CN111797566A - 一种表征变压器健康状态的关键特征量确定方法和系统 - Google Patents
一种表征变压器健康状态的关键特征量确定方法和系统 Download PDFInfo
- Publication number
- CN111797566A CN111797566A CN202010458817.9A CN202010458817A CN111797566A CN 111797566 A CN111797566 A CN 111797566A CN 202010458817 A CN202010458817 A CN 202010458817A CN 111797566 A CN111797566 A CN 111797566A
- Authority
- CN
- China
- Prior art keywords
- transformer
- matrix
- characteristic
- tested
- characteristic quantity
- 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
- 230000036541 health Effects 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 79
- 239000011159 matrix material Substances 0.000 claims abstract description 268
- 238000000605 extraction Methods 0.000 claims abstract description 94
- 238000010606 normalization Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000010219 correlation analysis Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000004804 winding Methods 0.000 claims description 31
- 238000009413 insulation Methods 0.000 claims description 21
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 12
- 239000007789 gas Substances 0.000 claims description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 10
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical compound O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 229930195733 hydrocarbon Natural products 0.000 claims description 7
- 150000002430 hydrocarbons Chemical class 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 239000004215 Carbon black (E152) Substances 0.000 claims description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 6
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 6
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 6
- 239000001569 carbon dioxide Substances 0.000 claims description 6
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 6
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 6
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 5
- 239000005977 Ethylene Substances 0.000 claims description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 5
- 208000025274 Lightning injury Diseases 0.000 claims description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 5
