CN111240306A - 一种自适应配电变压器故障诊断系统及其诊断方法 - Google Patents
一种自适应配电变压器故障诊断系统及其诊断方法 Download PDFInfo
- Publication number
- CN111240306A CN111240306A CN202010336812.9A CN202010336812A CN111240306A CN 111240306 A CN111240306 A CN 111240306A CN 202010336812 A CN202010336812 A CN 202010336812A CN 111240306 A CN111240306 A CN 111240306A
- Authority
- CN
- China
- Prior art keywords
- model
- transformer
- bayesian
- combined
- low
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种自适应配电变压器故障诊断系统及其诊断方法,其系统包括自适应配电变压器、防空载或轻载误判断处理器、变压器数据预处理器、分离贝叶斯分类器、模型误判率计算器、最优权值向量计算器和组合贝叶斯诊断模型。自适应配电变压器故障诊断方法首先进行防空载或轻载误判断处理,然后计算得到各类贝叶斯分类模型,并将各类贝叶斯分类器的模型进行融合,最后根据最优权值向量,得出一个高精度的组合模型,以此来进行故障诊断。本发明可以显著提高诊断的精度,应对变压器不同容量运行状态下的各种故障,并且可以有效地防止空载或轻载条件下的误判断。
Description
技术领域
本发明涉及变压器故障诊断系统及其诊断方法领域,尤其是涉及一种自适应配电变压器的故障诊断系统及其诊断方法。
背景技术
随着电力自动化技术和电力电子技术的不断发展,电力设备智能化方面有了良好的技术支撑。利用物联网技术,可以提高对配电电网设备的感知能力,并很好地结合信息通讯网络,实现联合处理、数据传输、综合判断等功能,提高配电网络的技术水平和智能化水平。而在配电网络系统中,变压器是最重要的设备之一。它直接和用电设备连接,分布广、数量多、容量大、总损耗大。配电变压器的安全经济运行和降低损耗对智能电网发展的影响重大。变压控制技术也在不断提高和发展,这也为智能变压器的发展提供了有利条件。然而,其也是导致电力系统网络发生故障的电气装备之一。依据相关部口的数据统计分析得出,我国每年100-500KV的电力变压器的故障发生率在0.7次/百台/年,而且发生的故障大多数是绝缘性的故障类型。其一旦发生了故障,显然会造成大面积范围内的停电事故。能否准确地预判出变压器的潜伏性故障类型,对于变压器的安全稳定运行是至关重要的。因此,有充分的必要针对于变压器的运行状态进行监控。
目前,贝叶斯网络是表达和推理不确定性知识最有效的信息理论之一,由条件相关而产生的不同知识之间的不确定性是根据概率理论来处理的。变压器故障诊断的本质就是在故障征兆与故障类型之间建立一定的映射关系,可以看成根据特征变量确定类别变量的分类过程,因此贝叶斯网络分类器可以被当作工具来判断变压器是否发生故障。但是不同贝叶斯分类模型计算最大后验概率的方法不同,面对数据特性不同的样本时各种贝叶斯网络分类器有着不同的优势,如果只采用单一的贝叶斯分类器无法精确的对各种突发故障做出及时的判断。而对于自适应配电变压器的调容功能,则缺少有效的手段针对不同容量的运行状态来进行故障诊断。
发明内容
为了解决现有技术的不足,本发明要解决的技术问题是提供一种自适应配电变压器故障诊断系统及其诊断方法,使其可以显著提高系统诊断的精度,应对变压器不同容量运行状态下的各种故障,并且可以有效地防止空载或轻载条件下的误判断。
本发明为解决上述技术问题采用以下技术方案:
一种自适应配电变压器的故障诊断方法,包含以下步骤:
步骤1,采集自适应配电变压器的电流数据,进行防空载或轻载误判断处理,将采集到的变压器三相绕组电流进行abc/dq坐标变换得到dq轴实际电流id和iq,然后根据系统q轴实际电流值iq的大小确定给定d轴电流id*的取值,最后再将给定d轴电流id*通过坐标变换得到变压器abc坐标系下的采样数据修正值,其中给定d轴电流id*具体处理方法为:
其中,id*为给定d轴电流,iq为q轴实际电流,F为系统带载情况的判断阈值,且F为永磁电机额定电流值的15%,H为系统处于空载或轻载情况下d轴电流注入值;
