CN110888025A - 一种基于机器学习的gis设备故障判断方法 - Google Patents

一种基于机器学习的gis设备故障判断方法 Download PDF

Info

Publication number
CN110888025A
CN110888025A CN201911183220.1A CN201911183220A CN110888025A CN 110888025 A CN110888025 A CN 110888025A CN 201911183220 A CN201911183220 A CN 201911183220A CN 110888025 A CN110888025 A CN 110888025A
Authority
CN
China
Prior art keywords
discharge
fault
machine learning
model
judgment
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.)
Granted
Application number
CN201911183220.1A
Other languages
English (en)
Other versions
CN110888025B (zh
Inventor
李文武
庄源
唐彬
胡晓彤
王思维
朱亮清
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.)
East China Normal University
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
East China Normal University
Electric Power Research Institute of Guangxi Power Grid Co 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 East China Normal University, Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical East China Normal University
Priority to CN201911183220.1A priority Critical patent/CN110888025B/zh
Publication of CN110888025A publication Critical patent/CN110888025A/zh
Application granted granted Critical
Publication of CN110888025B publication Critical patent/CN110888025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01R31/1254—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 gas-insulated power appliances or vacuum gaps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于机器学习的GIS设备故障判断方法，适用于变电站分析GIS故障设备中六氟化硫（SF6）分解物组分与设备故障的对应关系，并通过建立模型实现对GIS设备的故障判断以及实时监控。通过运用该方法在已有训练样本集的基础上，运行维护人员可以根据测试样本的SF6气体分解物组分判断其对应的GIS设备故障放电能量大小以及绝缘缺陷类型。且由本发明训练得出的判断模型不仅可以兼容不同环境下的样本数据，同时对于多种故障放电并存的现象也可以较好地识别。这将有利于电网系统更加精确地预知放电的故障类型，及时定位检修，以维护GIS的稳定运行。