- 239000002253 acid Substances 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 5
- 239000000741 silica gel Substances 0.000 claims description 5
- 229910002027 silica gel Inorganic materials 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000016507 interphase Effects 0.000 claims description 4
- 230000010287 polarization Effects 0.000 claims description 4
- 239000013049 sediment Substances 0.000 claims description 4
- 239000010802 sludge Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 17
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 102
- 238000010586 diagram Methods 0.000 description 17
- 239000000126 substance Substances 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 11
- 238000000513 principal component analysis Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种表征变压器健康状态的关键特征量确定方法和系统，包括：根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量。本发明提供的技术方案，解决了传统特征提取方法拟合精度不足，以及基于神经网络等人工智能算法训练速度过慢的问题，为变压器健康状态的预估提供理论上的支撑，同时对日后变压器故障的及时排除有着不可估量的工程实用价值。
Description
技术领域
本发明涉及特征工程领域，具体涉及一种表征变压器健康状态的关键特征量确定方法和系统。
背景技术
变压器作为配电网重要的运行设备之一，其安全可靠运行直接关系到配电网的安全与稳定；但是变压器内部结构复杂，事故率成上升趋势，因此必须采取一定的技术手段来保证变压器的安全稳定运行。
目前配电网主要对变压器进行计划检修来保证变压器安全稳定运行，但是计划检修实则是在保证变压器安全与可靠的前提下牺牲了配电网的经济效应。而随着电改的推进，电价的降低，以计划检修的方式来确保变压器的安全稳定运行给电网企业带来了不小的压力，于是对变压器进行精准检修和基于状态的维护变得尤其重要。
传统的变压器故障诊断方法，无论是变压器油中溶解气体法(DGA)、针对变压器油纸绝缘老化的诊断方法还是其他变压器故障诊断的方法，均只考虑了变压器某一特定的故障，比如绝缘故障或者绕组变形等，并没有考虑影响变压器健康状态的所有因素，缺乏表征变压器故障状态的完备特征量集合，且目前综合考虑多方面因素的变压器状态评价的方法，也并没有形成表征变压器故障状态的完备特征量集合。此外，所涉及的变压器特征量均是基于专家经验人为确定的，缺乏科学理论指导。
与之相对的，技术人员通过设置变压器健康指数表征变压器的健康状态，以此实现对变压器状态的准确预测，对变压器健康状态进行分析时，同样缺乏表征变压器健康状态的完备特征量集合，故而建立表征变压器健康状态的指标体系是十分重要的。
而变压器作为一个多元复杂的设备，影响其运行状况的因素非常多。变压器出现异常事故时，其相应的特征信息比较多，此类特征可能高度冗余。因此，哪些特征是表征变压器健康状态的关键特征，且能够最大限度地保留关键故障信息，消除故障特征量之间的相关性，使得最终所获取的特征量能够将变压器健康状态有效呈现，是变压器健康状态评估的关键一步，也是变压器健康诊断亟待解决的热点及难点问题。
目前，传统的特征提取方法有独立成分分析法(ICA)、主成分分析法(PCA)、核独立主成分分析(KICA)和核主成分分析法(KPCA)等，但以上方法用于特征提取精度往往得不到保障。近年来随着人工智能方法的广泛应用，传统的前馈神经网络能够通过输入样本直接逼近复杂非线性映射，给传统方法无法解决的大量自然与人工现象提供解决办法。可是此方法由于所有的参数均需要调整，对高维特征量适应性差，训练速度很慢，有时需要数小时，数天甚至更多的时间去训练神经网络，极大的制约了此类算法的实际工程应用前景。
发明内容