步骤2,对变压器样本数据进行预处理,将采集到的自适应配电变压器运行样本数据基于局部异常因子统计方法进行异常值检测,并采用有监督的ChiMerge算法对变压器的数据进行离散化处理,从而确定有效的离散区间,然后,将处理好的样本数据分为训练集和测试集,其中测试集占训练集的1/2;
步骤3,对训练集的样本进行训练归纳,分别得到朴素贝叶斯分类模型NB,半朴素贝叶斯分类模型SNB,树形增强朴素贝叶斯分类模型TAN和增强朴素贝叶斯分类模型BAN;
步骤4,计算各个模型的误判率,并依据误判率计算最优权值向量,具体操作如下;
设定y(t)为一预测对象在第t时刻的属性值,其中t=1,2,…,n,若有m种预测模型参与y(t)的预测,则第i个预测模型在第t时刻的预测值为yi(t),在第t时刻第i个预测模型的预测误差为:
式中,y=1,2,…,m;t=1,2,…,n;
相应的预测误差信息矩阵E为:
若W=(w1,w2,…,wm)T为m个预测模型线性组合的加权系数,则组合预测模型形式为:
t=1,2,…,n,由此可得到组合预测的误差平方和:
以S最小为准则来确定组合权重的选择:
即组合预测模型的最优权系数W为式中二次规划问题的最优解,最终可以解出最优权值向量Wopt如下:
步骤5,根据最优权值向量得到组合贝叶斯诊断模型,组合贝叶斯诊断模型表示为:
式中,M1=[m11 m21 m31 m41 m51 m61]为朴素贝叶斯分类模型NB的故障概率矩阵,其中m11、m21、m31、m41、m51、m61分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的朴素贝叶斯分类模型NB的故障概率,M2=[m12 m22 m32 m42 m52 m62]为半朴素贝叶斯分类模型SNB的故障概率矩阵,其中m12、m22、m32、m42、m52、m62分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的半朴素贝叶斯分类模型SNB的故障概率,M3=[m13 m23 m33 m43 m53 m63]为树形增强朴素贝叶斯分类模型TAN的故障概率矩阵,其中m13、m23、m33、m43、m53、m63分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的树形增强朴素贝叶斯分类模型TAN的故障概率,M4=[m14 m24 m34 m44 m54 m64]为增强朴素贝叶斯分类模型BAN的故障概率矩阵,其中m14、m24、m34、m44、m54、m64分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的增强朴素贝叶斯分类模型BAN的故障概率;
根据组合贝叶斯诊断模型的预测结果,故障类型概率向量U通过最优权重向量Wopt和组合贝叶斯诊断模型表示为:
式中,[u1 u2 u3 u4 u5 u6]为组合贝叶斯诊断模型判断变压器分别处于正常、低温过热、中低温过热、高温过热、低能放电以及高能放电状态时的概率,[u1 u2 u3 u4 u5 u6]中的最大值即为组合诊断模型最终的诊断结果。
进一步的,一种自适应配电变压器故障诊断系统包括自适应配电变压器、防空载或轻载误判断处理器、变压器数据预处理器、分离贝叶斯分类器、模型误判率计算器、最优权值向量计算器和组合贝叶斯诊断模型,其中自适应配电变压器分别与防空载或轻载误判断处理器、变压器数据预处理器和组合贝叶斯诊断模型相连接,所述的防空载或轻载误判断处理器分别与自适应配电变压器和变压器数据预处理器相连接,所述的变压器数据预处理器分别与自适应配电变压器、防空载或轻载误判断处理器、分离贝叶斯分类器和组合贝叶斯诊断模型相连接,所述的分离贝叶斯分类器分别与变压器数据预处理器和模型误判率计算器相连接,所述的分离贝叶斯分类器包含朴素贝叶斯分类模型NB、半朴素贝叶斯分类模型SNB、树形增强朴素贝叶斯分类模型TAN和增强朴素贝叶斯分类模型BAN,所述的模型误判率计算器分别与分离贝叶斯分类器和最优权值向量计算器相连接,所述的最优权值向量计算器分别与模型误判率计算器和组合贝叶斯模型相连接,所述的组合贝叶斯诊断模型分别与变压器数据预处理器、最优权值向量计算器和自适应配电变压器相连接。
本发明的有益效果为:将各类贝叶斯分类器的模型进行融合,解决了不同贝叶斯模型对故障诊断的误判断问题,可以显著提高诊断的精度。此外,可以应对变压器不同容量运行状态下的各种故障,并且可以有效地防止空载或轻载条件下的误判断。
附图说明
图1为本发明一种自适应配电变压器的故障诊断方法控制框图。