Description

一种基于机器学习的GIS设备故障判断方法
技术领域
本发明属于电网系统电力设备检测以及故障诊断领域，具体涉及一种基于机器学习的气体绝缘全封闭式组合电器(Gas-Insulated Switchgear,GIS)设备故障判断方法。
背景技术
SF6是一种超高压绝缘介质气体，具有优异的绝缘性能、散热性能以及灭弧性能。SF6电气设备采用SF6气体作为绝缘和灭弧介质，并利用接地金属筒将所有高压电器元件密封其中，从而保障各电压等级下的GIS设备可靠运行，维护电网安全。但在其运行过程中，电气设备内也会发生由于频繁开关和内部细微绝缘缺陷，所引起的较为频繁的放电行为。在电弧、电晕、火花放电以及局部放电、高温等因素影响下，SF6气体会发生分解。当分解物遇到设备中的微量水分、气体杂质、电极和固体绝缘材料缺陷时会发生反应生成腐蚀性电解质，尤其是某些高毒性分解物。随着放电时间的延长，分解物组分浓度会逐渐升高。这将导致设备的绝缘性能下降，从而对整个电网系统的安全构成威胁。因此急需一种有效的故障诊断方法，在监测GIS电力设备内部的气体组分变化的情况中对可能的放电故障进行预警。
分解物组分分析法(decomposed components analysis,DCA)是一种有效检测GIS设备放电故障和SF6分解物关系的传统方法。在众多分解物组分中，CF4、CO2、SOF2和SO2F2等特征组分能够较好地反映故障放电的能量大小以及绝缘缺陷类型。但由于SF6分解物与故障类型的对应关系十分复杂，传统组分分析方法得出的故障放电分类比较模糊，并且缺乏精确的特征组分数值来区分各类放电故障。因而目前的分析方法更趋向于在DCA方法的基础上将大量样本数据投入机器学习训练，以此来获得准确度较高的模型。尽管这样的方法确实在一定程度上提升了准确性，但仍然存在很多不足之处。一方面，绝大多数分析过程的机器学习数据仅来源于少数几次实验或实地设备故障，根据实验环境以及故障状态的不同，缺乏相关的故障数据。另一方面，大多应用到机器学习的分析方法仅局限于诸多算法中的一种，分析者没有比对不同算法在该情况下的优劣。因此，一种基于大量不同环境数据以及结合对比算法的判断模型是缺乏的。更值得注意的是，目前仍缺少对应的模型对放电故障中多种绝缘缺陷并存的状态进行判断。
发明内容
本发明的目的是提供一种基于机器学习的GIS设备故障判断方法。该判断方法中涉及的模型构建应基于大量不同环境下的故障样本数据以及数种机器学习算法。同时该判断方法应能够判别多种放电故障并存的现象，并在其结果中比较不同放电故障的占比大小。
实现本发明目的的具体技术方案是：
一种基于机器学习的GIS设备故障判断方法，所述判断方法包括以下步骤：
步骤S1：从国内外文献以及各大电网系统故障实例中收集GIS设备故障气室的SF6气体分解物组分与故障类型的对应样本数据。其中SF6气体分解物组分数据包括：气室中分解物组分浓度比值SO2F2/SO2、CF4/CO2以及(SOF2+SO2F2)/(CF4+CO2)。另一方面，GIS设备的故障类型可以从放电故障能量大小和引发放电故障的绝缘缺陷两方面进行分类。其中故障类型根据能量大小分为电弧放电、火花放电、电晕放电，而根据缺陷类型分为高压导体突出缺陷、自由导电颗粒缺陷、绝缘子金属污染缺陷以及绝缘子外部气隙缺陷。
步骤S2：应用机器学习生成GIS设备故障放电的能量模型。首先对不同的故障放电能量类型进行数值标记，随后引入了阿伦尼斯化学模型拟合概率函数。应用这些概率函数根据对应不同的气体组分比值调整数值标记，最后应用数种机器学习算法训练调整后的数据集。训练完成后，将最近邻模型(k-nearest neighbor,KNN)作为GIS设备故障放电的能量判断模型。
步骤S3：应用机器学习生成GIS设备故障放电的绝缘缺陷模型。首先对不同的故障放电的绝缘缺陷类型进行数值标记，并引入等高线模型，即将拉伸后的浓度比值CF4/CO2和(SOF2+SO2F2)/(CF4+CO2)分别置于x，y轴上，并给每一个样本点赋予其机器学习标记数值。随后，应用数种机器学习训练数据集。训练完成后，将高斯分布模型作为GIS设备故障放电的绝缘缺陷判断模型。
