
具体实施方式
为了使本发明专利的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明专利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专利，并不用于限定本发明专利。此外，下面所描述的本发明专利各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出的一种基于神经网络和决策融合的油浸式变压器故障诊断方法，其流程图和检测原理图分别如图1和图2所示。
一种神经网络和决策融合的油浸式变压器故障诊断方法，其特征在于，包括以下步骤：
步骤1：根据故障状态类型对多种故障状态进行编码，由于模型中只能使用量化后的数据，根据故障数量m，把变压器故障用长度为m的数字序列表示，且保证第i个故障编码中只有第i位值为1，其余位为0；
步骤1中所述根据故障类型对多种故障进行编码具体为：
所述故障状态类型的数量为m种，m＝6；
则根据上述方式，每种故障对应的编码分别为：
低温过热，对应的编码为100000；
中温过热，对应的编码为010000；
高温过热，对应的编码为001000；
局部放电，对应的编码为000100；
低能放电，对应的编码为000010；
高能放电，对应的编码为000001；
步骤2：以变压器油中多种气体含量作为特征，采集的变压器故障特征数据通过步骤1进行编码，编码后故障特征数据根据一定比例分为训练数据、整定数据和测试数据三组，并进一步把训练数据平均分为n组训练样本；
以变压器油中的氢气(H2)、甲烷(CH4)、乙烯(C2H4)、乙烷(C2H6)、乙炔(C2H2)含量作为特征，含量单位一般为μL/L；
采集多条变压器所有类型故障的特征数据，其中，一条特征数据由上述所有特征组成，用向量的形式表示，如Z＝(z1,z2,…,z5)，zk表示第k个特征，即上述第k个气体的含量；
对上述的每条变压器故障特征数据进行编码；
编码后将所有故障特征数据根据一定比例分为训练数据、整定数据和测试数据三组，并进一步把训练数据平均分为n组训练样本；
所述一定比例为编码后所有故障特征数据的70％作为训练数据，编码后故障特征数据的10％作为整定数据，编码后故障特征数据的20％作为测试数据；
所述的分组应保证训练数据、整定数据、测试数据和训练样本均包括了所有故障，且单组数据内对应每种故障的特征数据所占比例大致相同；
步骤3：构建神经网络，通过训练得到n个训练完成的神经网络，分别对步骤1中所述整定数据进行辨识以统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵，将准确度矩阵进行归一化得到决策融合矩阵，将神经网络模型和决策融合模型组成为故障诊断模型，对测试数据进行检测并辨识结果；
如图3所示，主要包括以下子步骤：
步骤3中所述构建神经网络为：
通过训练得到n个训练完成的神经网络；进一步分别对步骤1中所述整定数据进行辨识，统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵；
其中，神经网络中输入层神经元数量和特征气体数量相同，即为5，输出层神经元数量和故障种类相同，即为6，隐含层可根据实际情况确定层数和每个隐含层神经元数量；
并使用softmax函数作为输出层神经元的激活函数
步骤3中所述通过训练得到n个训练完成的神经网络为：
通过步骤2得到的n组训练样本对神经网络进行训练，分别得到n个训练完成的神经网络；
如图4所示，以具有一层隐含层的神经网络为例，为第i个神经网络模型的结构；
步骤3中所述对步骤1中所述整定数据进行辨识以统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵为：
使用n个训练完成的神经网络分别对整定数据进行辨识，并统计每个神经网络分别对每个故障的辨识准确度，记所有神经网络对第j个故障的辨识准确度向量为Pj＝(p1j,p2j,…,pnj)T；
把所有神经网络的准确度向量组合成准确度矩阵P＝(P1,P2,…Pm),m＝6，准确度矩阵展开如式(1)所示：
步骤3中所述将准确度矩阵进行归一化得到决策融合矩阵为：
对准确度矩阵的每一列按式(2)进行归一化，得到决策融合矩阵W＝(W1,W2,…,Wm),m＝6，其中Wj＝(w1j,w2j,…,wnj)T,j＝1,2…,m，表示神经网络模型对第j个故障辨识的权重向量，决策融合矩阵如式(3)所示：
其中wij表示第i个神经网络对第j个故障的辨识结果在决策融合中的权重，也可理解为重要程度。
步骤3中所述将神经网络模型和决策融合模型组成为故障诊断模型为：
记特征气体输入为X＝(x1,x2,…,x5)，单个神经网络的函数为Ni(·)，则第i个神经网络模型输出向量Oi可由式(4)得到，将所有神经网络的输出向量组合得到神经网络模型输出矩阵O如式(5)所示：
Oi＝(oi1,oi2,…,oim)T＝Ni(X) (4)
其中oij为第i个神经网络输出层第j个神经元的输出值。
记决策融合结果为
则每种故障的决策结果可分别由O的第j行元素和W第j列元素对应相乘得到，如式(6)所示：
使用softmax函数将决策融合结果映射至0～1范围，如式(7)所示，得到最终诊断结果向量为Y＝(y1,y2,…,ym)，Y中各项表示其对应故障的概率值，概率值最高项对应的故障类型即为诊断结果。
步骤3中所述对测试数据进行检测并辨识结果为：
使用故障诊断模型对步骤2得到的测试数据进行检测，并统计辨识结果，若辨识结果没有满足要求，继续通过所述训练得到n个训练完成的神经网络，否则保存训练完成的故障检测模型并执行步骤4；
使用故障诊断模型对步骤2得到的测试数据进行检测，并统计辨识结果，若辨识结果准确率没有达到期望值，重新执行步骤3，否则保存训练完成的故障检测模型并执行步骤4；