图2为本发明一种自适应配电变压器的故障诊断系统结构框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。
如图1所示,一种自适应配电变压器的故障诊断方法,包含以下步骤:
步骤1,采集自适应配电变压器的电流数据,进行防空载或轻载误判断处理,将采集到的变压器三相绕组电流进行abc/dq坐标变换得到dq轴实际电流id和iq,然后根据系统q轴实际电流值iq的大小确定给定d轴电流id*的取值,最后再将给定d轴电流id*通过坐标变换得到变压器abc坐标系下的采样数据修正值,其中给定d轴电流id*具体处理方法为:
其中,id*为给定d轴电流,iq为q轴实际电流,F为系统带载情况的判断阈值,且F为永磁电机额定电流值的15%,H为系统处于空载或轻载情况下d轴电流注入值;
步骤2,对变压器样本数据进行预处理,将采集到的自适应配电变压器运行样本数据基于局部异常因子统计方法进行异常值检测,并采用有监督的ChiMerge算法对变压器的数据进行离散化处理,从而确定有效的离散区间,然后,将处理好的样本数据分为训练集和测试集,其中测试集占训练集的1/2;
步骤3,对训练集的样本进行训练归纳,分别得到朴素贝叶斯分类模型NB,半朴素贝叶斯分类模型SNB,树形增强朴素贝叶斯分类模型TAN和增强朴素贝叶斯分类模型BAN;
步骤4,计算各个模型的误判率,并依据误判率计算最优权值向量,具体操作如下;
设定y(t)为一预测对象在第t时刻的属性值,其中t=1,2,…,n,若有m种预测模型参与y(t)的预测,则第i个预测模型在第t时刻的预测值为yi(t),在第t时刻第i个预测模型的预测误差为:
式中,y=1,2,…,m;t=1,2,…,n;
相应的预测误差信息矩阵E为:
若W=(w1,w2,…,wm)T为m个预测模型线性组合的加权系数,则组合预测模型形式为:
t=1,2,…,n,由此可得到组合预测的误差平方和:
以S最小为准则来确定组合权重的选择:
即组合预测模型的最优权系数W为式中二次规划问题的最优解,最终可以解出最优权值向量Wopt如下:
步骤5,根据最优权值向量得到组合贝叶斯诊断模型,组合贝叶斯诊断模型表示为:
式中,M1=[m11 m21 m31 m41 m51 m61]为朴素贝叶斯分类模型NB的故障概率矩阵,其中m11、m21、m31、m41、m51、m61分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的朴素贝叶斯分类模型NB的故障概率,M2=[m12 m22 m32 m42 m52 m62]为半朴素贝叶斯分类模型SNB的故障概率矩阵,其中m12、m22、m32、m42、m52、m62分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的半朴素贝叶斯分类模型SNB的故障概率,M3=[m13 m23 m33 m43 m53 m63]为树形增强朴素贝叶斯分类模型TAN的故障概率矩阵,其中m13、m23、m33、m43、m53、m63分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的树形增强朴素贝叶斯分类模型TAN的故障概率,M4=[m14 m24 m34 m44 m54 m64]为增强朴素贝叶斯分类模型BAN的故障概率矩阵,其中m14、m24、m34、m44、m54、m64分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的增强朴素贝叶斯分类模型BAN的故障概率;
根据组合贝叶斯诊断模型的预测结果,故障类型概率向量U通过最优权重向量Wopt和组合贝叶斯诊断模型表示为:
式中,[u1 u2 u3 u4 u5 u6]为组合贝叶斯诊断模型判断变压器分别处于正常、低温过热、中低温过热、高温过热、低能放电以及高能放电状态时的概率,[u1 u2 u3 u4 u5 u6]中的最大值即为组合诊断模型最终的诊断结果。
如图2所示,一种自适应配电变压器故障诊断系统包括自适应配电变压器、防空载或轻载误判断处理器、变压器数据预处理器、分离贝叶斯分类器、模型误判率计算器、最优权值向量计算器和组合贝叶斯诊断模型,其中自适应配电变压器分别与防空载或轻载误判断处理器、变压器数据预处理器和组合贝叶斯诊断模型相连接,所述的防空载或轻载误判断处理器分别与自适应配电变压器和变压器数据预处理器相连接,所述的变压器数据预处理器分别与自适应配电变压器、防空载或轻载误判断处理器、分离贝叶斯分类器和组合贝叶斯诊断模型相连接,所述的分离贝叶斯分类器分别与变压器数据预处理器和模型误判率计算器相连接,所述的分离贝叶斯分类器包含朴素贝叶斯分类模型NB、半朴素贝叶斯分类模型SNB、树形增强朴素贝叶斯分类模型TAN和增强朴素贝叶斯分类模型BAN,所述的模型误判率计算器分别与分离贝叶斯分类器和最优权值向量计算器相连接,所述的最优权值向量计算器分别与模型误判率计算器和组合贝叶斯模型相连接,所述的组合贝叶斯诊断模型分别与变压器数据预处理器、最优权值向量计算器和自适应配电变压器相连接。