步骤S4：基于步骤S2和S3建立的GIS设备放电故障的判断模型，本发明即可根据所输入的测试点的SF6分解物组分数据(气室中SO2F2/SO2的浓度比值，CF4/CO2浓度比值和(SOF2+SO2F2)/(CF4+CO2)的浓度比值)给出其对应的故障放电能量大小和绝缘缺陷原因。具体判断方法如下：
故障放电能量类型判断方法为：数值1，2，3分别作为电晕放电、火花放电和电弧放电的机器学习标准数值。将浓度比值SO2F2/SO2测试点的机器学习值和标准值对比，取与机器学习值相近的标准值对应的放电能量类型作为该测试点的高概率判断类型。
故障放电绝缘缺陷类型判断方法为：数值1，2，3和4分别作为导电颗粒缺陷、绝缘子金属污染缺陷、绝缘子外部气隙缺陷和高压导体突出缺陷的机器学习标准数值。将浓度比值CF4/CO2和(SOF2+SO2F2)/(CF4+CO2)测试点的机器学习值和标准值对比，取与机器学习值相近的标准值对应的放电绝缘缺陷类型作为该测试点的高概率判断类型。
进一步地，所述故障放电能量模型构建包含以下步骤：
1)GIS设备故障放电的严重程度由内部放电故障的能量大小来表示，按能量由高到低的次序标记电弧放电为A3，火花放电为A2，电晕放电为A1。其中A为能量判断标识，数字3、2、1为该三种放电类型对应的机器学习数值。
2)由于三种放电类型中均存在不同的SO2，SOF2,SO2F2含量关系，并且以SO2F2/SO2含量在判断放电类型时效果最为显著，由此选择SO2F2/SO2的浓度比值作为机器学习的样本特征。
3)由于放电过程中能量变化是连续渐进的，而各组分数据对应的故障放电类型是离散的。针对这种不对应性，本发明引入基于阿伦尼斯化学模型的概率函数对不同能量类型的放电故障下SO2F2/SO2数据进行不同权重的预处理。其概率函数如下：
f1(x)＝-4x2+1(0≤x≤0.5) (1)
Figure BDA0002291815630000031
f3(x)＝1-f1-f2 (3)
其中，变量x表示浓度比值SO2F2/SO2，因变量f(x)表示不同SO2F2/SO2值对应的不同权重，e为自然常数。这些概率函数将被用来调整原始的三种放电类型能量的机器学习数值3、2、1，具体调整如下。电弧放电数据的值对应于2+f1(x)，而火花放电数据的值对应于2-f2(x)，电晕放电数据的值在浓度比值SO2F2/SO2大于等于0.5时对应于1+f3(x)，而在浓度比值SO2F2/SO2小于0.5时对应于3-f3(x)。
4)将预处理后的数据用机器学习算法神经网络、支持向量机、线性回归、最近邻模型、随机森林和高斯分布分别进行训练。最终，以最近邻模型算法得出的模型作为GIS设备故障放电的能量判断模型。
进一步地，所述故障缺陷类型模型构建包含如下步骤：
1)按照数据分布的连续性，将高压导体突出物缺陷标记为B4、自由导电颗粒缺陷标记为B1、绝缘子金属污染缺陷标记为B2、绝缘子外部气隙缺陷标记为B3。其中B为绝缘缺陷判断标识，数字4、3、2、1为该四种放电类型对应的机器学习数值同时，选取浓度比值CF4/CO2和(SOF2+SO2F2)/(CF4+CO2)作为评判参数。
2)在等高线模型的基础上选取参数CF4/CO2作为其横坐标以及(SOF2+SO2F2)/(CF4+CO2)作为其纵坐标。并应用如下公式对等高线图的横纵坐标进行拉伸预处理：
y＝(SO2+SO2F2)/40(CF4+CO2) (4)
Figure BDA0002291815630000032
3)将拉伸后的数据用机器学习算法神经网络、支持向量机、线性回归、最近邻模型、随机森林和高斯分布分别进行训练。最终，以高斯分布算法得出的模型作为GIS设备故障放电的绝缘缺陷判断模型。
综上所述，该GIS设备故障判断方法特点在于根据化学反应的阿伦尼斯模型规律拟合出不同故障的概率函数对机器学习数据集合进行预处理，以及用等高线法以及拉伸预处理对机器学习进行的建模。此外该判断方法对比各种机器学习算法，以获得描述SF6分解的特征组分与GIS故障放电关系的模型：故障放电的能量大小可由SO2F2/SO2的浓度比值在最近邻模型下确定；而局部放电下的绝缘缺陷类型基本上可以由参数(SOF2+SO2F2)/(CF4+CO2)和CF4/CO2在高斯分布模型下较好地描述。