上述的期望值，可根据实际场景的需求确定故障诊断模型应达到的最低辨识准确率；
上述的重新执行步骤3，构建神经网络模型中，可在已构建的神经网络模型基础上进行优化，也可以使用其他种类的神经网络模型；
步骤4：采集变压器油特征气体含量，特征气体向量输入至步骤3中所述故障诊断模型，故障诊断模型输出向量中最大值对应的故障类型即为辨识结果；
步骤4中所述组成特征气体向量为：X＝(x1,x2,…,x5)；
最大值对应的故障类型即为辨识结果具体为：根据式(4)-(7)得到故障诊断模型输出向量Y＝(y1,y2,…,ym)，则Y中最大值ymax＝max(y1,y2,…,ym)对应的故障类型即为辨识结果，且ymax为故障诊断模型认为此时发生的故障是辨识结果的概率；
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (1)
1.一种神经网络和决策融合的油浸式变压器故障诊断方法，其特征在于，包括以下步骤：
步骤1：根据故障状态类型对多种故障状态进行编码，根据故障数量m，把变压器故障用长度为m的数字序列表示，且保证第i个故障编码中只有第i位值为1，其余位为0，i∈[1,m]；
步骤2：以变压器油中多种气体含量作为特征，采集的变压器故障特征数据通过步骤1进行编码，编码后故障特征数据根据一定比例分为训练数据、整定数据和测试数据三组，并进一步把训练数据平均分为n组训练样本；
步骤3：构建神经网络，通过训练得到n个训练完成的神经网络，分别对步骤2中所述整定数据进行辨识以统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵，将准确度矩阵进行归一化得到决策融合矩阵，将神经网络模型和决策融合模型组成为故障诊断模型，对测试数据进行检测并辨识结果；
步骤4：采集变压器油特征气体含量，特征气体向量输入至步骤3中所述故障诊断模型，故障诊断模型输出向量中最大值对应的故障类型即为辨识结果；
步骤1中所述根据故障类型对多种故障进行编码具体为：
所述故障状态类型的数量为m种，m＝6；
每种故障对应的编码分别为：
低温过热，对应的编码为100000；
中温过热，对应的编码为010000；
高温过热，对应的编码为001000；
局部放电，对应的编码为000100；
低能放电，对应的编码为000010；
高能放电，对应的编码为000001；
所述步骤2，具体为：
以变压器油中的氢气(H2)、甲烷(CH4)、乙烯(C2H4)、乙烷(C2H6)、乙炔(C2H2)含量作为特征，含量单位为μL/L；
采集多条变压器所有类型故障的特征数据，其中，一条特征数据由所有上述特征组成，用向量的形式表示，如X＝(x1,x2,…,x5)，xk表示第k个特征，即第k个上述气体的含量；
对以上的每条变压器故障特征数据进行编码；
编码后将所有故障特征数据根据一定比例分为训练数据、整定数据和测试数据三组，并进一步把训练数据平均分为n组训练样本；
所述一定比例为编码后所有故障特征数据的70％作为训练数据，编码后故障特征数据的10％作为整定数据，编码后故障特征数据的20％作为测试数据；
所述的分组应保证训练数据、整定数据、测试数据和训练样本均包括了所有故障，且单组数据内对应每种故障的特征数据所占比例大致相同；
步骤3中所述构建神经网络为：
通过训练得到n个训练完成的神经网络；进一步分别对步骤2中所述整定数据进行辨识，统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵；
其中，神经网络中输入层神经元数量和特征气体数量相同，即为5，输出层神经元数量和故障种类相同，即为6，隐含层可根据实际情况确定层数和每个隐含层神经元数量；
并使用softmax函数作为输出层神经元的激活函数
步骤3中所述通过训练得到n个训练完成的神经网络为：
通过步骤2得到的n组训练样本对神经网络进行训练，分别得到n个训练完成的神经网络；
步骤3中所述对步骤1中所述整定数据进行辨识以统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵为：
使用n个训练完成的神经网络分别对整定数据进行辨识，并统计每个神经网络分别对每个故障的辨识准确度，记所有神经网络对第j个故障的辨识准确度向量为Pj＝(p1j,p2j,…,pnj)T；
把所有神经网络的准确度向量组合成准确度矩阵P＝(P1,P2,…Pm),m＝6，准确度矩阵展开为：
步骤3中所述将准确度矩阵进行归一化得到决策融合矩阵为：
对准确度矩阵的每一列进行归一化，具体如下：
得到决策融合矩阵W＝(W1,W2,…,Wm),m＝6，
其中Wj＝(w1j,w2j,…,wnj)T,j＝1,2…,m，表示神经网络模型对第j个故障辨识的权重向量，决策融合矩阵为：
其中wij表示第i个神经网络对第j个故障的辨识结果在决策融合中的权重，也可理解为重要程度；
步骤3中所述将神经网络模型和决策融合模型组成为故障诊断模型为：
记特征气体输入为X＝(x1,x2,…,x5)，单个神经网络的函数为Ni(·)，则第i个神经网络模型输出向量Oi为：
Oi＝(oi1,oi2,…,oim)T＝Ni(X)
将所有神经网络的输出向量组合得到神经网络模型输出矩阵为：
其中oij为第i个神经网络输出层第j个神经元的输出值；
记决策融合结果为
则每种故障的决策结果可分别由O的第j行元素和W第j列元素对应相乘得到，所述决策融合结果为：
使用softmax函数将决策融合结果映射至0～1范围，具体为
得到最终诊断结果向量为Y＝(y1,y2,…,ym)，Y中各项表示其对应故障的概率值，概率值最高项对应的故障类型即为诊断结果；
步骤3中所述对测试数据进行检测并辨识结果为：
使用故障诊断模型对步骤2得到的测试数据进行检测，并统计辨识结果，若辨识结果没有满足要求，继续通过所述训练得到n个训练完成的神经网络，否则保存训练完成的故障检测模型并执行步骤4；