针对现有技术的不足，本发明的目的是提供一种表征变压器健康状态的关键特征量确定方法，该方法解决了传统特征提取方法拟合精度不足，以及基于神经网络等人工智能算法训练速度过慢的问题，为变压器健康状态的预估提供理论上的支撑，同时对日后变压器故障的及时排除有着不可估量的工程实用价值。
本发明的目的是采用下述技术方案实现的：
本发明提供一种表征变压器健康状态的关键特征量确定方法，其改进之处在于，所述方法包括：
根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；
根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；
根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量。
优选的，所述根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵，包括：
获取预先构建的输出层节点数为1至Sτ的关键特征提取模型；
获取预先构建的与1至Sτ的关键特征提取模型分别对应的Sτ个变压器健康状态计算模型；
将待测变压器的特征量归一化矩阵分别作为Sτ个变压器健康状态计算模型输入层的输入量，获取Sτ个变压器健康状态计算模型输出的变压器的HI值；
将输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型输出的变压器的HI值与待测变压器的特征量归一化矩阵对应的变压器的标准HI值之间的差值作为待测变压器的特征量归一化矩阵所对应的HI误差序列中第λ个元素，生成待测变压器的特征量归一化矩阵所对应的HI误差序列；
将待测变压器的特征量归一化矩阵所对应的HI误差序列中各元素与第一预设值做差，获取待测变压器的特征量归一化矩阵所对应的HI标准差值序列；
从待测变压器的特征量归一化矩阵所对应的HI标准差值序列中第一个元素开始，寻找首个均小于0的连续元素值的序列片段，并获取所述序列片段中任一元素值所对应的关键特征提取模型；
将待测变压器的特征量归一化矩阵代入所述关键特征提出模型中，获取待测变压器的特征成分分析矩阵；
其中，所述输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的输入层结构为预先构建的输出层节点数为λ的关键特征提取模型，λ∈(1～Sτ)，Sτ为变压器的特征量种类数。
优选的，所述根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵，包括：
计算待测变压器的特征成分分析矩阵的转置矩阵的最小二乘广义逆矩阵
根据矩阵
确定待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵
其中，
XT为待测变压器的特征量归一化矩阵的转置矩阵，T为转置符号。
优选的，所述根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量，包括：
若待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素中数值大于第二预设阈值的元素个数超过第三预设阈值，则待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素所对应的特征量为表征待测变压器的健康状态的关键特征量；
其中，τ∈(1～Sτ)，Sτ为变压器的特征量种类数。
本发明提供一种表征变压器健康状态的关键特征量确定系统，其改进之处在于，所述系统包括：
第一确定模块，用于根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；
第二确定模块，用于根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；
第三确定模块，用于根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量。
优选的，所述第一确定模块，包括：
第一获取单元，用于获取预先构建的输出层节点数为1至Sτ的关键特征提取模型；
第二获取单元，用于获取预先构建的与1至Sτ的关键特征提取模型分别对应的Sτ个变压器健康状态计算模型；
第三获取单元，用于将待测变压器的特征量归一化矩阵分别作为Sτ个变压器健康状态计算模型输入层的输入量，获取Sτ个变压器健康状态计算模型输出的变压器的HI值；
生成单元，用于将输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型输出的变压器的HI值与待测变压器的特征量归一化矩阵对应的变压器的标准HI值之间的差值作为待测变压器的特征量归一化矩阵所对应的HI误差序列中第λ个元素，生成待测变压器的特征量归一化矩阵所对应的HI误差序列；
第四获取单元，用于将待测变压器的特征量归一化矩阵所对应的HI误差序列中各元素与第一预设值做差，获取待测变压器的特征量归一化矩阵所对应的HI标准差值序列；
第五获取单元，用于从待测变压器的特征量归一化矩阵所对应的HI标准差值序列中第一个元素开始，寻找首个均小于0的连续元素值的序列片段，并获取所述序列片段中任一元素值所对应的关键特征提取模型；