而本发明的突出优势在于，在引入概率模型和等高线模型后多种放电故障并存的状态可以被较好地判断。这种判断能力在故障放电模型识别中是现实、必要的。由此，故障放电的能量大小以及绝缘缺陷类型都可以在所给模型中被较好地判别。
附图说明
图1是本发明实施例的总体流程图；
图2是SO2、SO2F2浓度样本数据点与放电故障类型(电弧、电晕、火花放电)的相对分布关系图以及其相应的趋势拟合曲线图；
图3是局部放电下绝缘缺陷类型的样本点分布图；
图4是基于特征参数SO2F2/SO2的KNN方法训练得到的放电故障能量判断模型及测试点结果示意图；
图5是在特征参数(SO2+SO2F2)/(CF4+CO2)和CF4/CO2下采用高斯分布方法训练的故障放电绝缘缺陷判断模型及其测试结果示意图。
具体实施方式
下面结合附图以及实施例对本发明进一步说明。
实施例
本实施例提供一种基于机器学习的GIS设备故障判断方法实例，其流程如图1所示。该方法包括如下步骤：
从国内外文献以及南方电网公司故障实例中获取大量GIS设备故障气室的SF6气体分解物组分与故障类型的对应数据；对故障放电能量数据进行预处理以及机器学习得出故障放电能量的判断模型；对故障放电绝缘缺陷数据进行预处理以及机器学习得出故障放电绝缘缺陷的判断模型；基于步骤S02和S03建立的GIS设备放电故障的判断模型，本发明即可根据所输入的测试点的SF6分解物组分数据判断其对应的故障放电能量大小和绝缘缺陷原因。
A、故障放电能量大小判断模型：
1)图2为放电故障的能量大小样本数据点在参数SO2和SO2F2下的分布图。从图中可以看到：随着放电能量的增加，SO2/SO2F2的浓度比值增加，GIS中的放电故障逐渐发展为高能放电故障类型。三种类型放电故障的分布可以用如图二维坐标划分为三个不同的区域。线性拟合结果表明，三个聚集区域的拟合曲线斜率值是不同的。这些特征表明分解产物、分解浓度和放电故障类型之间有很强的相关性。
2)图4为由概率函数预处理后的再机器学习结果即KNN算法训练的放电故障能量大小模型的测试结果。对于这种情况下，基于KNN的机器学习算法被分析适合建模，理由是:(1)由于KNN算法主要依赖于周围的有限样本，而不是判别样本整体的类域来确定类别。因此，对于重叠域较多的样本集，KNN方法不仅适合分类，而且与其它算法相比具有较强的转移性，与概率模型吻合较好。(2)KNN算法具有精度高、对不同距离的加权平均值的异常值不敏感的特点。该方法适用于稀有事件的分类，即与分析对象中的GIS设备放电故障相一致。
由图4可知，三种类型的放电故障呈阶梯状的能级分布，这与图2中样本点的线性聚类分布一致：图4横坐标SO2F2/SO2在图2中表示不同能量放电故障的拟合斜率曲线，故对于特定的放电类型来说其斜率大致固定。和已有的基于SF6分解物的GIS放电故障诊断过程相比，该模型只需要特征组SO2F2/SO2。此外，它不仅可以判断放电的主导类型，而且可以揭示其偏置程度，这意味着概率模型可以很好地处理两种状态的共存。例如，圆点处的测试点可以给出火花放电和电晕放电几乎相同比例的信息，且该测试点的预测值低于1.5，说明电晕放电占主导地位。
B、故障放电绝缘缺陷判断模型：
1)图3为在CF4/CO2和(SOF2+SO2F2)/(CF4+CO2)参数整理后的放电故障绝缘缺陷样本数据。基本上可以发现每个放电故障的绝缘缺陷类型分布具有一定的聚集性和连续性。尤其是，各个聚类区域边界都存在不同的绝缘缺陷放电故障类型，那么这些分散在单个区域之间的过渡区点就可以定义为多个绝缘缺陷同时存在的情况。
4)图5为放电故障绝缘缺陷类型在高斯分布模型下的试验结果。可以大致看出，四种绝缘缺陷都有各自的聚类区域。结果表明，除了在高压导体突出物区域和绝缘子外气隙区域的一些污染缺陷外，其它缺陷的采样点相对集中。将高压导体突出物区域和绝缘子外气隙区域的污染缺陷解释为绝缘子表面的污染缺陷，这是由其它缺陷的二次效应引起的。而污染缺陷区为绝缘子内部污染缺陷。该模型优势在于相对平缓的坡度能较好地揭示多种缺陷的存在。原因是该模型不直接判定样品所属的绝缘缺陷类型。相反，它通过比较样品和标准点(1-自由导电微粒缺陷、2-绝缘子污染缺陷、3-绝缘子外气隙缺陷和4-高压导体突出物缺陷)之间的数值差异来推断出更可能是哪种缺陷。