对于自适应配电变压器,具有在线负荷换相、有载调容、分相无功补偿、有载调压功能;对于变压器数据预处理器,对变压器数据进行预处理,将采集到的自适应配电变压器运行样本数据基于局部异常因子统计方法进行异常值检测,以削弱数据中的异常值给变压器故障诊断分析带来的干扰,使得分析结果更加可靠,并且为了在划分特征值离散区间时能够考虑到类别变量的分布,采用有监督的ChiMerge算法对变压器的数据进行离散化处理,从而确定有效的离散区间,以有效地提高诊断结果的准确性,最后,将处理好的样本数据分为训练集和测试集,其中测试集占训练集的1/2;对于分离贝叶斯分类器,对训练集的样本进行训练归纳,分别得到朴素贝叶斯分类模型NB、半朴素贝叶斯分类模型SNB、树形增强朴素贝叶斯分类模型TAN、增强朴素贝叶斯分类模型BAN;对于模型误判率计算器和最优权值向量计算器,进行模型误差率以及关于每一种贝叶斯预测模型的最优权值向量的计算;对于组合贝叶斯诊断模型,根据模型误判率计算器和最优权值向量计算器所计算出的误差率以及最优权值向量,从而得到最终的组合预测模型,并进行故障诊断。
本发明提出的一种自适应配电变压器故障诊断系统及其诊断方法可以显著提高诊断的精度,应对变压器不同容量运行状态下的各种故障,并且可以有效地防止空载或轻载条件下的误判断。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。
Claims (2)
1.一种自适应配电变压器的故障诊断方法,其特征在于,包含以下步骤:
步骤1,采集自适应配电变压器的电流数据,进行防空载或轻载误判断处理,将采集到的变压器三相绕组电流进行abc/dq坐标变换得到dq轴实际电流id和iq,然后根据系统q轴实际电流值iq的大小确定给定d轴电流id*的取值,最后再将给定d轴电流id*通过坐标变换得到变压器abc坐标系下的采样数据修正值,其中给定d轴电流id*具体处理方法为:
其中,id*为给定d轴电流,iq为q轴实际电流,F为系统带载情况的判断阈值,且F为永磁电机额定电流值的15%,H为系统处于空载或轻载情况下d轴电流注入值;
步骤2,对变压器样本数据进行预处理,将采集到的自适应配电变压器运行样本数据基于局部异常因子统计方法进行异常值检测,并采用有监督的ChiMerge算法对变压器的数据进行离散化处理,从而确定有效的离散区间,然后,将处理好的样本数据分为训练集和测试集,其中测试集占训练集的1/2;
步骤3,对训练集的样本进行训练归纳,分别得到朴素贝叶斯分类模型NB,半朴素贝叶斯分类模型SNB,树形增强朴素贝叶斯分类模型TAN和增强朴素贝叶斯分类模型BAN;
步骤4,计算各个模型的误判率,并依据误判率计算最优权值向量,具体操作如下;
设定y(t)为一预测对象在第t时刻的属性值,其中t=1,2,…,n,若有m种预测模型参与y(t)的预测,则第i个预测模型在第t时刻的预测值为yi(t),在第t时刻第i个预测模型的预测误差为:
式中,y=1,2,…,m;t=1,2,…,n;
相应的预测误差信息矩阵E为:
若W=(w1,w2,…,wm)T为m个预测模型线性组合的加权系数,则组合预测模型形式为:
t=1,2,…,n,由此可得到组合预测的误差平方和:
以S最小为准则来确定组合权重的选择:
即组合预测模型的最优权系数W为式中二次规划问题的最优解,最终可以解出最优权值向量Wopt如下:
步骤5,根据最优权值向量得到组合贝叶斯诊断模型,组合贝叶斯诊断模型表示为:
式中,M1=[m11 m21 m31 m41 m51 m61]为朴素贝叶斯分类模型NB的故障概率矩阵,其中m11、m21、m31、m41、m51、m61分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的朴素贝叶斯分类模型NB的故障概率,M2=[m12 m22 m32 m42 m52 m62]为半朴素贝叶斯分类模型SNB的故障概率矩阵,其中m12、m22、m32、m42、m52、m62分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的半朴素贝叶斯分类模型SNB的故障概率,M3=[m13 m23 m33 m43 m53 m63]为树形增强朴素贝叶斯分类模型TAN的故障概率矩阵,其中m13、m23、m33、m43、m53、m63分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的树形增强朴素贝叶斯分类模型TAN的故障概率,M4=[m14 m24 m34 m44 m54 m64]为增强朴素贝叶斯分类模型BAN的故障概率矩阵,其中m14、m24、m34、m44、m54、m64分别表示变压器为正常、低温过热、中低温过热、高温过热、低能放电以及高能放电时的增强朴素贝叶斯分类模型BAN的故障概率;
根据组合贝叶斯诊断模型的预测结果,故障类型概率向量U通过最优权重向量Wopt和组合贝叶斯诊断模型表示为:
式中,[u1 u2 u3 u4 u5 u6]为组合贝叶斯诊断模型判断变压器分别处于正常、低温过热、中低温过热、高温过热、低能放电以及高能放电状态时的概率,[u1 u2 u3 u4 u5 u6]中的最大值即为组合诊断模型最终的诊断结果。
2.基于权利要求书1所述的一种自适应配电变压器的故障诊断方法,一种自适应配电变压器故障诊断系统,其特征在于,该系统包括自适应配电变压器、防空载或轻载误判断处理器、变压器数据预处理器、分离贝叶斯分类器、模型误判率计算器、最优权值向量计算器和组合贝叶斯诊断模型,其中自适应配电变压器分别与防空载或轻载误判断处理器、变压器数据预处理器和组合贝叶斯诊断模型相连接,所述的防空载或轻载误判断处理器分别与自适应配电变压器和变压器数据预处理器相连接,所述的变压器数据预处理器分别与自适应配电变压器、防空载或轻载误判断处理器、分离贝叶斯分类器和组合贝叶斯诊断模型相连接,所述的分离贝叶斯分类器分别与变压器数据预处理器和模型误判率计算器相连接,所述的分离贝叶斯分类器包含朴素贝叶斯分类模型NB、半朴素贝叶斯分类模型SNB、树形增强朴素贝叶斯分类模型TAN和增强朴素贝叶斯分类模型BAN,所述的模型误判率计算器分别与分离贝叶斯分类器和最优权值向量计算器相连接,所述的最优权值向量计算器分别与模型误判率计算器和组合贝叶斯模型相连接,所述的组合贝叶斯诊断模型分别与变压器数据预处理器、最优权值向量计算器和自适应配电变压器相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010336812.9A CN111240306A (zh) | 2020-04-26 | 2020-04-26 | 一种自适应配电变压器故障诊断系统及其诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010336812.9A CN111240306A (zh) | 2020-04-26 | 2020-04-26 | 一种自适应配电变压器故障诊断系统及其诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111240306A true CN111240306A (zh) | 2020-06-05 |
Family
ID=70864476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010336812.9A Pending CN111240306A (zh) | 2020-04-26 | 2020-04-26 | 一种自适应配电变压器故障诊断系统及其诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111240306A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767657A (zh) * | 2020-07-09 | 2020-10-13 | 哈尔滨工程大学 | 一种核动力系统故障诊断方法和系统 |
US11899075B2 (en) * | 2020-08-04 | 2024-02-13 | Maschinenfabrik Reinhausen Gmbh | Device for determining an error probability value for a transformer component and a system having such a device |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777123A (zh) * | 2014-01-27 | 2014-05-07 | 国家电网公司 | 用于gis设备的局部放电故障综合诊断方法 |