第六获取单元，用于将待测变压器的特征量归一化矩阵代入所述关键特征提出模型中，获取待测变压器的特征成分分析矩阵；
其中，所述输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的输入层结构为预先构建的输出层节点数为λ的关键特征提取模型，λ∈(1～Sτ)，Sτ为变压器的特征量种类数。
优选的，所述第二确定模块，包括：
计算单元，用于计算待测变压器的特征成分分析矩阵的转置矩阵的最小二乘广义逆矩阵
第一确定单元，用于根据矩阵
确定待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵
其中，
XT为待测变压器的特征量归一化矩阵的转置矩阵，T为转置符号。
优选的，所述第三确定模块，用于：
若待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素中数值大于第二预设阈值的元素个数超过第三预设阈值，则待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素所对应的特征量为表征待测变压器的健康状态的关键特征量；
其中，τ∈(1～Sτ)，Sτ为变压器的特征量种类数。
与最接近的现有技术相比，本发明具有的有益效果：
本发明提供的技术方案，根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量；解决了传统特征提取方法拟合精度不足，以及基于神经网络等人工智能算法训练速度过慢的问题，为变压器健康状态的预估提供理论上的支撑，同时对日后变压器故障的及时排除有着不可估量的工程实用价值。
附图说明
图1是一种表征变压器健康状态的关键特征量确定方法流程图；
图2是本发明实施例中随机配置网络模型的结构图；
图3是本发明实施例中新增第p个隐含层节点时随机配置网络模型的结构图；
图4是本发明实施例中自回归形式的随机配置网络模型随机配置网络的结构图；
图5是本发明实施例中变压器健康状态计算模型结构图；
图6是本发明实施例中SCN、ELM和PCA仿真结果比较图；
图7是本发明实施例中关键特征量与实际指标之间的关联关系表示图；
图8是本发明实施例中仿真结构显示图；
图9是一种表征变压器健康状态的关键特征量确定系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供了一种表征变压器健康状态的关键特征量确定方法，如图1所示，包括：
步骤101.根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；
步骤102.根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；
步骤103.根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量。
具体的，所述步骤101，包括：
步骤101-1.获取预先构建的输出层节点数为1至Sτ的关键特征提取模型；
步骤101-2.获取预先构建的与1至Sτ的关键特征提取模型分别对应的Sτ个变压器健康状态计算模型；
步骤101-3.将待测变压器的特征量归一化矩阵分别作为Sτ个变压器健康状态计算模型输入层的输入量，获取Sτ个变压器健康状态计算模型输出的变压器的HI值；
步骤101-4.将输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型输出的变压器的HI值与待测变压器的特征量归一化矩阵对应的变压器的标准HI值之间的差值作为待测变压器的特征量归一化矩阵所对应的HI误差序列中第λ个元素，生成待测变压器的特征量归一化矩阵所对应的HI误差序列；
步骤101-5.将待测变压器的特征量归一化矩阵所对应的HI误差序列中各元素与第一预设值做差，获取待测变压器的特征量归一化矩阵所对应的HI标准差值序列；
步骤101-5.从待测变压器的特征量归一化矩阵所对应的HI标准差值序列中第一个元素开始，寻找首个均小于0的连续元素值的序列片段，并获取所述序列片段中任一元素值所对应的关键特征提取模型；
步骤101-6.将待测变压器的特征量归一化矩阵代入所述关键特征提出模型中，获取待测变压器的特征成分分析矩阵；
其中，所述输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的输入层结构为预先构建的输出层节点数为λ的关键特征提取模型，λ∈(1～Sτ)，Sτ为变压器的特征量种类数。
在构建关键特征提取模型时，传统的方法采用单隐层前馈神经网络进行训练，在其训练过程中每一个参数均需要调整，调整的方法主要是基于梯度下降的方法，但由于不恰当的步长将会使训练时间过长，同时还可能存在局部最小值的现象，因此需要大量的迭代学习，在参数维度过高，网络较复杂时，网络训练速度将会很慢，极大地限制该算法在工程实际中的应用。为避免上述问题，本发明采用随机配置网络的方法来进行关键特征提取模型的构建。