使用故障诊断模型对步骤2得到的测试数据进行检测，并统计辨识结果，若辨识结果准确率没有达到期望值，重新执行步骤3，否则保存训练完成的故障检测模型并执行步骤4；
上述的期望值，可根据实际场景的需求确定故障诊断模型应达到的最低辨识准确率；
上述的重新执行步骤3，构建神经网络模型中，可在已构建的神经网络模型基础上进行优化，也可以使用其他种类的神经网络模型；
步骤4中所述组成特征气体向量为：X＝(x1,x2,…,x5)；
最大值对应的故障类型即为辨识结果具体为：
根据步骤3得到故障诊断模型输出向量Y＝(y1,y2,…,ym)，则Y中最大值ymax＝max(y1,y2,…,ym)对应的故障类型即为辨识结果，且ymax为故障诊断模型认为此时发生的故障是辨识结果的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911271065.9A CN110879373B (zh) | 2019-12-12 | 2019-12-12 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911271065.9A CN110879373B (zh) | 2019-12-12 | 2019-12-12 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110879373A CN110879373A (zh) | 2020-03-13 |
| CN110879373B true CN110879373B (zh) | 2021-09-03 |
Family
ID=69731120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911271065.9A Active CN110879373B (zh) | 2019-12-12 | 2019-12-12 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110879373B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695288B (zh) * | 2020-05-06 | 2023-08-08 | 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 |
| 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 |
| CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
| CN113092899B (zh) * | 2021-03-25 | 2022-06-10 | 国网湖南省电力有限公司 | 变压器电气故障识别方法、系统、终端以及可读存储介质 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103235973B (zh) * | 2013-04-16 | 2016-04-27 | 郑州航空工业管理学院 | 一种基于径向基神经网络的变压器故障诊断方法 |
| CN103592374B (zh) * | 2013-11-18 | 2014-11-19 | 国家电网公司 | 一种基于d-s证据理论的变压器油色谱数据预测方法 |
| 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 |
| CN104299035A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于聚类算法和神经网络的变压器故障诊断方法 |
| CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学（保定） | 一种声振信号融合处理的断路器故障诊断方法 |
| CN106355030B (zh) * | 2016-09-20 | 2019-01-25 | 浙江大学 | 一种基于层次分析法和加权投票决策融合的故障检测方法 |
| CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
| CN107274112B (zh) * | 2017-07-07 | 2021-11-26 | 国网上海市电力公司 | 改良油中溶解气体的诊断算法模型 |
| CN107797931B (zh) * | 2017-11-13 | 2023-05-23 | 长春长光精密仪器集团有限公司 | 一种基于二次评价的软件质量评价方法及系统 |
| CN109102031A (zh) * | 2018-08-28 | 2018-12-28 | 贵州电网有限责任公司 | 一种基于神经网络的油浸式变压器故障检测方法 |
| CN109409444B (zh) * | 2018-12-26 | 2020-10-23 | 国网陕西省电力公司电力科学研究院 | 一种基于先验概率的多元电网故障类型的判别方法 |
| CN109856494A (zh) * | 2019-01-02 | 2019-06-07 | 广东工业大学 | 一种基于支持向量机的变压器故障诊断方法 |
| CN110006645B (zh) * | 2019-05-10 | 2020-07-03 | 北京航空航天大学 | 一种多源融合的高压断路器机械故障诊断方法 |
-
2019