CN104834966A (zh) * | 2015-04-15 | 2015-08-12 | 中国水产科学研究院东海水产研究所 | 一种基于蚁群分类算法的渔场预报方法 |
CN105322519A (zh) * | 2015-11-02 | 2016-02-10 | 湖南大学 | 一种智能配电网大数据融合分析与运行状态监测方法 |
CN108083044A (zh) * | 2017-11-21 | 2018-05-29 | 浙江新再灵科技股份有限公司 | 一种基于大数据分析的电梯按需维保系统及方法 |
CN108776306A (zh) * | 2018-08-03 | 2018-11-09 | 南京理工大学 | 一种永磁电机故障的智能诊断装置及方法 |
CN109657797A (zh) * | 2018-12-24 | 2019-04-19 | 中国人民解放军32181部队 | 基于混合诊断贝叶斯网络的故障诊断能力分析方法 |
CN110866331A (zh) * | 2019-10-28 | 2020-03-06 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器家族质量缺陷的评估方法 |
-
2020
- 2020-04-26 CN CN202010336812.9A patent/CN111240306A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777123A (zh) * | 2014-01-27 | 2014-05-07 | 国家电网公司 | 用于gis设备的局部放电故障综合诊断方法 |
CN104834966A (zh) * | 2015-04-15 | 2015-08-12 | 中国水产科学研究院东海水产研究所 | 一种基于蚁群分类算法的渔场预报方法 |
CN105322519A (zh) * | 2015-11-02 | 2016-02-10 | 湖南大学 | 一种智能配电网大数据融合分析与运行状态监测方法 |
CN108083044A (zh) * | 2017-11-21 | 2018-05-29 | 浙江新再灵科技股份有限公司 | 一种基于大数据分析的电梯按需维保系统及方法 |
CN108776306A (zh) * | 2018-08-03 | 2018-11-09 | 南京理工大学 | 一种永磁电机故障的智能诊断装置及方法 |
CN109657797A (zh) * | 2018-12-24 | 2019-04-19 | 中国人民解放军32181部队 | 基于混合诊断贝叶斯网络的故障诊断能力分析方法 |
CN110866331A (zh) * | 2019-10-28 | 2020-03-06 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器家族质量缺陷的评估方法 |
Non-Patent Citations (2)
Title |
---|
唐小我: "组合预测计算方法的研究", 《预测》 * |
章斌: "基于多种贝叶斯分类器的变压器故障组合诊断", 《万方学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767657A (zh) * | 2020-07-09 | 2020-10-13 | 哈尔滨工程大学 | 一种核动力系统故障诊断方法和系统 |
CN111767657B (zh) * | 2020-07-09 | 2022-04-22 | 哈尔滨工程大学 | 一种核动力系统故障诊断方法和系统 |
US11899075B2 (en) * | 2020-08-04 | 2024-02-13 | Maschinenfabrik Reinhausen Gmbh | Device for determining an error probability value for a transformer component and a system having such a device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chiang et al. | Toward a practical performance index for predicting voltage collapse in electric power systems | |