随机配置网络(Stochastis Configuration Networks,SCN)在网络结构上和传统的单隐层前馈神经网络(single-hidden layer feedforward neural networks,SLFNs)没有区别，即仍然是采用输入层、隐含层和输出层的三层结构，且层与层之间采取完全连接，其网络结构如附图2所示。随机配置网络是极端学习机(Extreme learning machine,ELM)算法的改进，通过设置具有不等式约束的随机参数分配监视机制，自适应地选择随机参数的范围，避免了由于随机参数设置不当，而导致网络无法以很高的概率近似目标函数的情况。保证了所建立的随机学习模型具有普遍的逼近性。
随机配置网络采用隐层节点增量构建的方法逐步构建网络。即不采用固定的结构训练网络模型，而是从一个小规模的网络开始，然后逐步添加隐藏的节点，直到获得可接受的误差。这种方法不需要事先了解给定任务网络的复杂性，具有更高的工程实用价值与可操作性。附图3给出了SCN的网络结构，假设我们已经构建了一个具有P-1隐藏节点的单层前馈网络(SLFN)即，对于前P-1个隐层节点的单层前馈网络，通过随机选取输入节点和隐层节点间的权值ωi以及隐层节点的偏差值bi，计算得到输出层的权重，由于随机确定的输入权重和隐层节点偏差均不需要调整，因此没有迭代的过程，其学习速度是传统的学习算法的成百上千倍，且较传统学习方法具有更好的泛化性能。
本发明采用的基于随机配置网络的特征提取的方法，充分利用了其隐层激活函数非线性的优势，能有效地解决传统主成分分析法拟合精度不足的问题。同时，正是由于随机配置网络算法中参数选取的随机性，还能有效解决由于变压器健康特征量的高维特性而导致的传统神经网络训练时间过长等问题。
以下为基于随机配置网络的方法以及样本变压器的特征量归一化矩阵获取预先构建输出层节点数为λ的关键特征提取模型的具体步骤：
步骤A：初始化θ＝1，并设定初始随机配置网络模型的隐含层节点个数为λ；
步骤B：在第θ次训练期间，随机生成满足第一预设约束条件的初始随机配置网络模型的输入权重矩阵ωλθ和隐含层节点偏差矩阵bλθ；
步骤C：将样本变压器的特征量归一化矩阵X作为初始随机配置网络模型的输入层样本数据，设定初始随机配置网络模型的隐含层输出的样本变压器的特征成分分析矩阵
初始随机配置网络模型的输出权重矩阵
训练所述初始随机配置网络模型，获取第θ次训练期间构建的隐含层节点个数为λ的随机配置网络模型及其输出层的输出矩阵Yθ；
步骤D：计算矩阵X与矩阵Yθ间的误差
步骤E：若θ＝Sε时，则分别将序列
中最小值
所对应的第x次训练期间构建的隐含层节点个数为λ的随机配置网络模型的输入层与隐含层间的模型结构作为输出层节点数为λ的关键特征提取模型的输入层与输出层间的模型结构，获取所述输出层节点数为λ的关键特征提取模型；否则，令θ＝θ+1，并返回步骤B；
其中，b'λθ为λ×N阶矩阵，且b'λθ矩阵中各行元素取值均等同于矩阵bλθ中各行元素取值，
为第θ次训练期间初始随机配置网络模型中随机生成的第λ个隐含层节点的偏差，
为矩阵Hλθ的转置矩阵的最小二乘广义逆矩阵，T为转置符号，
xτi为第i个样本变压器的第τ类特征量的取值，
为第θ次训练期间构建的隐含层节点个数为λ的随机配置网络模型输出的第i个样本变压器的第τ类特征量的取值，
为第θ次训练期间初始随机配置网络模型中随机生成的第λ个隐含层节点与样本变压器的第τ类特征量之间的权重，
为矩阵X与矩阵Yθ间第i个样本变压器的特征量差值，
N为样本变压器的个数，Sε为第一预设训练次数。
再进一步的，按下式确定所述第一预设约束条件：
式中，
将样本变压器的特征量归一化矩阵X输入输出层节点数为λ-1的关键特征提取模型后该模型的输出矩阵与样本变压器的特征量归一化矩阵X之间的第i个样本变压器的特征量差值，r为区间(0,1)内的任一数值；
为了利用上述的随机配置网络结构来进行特征提取时，通过观察SCN网络，可看出SCN网络的隐含层节点输出数据可看作是变压器输入特征量的某些特征的表示形式，我们将SCN网络的隐含层节点输出数据看作变压器输入特征量所对应的关键特征量，那么衡量所得到的关键特征量是否合理，则应该判断是否能通过提取到的关键特征量恢复为原初始特征(变压器输入特征量)。因此，我们需要设置一种如图4所示的自回归形式的随机配置网络模型(即通过设置随机配置网络的隐含层节点个数以及输入权重、输出权重到达随机配置网络的输出层数据与其输入层数据误差尽可能的小，即理想情况时随机配置网络的输出层数据与其输入层数据误差为0)；这样如果隐层节点数小于输入节点个数，则该网络能够达到对输入特征降维的目的，从而实现特征提取。同时通过逐步增加隐层节点的个数可以实现特征成分逐步增加的过程。
因为训练出的随机配置网络结构中隐含层节点的输出为我们提取的关键特征，故将训练出的随机配置网络结构的输入层节点与隐含层节点之间的结构作为关键特征提取模型的输入层与输出层节点之间的结构，获取我们需要的关键特征提取模型；