Claims (3)

1.一种基于机器学习的GIS设备故障判断方法，其特征在于：所述判断方法包括以下步骤：
步骤S1：从国内外文献以及各大电网系统故障实例中收集GIS设备故障气室的SF6气体分解物组分与故障类型的对应样本数据；其中SF6气体分解物组分数据包括：气室中分解物组分浓度比值SO2F2/SO2、CF4/CO2以及(SOF2+SO2F2)/(CF4+CO2)；GIS设备的故障类型分为放电故障能量大小及引发放电故障的绝缘缺陷；其中放电故障能量大小分为电弧放电、火花放电及电晕放电；引发放电故障的绝缘缺陷分为高压导体突出缺陷、自由导电颗粒缺陷、绝缘子金属污染缺陷及绝缘子外部气隙缺陷；
步骤S2：应用机器学习生成GIS设备故障放电的能量模型；首先对不同的故障放电能量类型进行数值标记，随后引入阿伦尼斯化学模型拟合概率函数；应用概率函数根据对应不同的气体组分比值调整数值标记，最后应用数种机器学习算法训练调整后的数据集；训练完成后，将最近邻模型(k-nearest neighbor,KNN)作为GIS设备故障放电的能量判断模型；
步骤S3：应用机器学习生成GIS设备故障放电的绝缘缺陷模型；首先对不同的故障放电的绝缘缺陷类型进行数值标记，并引入等高线模型，即将拉伸后的浓度比值CF4/CO2和(SOF2+SO2F2)/(CF4+CO2)分别置于x，y轴上，并给每一个样本点赋予其机器学习标记数值；随后，应用数种机器学习训练数据集；训练完成后，将高斯分布模型作为GIS设备故障放电的绝缘缺陷判断模型；
步骤S4：基于步骤S2和S3建立的GIS设备放电故障的判断模型，GIS设备故障判断如下：
故障放电能量类型判断：数值1，2，3分别作为电晕放电、火花放电和电弧放电的机器学习标准数值；将浓度比值SO2F2/SO2测试点的机器学习值和标准值对比，取与机器学习值相近的标准值对应的放电能量类型作为该测试点的高概率判断类型；
故障放电绝缘缺陷类型判断：数值1，2，3和4分别作为导电颗粒缺陷、绝缘子金属污染缺陷、绝缘子外部气隙缺陷和高压导体突出缺陷的机器学习标准数值；将浓度比值CF4/CO2和(SOF2+SO2F2)/(CF4+CO2)测试点的机器学习值和标准值对比，取与机器学习值相近的标准值对应的放电绝缘缺陷类型作为该测试点的高概率判断类型。
2.根据权利要求1所述的GIS设备故障判断方法，其特征在于：所述步骤S2具体包括：
2.1.GIS设备故障放电的严重程度由内部放电故障的能量大小来表示，按能量由高到低的次序标记电弧放电为A3，火花放电为A2，电晕放电为A1；其中A为能量判断标识，数字3、2、1为该三种放电类型对应的机器学习数值；
2.2.选择浓度比值SO2F2/SO2作为机器学习的样本特征；
2.3.引入基于阿伦尼斯化学模型的概率函数对不同能量类型的放电故障下浓度比值SO2F2/SO2数据进行不同权重的预处理；其概率函数如下：
f1(x)＝-4x2+1(0≤x≤0.5) (1)
Figure FDA0002291815620000021
f3(x)＝1-f1-f2 (3)
其中，变量x表示浓度比值SO2F2/SO2，因变量f(x)表示不同SO2F2/SO2值对应的不同权重，e为自然常数；这些概率函数将被用来调整原始的三种放电类型能量的机器学习数值3、2、1，具体调整如下；电弧放电数据的值对应于2+f1(x)，而火花放电数据的值对应于2-f2(x)，电晕放电数据的值在浓度比值SO2F2/SO2大于等于0.5时对应于1+f3(x)，而在浓度比值SO2F2/SO2小于0.5时对应于3-f3(x)；
2.4.将预处理后的数据用机器学习算法神经网络、支持向量机、线性回归、最近邻模型、随机森林和高斯分布分别进行训练；最终，以最近邻模型算法得出的模型作为GIS设备故障放电的能量判断模型。
3.根据权利要求1所述的GIS设备故障判断方法，其特征在于：所述步骤S3具体包括：
3.1.按照数据分布的连续性，将高压导体突出物缺陷标记为B4、自由导电颗粒缺陷标记为B1、绝缘子金属污染缺陷标记为B2、绝缘子外部气隙缺陷标记为B3；其中B为绝缘缺陷判断标识，数字4、3、2、1为该四种放电类型对应的机器学习数值；同时，选取浓度比值CF4/CO2和(SOF2+SO2F2)/(CF4+CO2)作为评判参数；
3.2.在等高线模型的基础上选取参数CF4/CO2作为其横坐标以及(SOF2+SO2F2)/(CF4+CO2)作为其纵坐标；并应用如下公式对等高线图的横纵坐标进行拉伸预处理：
y＝(SO2+SO2F2)/40(CF4+CO2)(4)
Figure FDA0002291815620000031
3.3.将拉伸后的数据用机器学习算法神经网络、支持向量机、线性回归、最近邻模型、随机森林和高斯分布分别进行训练；最终，以高斯分布算法得出的模型作为GIS设备故障放电的绝缘缺陷判断模型。
CN201911183220.1A 2019-11-27 2019-11-27 一种基于机器学习的gis设备故障判断方法 Active CN110888025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911183220.1A CN110888025B (zh) 2019-11-27 2019-11-27 一种基于机器学习的gis设备故障判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911183220.1A CN110888025B (zh) 2019-11-27 2019-11-27 一种基于机器学习的gis设备故障判断方法