- 2019-12-12 CN CN201911271065.9A patent/CN110879373B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110879373A (zh) | 2020-03-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110879373B (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
| CN112116058B (zh) | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 | |
| CN111157899B (zh) | 一种基于模型融合思想对电池soc的估计方法 | |
| CN110879917A (zh) | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 | |
| CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
| CN110646708B (zh) | 基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法 | |
| CN114167180B (zh) | 一种基于图注意力神经网络的充油电气设备故障诊断方法 | |
| CN111737907A (zh) | 一种基于深度学习和dga的变压器故障诊断方法及装置 | |
| He et al. | Fault diagnosis and location based on graph neural network in telecom networks | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN111275204B (zh) | 一种基于混合采样和集成学习的变压器状态识别方法 | |
| CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
| CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
| CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
| CN110348489B (zh) | 一种基于自编码网络的变压器局部放电模式识别方法 | |
| CN111175458A (zh) | 一种基于XGBoost算法的变压器油中溶解气体分析方法 | |
| US20240053323A1 (en) | Transformer malfunction diagnosis device and malfunction diagnosis method using same | |
| CN114492559A (zh) | 一种基于数据时频域建模的电力设备故障诊断方法 | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| Long et al. | Research on transformer fault diagnosis based on BP neural network improved by association rules | |
| CN113283479A (zh) | 一种适用于电力变压器故障的特征提取与诊断方法 | |
| CN114896883B (zh) | 一种基于mea-svm分类机的变压器故障诊断方法 | |
| CN114118248A (zh) | 不平衡样本下基于宽度学习的电力变压器故障诊断方法 | |
| Yong et al. | Prediction Model of Dissolved Gas in Transformer Oil Based on EMD and BiGRU | |
| Wang et al. | Application of fuzzy classification by evolutionary neural network in incipient fault detection of power transformer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240429 Address after: 430206 Science and Technology Third Road, Baoxie Street, Jiangxia District, Wuhan City, Hubei Province State Grid Electric Power Research Institute Xinxin Wuhan Nanrui Industrial Park Patentee after: Wuhan Nari Limited Liability Company of State Grid Electric Power Research Institute Country or region after: China Patentee after: WUHAN NANRUI ELECTRIC POWER ENGINEERING TECHNOLOGY EQUIPMENT CO.,LTD. Address before: 430074 Hubei Province, Wuhan city Hongshan District Luoyu Road No. 143 Patentee before: Wuhan Nari Limited Liability Company of State Grid Electric Power Research Institute Country or region before: China |