故而，以上述方法可以训练出输出层节点数目不一的关键特征提取模型，那么输出层节点数目为何值时所训练的关键特征提取模型在表征变压器的健康状态时有效性更强，我们需要将训练出的各个关键特征提取模型分别作为初始极限学习机网络模型的输入层结构，构建各个关键特征提取模型分别对应的变压器健康状态计算模型，如图5所示，再分别计算各个关键特征提取模型所对应的变压器健康状态计算模型的输入的变压器特征量对应的标准HI值与输出的变压器HI值之间的误差，从中选取一个误差值合适的变压器健康状态计算模型及其对应的关键特征提取模型，选取出的关键特征提取模型即可更好的表征变压器的健康状态。
获取与预先构建的输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的训练过程：
步骤1：初始化δ＝1，并设定初始极限学习机网络模型的隐含层节点个数为P；
步骤2：在第δ次训练期间，随机生成初始极限学习机网络模型的输入权重矩阵ωλ,Pδ和隐含层节点偏差矩阵bλ,Pδ；
步骤3：将输出层节点数为λ的关键特征提取模型作为初始极限学习机网络模型的输入层结构，将样本变压器的特征量归一化矩阵X作为初始极限学习机网络模型的输入层样本数据；
设定初始极限学习机网络模型的隐含层输出矩阵
初始极限学习机网络模型的输出权重矩阵
训练所述初始极限学习机网络模型，获取第δ次训练期间构建的极限学习机网络模型及其输出层的输出矩阵HIλ,δ；
步骤4：计算矩阵HIλ与矩阵HIλ,δ之间的误差
步骤5：当δ≠Sδ时，令δ＝δ+1，并返回步骤2；否则将序列
中最小值
所对应的第v次训练期间构建的极限学习机网络模型作为与预先构建的输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型；
其中，
为第δ次训练期间初始极限学习机网络模型中的第P个隐含层节点与矩阵Hλx中第λ行特征成分之间的权重，Hλx为将样本变压器的特征量归一化矩阵X代入输出层节点数为λ的关键特征提取模型后该模型的输出矩阵，
为第δ次训练期间构建的极限学习机网络模型输出的第i个样本变压器的特征量矩阵对应的HI值，HIi为第i个样本变压器的特征量矩阵对应的HI值，
T为转置符号，b'λ,Pδ为P×N阶矩阵，且b'λ,Pδ中各行元素取值均等同于矩阵bλ,Pδ中各行元素取值，
为第δ次训练期间初始极限学习机网络模型中随机生成的第P个隐含层节点的偏差，
为矩阵Hλ,Pδ的转置矩阵的最小二乘广义逆矩阵，i∈(1～N)，N为样本变压器的个数，Sδ为第二预设训练次数。
本发明提供的关键特征提取模型，仅仅可以用于降维从而达到简化计算的目的，将待测变压器的特征量归一化矩阵代入选取出的关键特征提取模型后，该模型输出的待测变压器的特征成分分析矩阵虽在一定程度上可以用于表征变压器健康状态的关键特征量，但是其毕竟不具备实际的物理意义，故而需要利用待测变压器的特征成分分析矩阵获取待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵(该矩阵给出表征变压器健康状态的关键特征量与变压器原特征量之间的关联关系)，其具体步骤如下所示；
步骤102-1.计算待测变压器的特征成分分析矩阵的转置矩阵的最小二乘广义逆矩阵
步骤102-2.根据矩阵
确定待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵
其中，
XT为待测变压器的特征量归一化矩阵的转置矩阵，T为转置符号。
待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵给出表征变压器健康状态的关键特征量与变压器原特征量之间的关联关系，由此可以确定表征待测变压器的健康状态的关键特征量，具体过程如下所示：
若待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素中数值大于第二预设阈值的元素个数超过第三预设阈值，则待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素所对应的特征量为表征待测变压器的健康状态的关键特征量；
其中，τ∈(1～Sτ)，Sτ为变压器的特征量种类数。
针对传统特征提取算法所降维的特征不具有物理含义的问题，本发明通过对变换矩阵进行关联性以及贡献度分析，最终得到具有物理意义的简化的表征变压器健康状态的指标体系。
本发明通过对当前变压器故障诊断研究现状进行分析，针对目前的故障诊断方法考虑因素较为单一的问题，开展了对变压器健康指数指标体系的研究，由于不同的关键特征量反映变压器健康状态的方面不同，针对配电变压器健康状态评价问题，我们需要对变压器健康状态影响因素进行分类，并由此建立一个统一的、系统的、合理的配电变压器评价指标体系，旨在覆盖所有影响变压器健康状态的因素。于是本发明对现有变压器健康状态评价指标情况进行了汇总与分析，将变压器实际的运行状态数据以及现场预防性试验数据作为参考，在考虑传统用于变压器健康状态评估的绝缘油试验数据的基础上，综合考虑其他影响因素的重要性，还增加了其负载信息、设备附件健康状况以及自然因素等影响因素。将影响电力变压器健康的特征量分为四类一级指标，分别为电气性能、理化性能、本体外观及附件性能和自然因素。并依据(QGDW645-2011)《配网设备状态评价导则》、(QGDW644-2011)《配电网状态检修导则》、(DLT596-2005)《电力设备预防性试验规程》等电力行业相关政策、法规、规程以及标准，同时参考诸多专家学者的研究成果与国家电网公司相关项目的研究成果，对四个一级指标进行分类，得到每个以及指标下的二级指标，并由此建立变压器健康状态指标体系。