Publications (2)

Publication Number Publication Date
CN110888025A true CN110888025A (zh) 2020-03-17
CN110888025B CN110888025B (zh) 2021-11-19

Family

ID=69749034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911183220.1A Active CN110888025B (zh) 2019-11-27 2019-11-27 一种基于机器学习的gis设备故障判断方法

Country Status (1)

Country Link
CN (1) CN110888025B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111504675A (zh) * 2020-04-14 2020-08-07 河海大学 一种气体绝缘组合电器机械故障在线诊断方法
CN114113943A (zh) * 2021-11-25 2022-03-01 广东电网有限责任公司广州供电局 基于电流和超声信号的变压器局放检测系统、方法及设备
CN117171629A (zh) * 2023-11-03 2023-12-05 西安热工研究院有限公司 一种电气设备放电故障类型识别方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2207581C2 (ru) * 2001-04-17 2003-06-27 Марийский государственный университет Способ определения состояния линейной изоляции распределительных сетей и определения места её повреждения
CN102270302A (zh) * 2011-07-20 2011-12-07 北京航空航天大学 一种基于灰色支持向量机的多应力加速寿命试验预测方法
CN102854461A (zh) * 2012-08-24 2013-01-02 中国电力科学研究院 一种开关设备发生故障的概率预测方法及其系统
CN103439594A (zh) * 2013-08-02 2013-12-11 广东电网公司电力科学研究院 Sf6电气设备故障诊断系统与方法
CN104462846A (zh) * 2014-12-22 2015-03-25 山东鲁能软件技术有限公司 一种基于支持向量机的设备故障智能诊断方法
CN105976383A (zh) * 2016-05-16 2016-09-28 国网河南省电力公司电力科学研究院 一种基于极限学习机图像识别的输电设备故障诊断方法
US20170261436A1 (en) * 2016-03-12 2017-09-14 Xi'an Jiaotong University Method and apparatus for power equipment online monitoring
CN107255777A (zh) * 2017-05-31 2017-10-17 武汉大学 一种用于表征气体绝缘设备局部放电能量的sf6分解组分特征量
CN107843788A (zh) * 2017-10-31 2018-03-27 西安科技大学 一种利用特征气体进行油浸变压器的故障诊断方法
CN107862114A (zh) * 2017-10-25 2018-03-30 广西电网有限责任公司电力科学研究院 基于三比值特征量的小波pso‑svm变压器故障诊断方法
CN108761287A (zh) * 2018-05-28 2018-11-06 深圳供电局有限公司 一种变压器局部放电类型识别方法
CN108983052A (zh) * 2018-07-26 2018-12-11 武汉大学 一种基于sf6气体绝缘设备分解组分的三类故障三角形诊断方法
CN109871746A (zh) * 2018-12-30 2019-06-11 国网辽宁省电力有限公司电力科学研究院 一种基于gis绝缘缺陷诊断的模式识别方法
CN109934294A (zh) * 2019-03-18 2019-06-25 常伟 一种基于大数据机器学习进行电动汽车电池soh预测的方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2207581C2 (ru) * 2001-04-17 2003-06-27 Марийский государственный университет Способ определения состояния линейной изоляции распределительных сетей и определения места её повреждения