CN105930976B (zh) | 基于加权理想点法的节点电压暂降严重程度综合评估方法 | |
CN111240306A (zh) | 一种自适应配电变压器故障诊断系统及其诊断方法 | |
CN110059714A (zh) | 基于多分类支持向量机的变压器故障诊断方法 | |
CN106548265B (zh) | 一种基于连锁故障事故链搜索的输电网可靠性评估方法 | |
CN109849737A (zh) | 一种动力电池多参数一致性的均衡控制方法 | |
CN114035086A (zh) | 基于信号处理的电池组多故障诊断方法 | |
CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
Li et al. | A simultaneous phase sequence exchange control method based on transient energy function | |
Tang et al. | An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance | |
Wu et al. | Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity | |
Rahmkhoda et al. | Detection of Loss-of-Excitation in Synchronous Machines using Hybrid GMDH Neural Network Intelligent Algorithm in the Presence of UPFC in Power System | |
CN115184728A (zh) | 一种交直流混合配电网的故障识别方法 | |
Lashgari et al. | An agent‐based fast concurrent prediction scheme for transient and short‐term voltage instability | |
Lin et al. | Fault diagnosis of transformer based on KPCA and Elman neural network | |
CN110910030A (zh) | 断路器健康状态检测方法及装置、计算机装置及存储介质 | |
Li et al. | Faulty Feeders Identification for Single-phase-to-ground Fault Based on Multi-features and Machine Learning | |
CN116231646B (zh) | 基于电力系统脆弱和经济性的pmu最优配置方法及系统 | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
CN117743815B (zh) | 一种断路器多路振动传感器信号优选方法及系统 | |
Xu et al. | An Adaptive Neural Observer for Short Circuit Fault Estimation of Lithium-ion Batteries in Electric Vehicles | |
CN116914685B (zh) | 固态断路器控制系统及固态断路器控制方法 | |
Ruz et al. | Fuzzy decision making applied to high impedance fault detection in compensated neutral grounded MV distribution systems | |
CN115616448A (zh) | 变压器高压侧中性点零序电流回路的断路故障判断方法、装置、电子设备及计算机可读介质 | |
Hagmar | Data-driven methods for real-time voltage stability assessment |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200605 |
|
WD01 | Invention patent application deemed withdrawn after publication |