CN102270302A (zh) * 2011-07-20 2011-12-07 北京航空航天大学 一种基于灰色支持向量机的多应力加速寿命试验预测方法
CN102854461A (zh) * 2012-08-24 2013-01-02 中国电力科学研究院 一种开关设备发生故障的概率预测方法及其系统
CN103439594A (zh) * 2013-08-02 2013-12-11 广东电网公司电力科学研究院 Sf6电气设备故障诊断系统与方法
CN104462846A (zh) * 2014-12-22 2015-03-25 山东鲁能软件技术有限公司 一种基于支持向量机的设备故障智能诊断方法
US20170261436A1 (en) * 2016-03-12 2017-09-14 Xi'an Jiaotong University Method and apparatus for power equipment online monitoring
CN105976383A (zh) * 2016-05-16 2016-09-28 国网河南省电力公司电力科学研究院 一种基于极限学习机图像识别的输电设备故障诊断方法
CN107255777A (zh) * 2017-05-31 2017-10-17 武汉大学 一种用于表征气体绝缘设备局部放电能量的sf6分解组分特征量
CN107862114A (zh) * 2017-10-25 2018-03-30 广西电网有限责任公司电力科学研究院 基于三比值特征量的小波pso‑svm变压器故障诊断方法
CN107843788A (zh) * 2017-10-31 2018-03-27 西安科技大学 一种利用特征气体进行油浸变压器的故障诊断方法
CN108761287A (zh) * 2018-05-28 2018-11-06 深圳供电局有限公司 一种变压器局部放电类型识别方法
CN108983052A (zh) * 2018-07-26 2018-12-11 武汉大学 一种基于sf6气体绝缘设备分解组分的三类故障三角形诊断方法
CN109871746A (zh) * 2018-12-30 2019-06-11 国网辽宁省电力有限公司电力科学研究院 一种基于gis绝缘缺陷诊断的模式识别方法
CN109934294A (zh) * 2019-03-18 2019-06-25 常伟 一种基于大数据机器学习进行电动汽车电池soh预测的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FUPING ZENG 等: "Quantitative Analysis of the Influence of Regularity of SF6 Decomposition Characteristics with Trace O2 under Partial Discharge", 《IEEE TRANSACTIONS ON DIELECTRICS AND ELECTRICAL INSULATION》 *
KAI ZHENG 等: "Applications of support vector machine and improved k-Nearest Neighbor algorithm in fault diagnosis and fault degree evaluation of gas insulated switchgear", 《 2017 1ST INTERNATIONAL CONFERENCE ON ELECTRICAL MATERIALS AND POWER EQUIPMENT (ICEMPE)》 *
王华春 等: "变压器常见故障及人工神经网络在其诊断中的应用", 《自动化技术与应用》 *
石磊 等: "SF6气体含量分析在GIS故障分析判断中的应用", 《现代电子技术》 *
韩方源 等: "脉冲进样便携式ＴＯＦＭＳ现场检测ＳＦ６", 《质谱学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111504675A (zh) * 2020-04-14 2020-08-07 河海大学 一种气体绝缘组合电器机械故障在线诊断方法
CN111504675B (zh) * 2020-04-14 2021-04-09 河海大学 一种气体绝缘组合电器机械故障在线诊断方法
CN114113943A (zh) * 2021-11-25 2022-03-01 广东电网有限责任公司广州供电局 基于电流和超声信号的变压器局放检测系统、方法及设备
CN117171629A (zh) * 2023-11-03 2023-12-05 西安热工研究院有限公司 一种电气设备放电故障类型识别方法

Also Published As

Publication number Publication date
CN110888025B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN110888025B (zh) 一种基于机器学习的gis设备故障判断方法
Zeng et al. SF 6 fault decomposition feature component extraction and triangle fault diagnosis method
Zeng et al. SF6 decomposition and insulation condition monitoring of GIE: A review
Wu et al. Triangle fault diagnosis method for SF 6 gas-insulated equipment
Chan et al. Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment
CN111983394A (zh) 一种基于sf6分解产物分析的gis放电故障诊断方法
CN103389430A (zh) 一种基于贝叶斯判别理论的油浸式变压器故障检测方法
Zeng et al. Fault diagnosis and condition division criterion of DC gas insulating equipment based on SF 6 partial discharge decomposition characteristics
Hooshmand et al. Application of fuzzy logic in fault diagnosis in transformers using dissolved gas based on different standards
Liu et al. Investigation on surface electric field distribution features related to insulator flashover in SF 6 gas
CN111044859A (zh) Gis设备的故障处理方法、存储介质及设备
Ye et al. A corona recognition method based on visible light color and machine learning
EP3916402A1 (en) A method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems
CN109917245B (zh) 考虑相位差的超声检测局部放电信号模式识别方法
CN115270410A (zh) 基于arma模型的gis微粒微弱放电发展趋势预测方法及系统
Li et al. An image-oriented recognition method for PD development stage in oil-pressboard insulation with needle-plate model under AC-DC mixed voltage
Dhiman et al. Fuzzy Logic-Based Incipient Fault Detection in Power Transformers Using IEC Method
Haiba et al. Artificial neural network analysis for classification of defected high voltage ceramic insulators
CN110579323B (zh) 一种用于高压断路器绝缘气体的机器人测值识别算法
Chen et al. Identification of typical partial discharge defects of distribution system equipment based on classification learner
Alawode et al. Fuzzy logic and decision tree models for dissolved gas analysis in power transformer fault diagnosis
Lu et al. Simulation study on current-zero period phenomenon and analyse of high voltage gas circuit breaker
Si et al. Research on a General Fast Analysis Algorithm Model for PD Acoustic Detection System: Pattern Identification with Phase Compensation
Li et al. Application of joint electro-chemical detection for gas insulated switchgear fault diagnosis
Wei et al. State Diagnosis of Composite Post Insulator Surface Based on the Clustering Analysis

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
GR01 Patent grant
GR01 Patent grant