其中，变压器的电气性能指标包括：变压器的绕组直流电阻相间差、变压器的绕组绝缘电阻、变压器的绕组吸收比、变压器的绕组极化指数、变压器的绕组介损、变压器的绕组电容量变化等级、变压器的电容性套管介损、变压器的电容型套管绝缘电阻、变压器的电容型套管电容值变化等级、变压器的电容型套管末屏绝缘电阻变化等级、变压器的铁芯接地电流、变压器的铁芯绝缘电阻、变压器的空载损耗变化等级、变压器的空载电流变化等级、变压器的负载损耗变化等级、变压器的阻抗电压变化等级、变压器的油中击穿电压、变压器的负载率等级、变压器的低电压等级、变压器的三相不平衡率；
变压器的理化性能指标：变压器的油外观等级、变压器的绝缘油颜色等级、变压器的油中糠醛含量等级、变压器的油泥与沉淀物质量分数等级、变压器的套管引线接头温度、变压器的油中微水含量、变压器的闪点、变压器的油温、变压器的油位、变压器的水溶性酸值、变压器的体积电阻率、变压器的油中氢气含量、变压器的油中甲烷含量、变压器的油中乙烷含量、变压器的油中乙烯含量、变压器的油中乙炔含量、变压器的油中二氧化碳含量、变压器的油中一氧化碳含量、变压器的油中总烃含量、变压器的油中气体含量；
变压器的本体外观及附件性能包括：变压器的呼吸器硅胶颜色等级、变压器的本体外观完整程度、变压器的污秽程度、变压器的标识齐全程度、变压器的油箱漏油的密封性检查指数、变压器的锈蚀程度、变压器的振动程度、变压器的噪声程度、变压器的套管外观损坏程度、变压器的油箱外观损坏程度、变压器的接地引下线外观损坏程度、变压器的绕组变形等级、变压器的有载调压器评价等级、变压器的体积继电器评价等级、变压器的冷却器评价等级、变压器的测温装置评价等级；
变压器的自然因素指标包括：变压器的雷击大风气象指数。
因此，设定本发明的变压器特征量，包括：变压器的绕组直流电阻相间差、变压器的绕组绝缘电阻、变压器的绕组吸收比、变压器的绕组极化指数、变压器的绕组介损、变压器的绕组电容量变化等级、变压器的电容性套管介损、变压器的电容型套管绝缘电阻、变压器的电容型套管电容值变化等级、变压器的电容型套管末屏绝缘电阻变化等级、变压器的铁芯接地电流、变压器的铁芯绝缘电阻、变压器的空载损耗变化等级、变压器的空载电流变化等级、变压器的负载损耗变化等级、变压器的阻抗电压变化等级、变压器的油中击穿电压、变压器的负载率等级、变压器的低电压等级、变压器的三相不平衡率、变压器的呼吸器硅胶颜色等级、变压器的本体外观完整程度、变压器的污秽程度、变压器的标识齐全程度、变压器的油箱漏油的密封性检查指数、变压器的锈蚀程度、变压器的振动程度、变压器的噪声程度、变压器的套管外观损坏程度、变压器的油箱外观损坏程度、变压器的接地引下线外观损坏程度、变压器的油外观等级、变压器的绝缘油颜色等级、变压器的油中糠醛含量等级、变压器的油泥与沉淀物质量分数等级、变压器的套管引线接头温度、变压器的油中微水含量、变压器的闪点、变压器的油温、变压器的油位、变压器的水溶性酸值、变压器的体积电阻率、变压器的绕组变形等级、变压器的有载调压器评价等级、变压器的体积继电器评价等级、变压器的冷却器评价等级、变压器的测温装置评价等级、变压器的油中氢气含量、变压器的油中甲烷含量、变压器的油中乙烷含量、变压器的油中乙烯含量、变压器的油中乙炔含量、变压器的油中二氧化碳含量、变压器的油中一氧化碳含量、变压器的油中总烃含量、变压器的油中气体含量和变压器的雷击大风气象指数。
在本发明的具体实施例中，针对110kV油浸式变压器健康状态指标体系所存在的特征量关联性过强，冗余度过高以及指标体系较为复杂等问题。本发明通过前文所提到的特征提取的方法，对所选取的110kV油浸式变压器绕组直流电阻相间差、绕组绝缘电阻、电容性套管介损、油温、闪点、油中击穿电压、变压器附件评价等级以及油中气体含量等57维110kV油浸式变压器健康状态特征量进行特征提取，以达到去除冗余指标简化指标体系的目的。项目团队对某省某市8个变电站，共17台变压器，包括近五年新投入使用的变电站和投入运行十年，十五年以及二十年的变电站例行检修台账及故障数据进行收集整理，并通过健康指数计算平台分别计算得出各台变压器在相应记录时刻的健康指数值。最终将采集得到供437个样本，在Matlab 2014a仿真环境下进行特征提取对比实验。通过逐个增加特征成分来对比不同算法对于健康指数计算误差的影响。最终所得到的仿真结果如图6所示，由图6中的仿真结果可知，随着特征成分数量的增加，三种特征提取算法对于健康指数的估算误差整体均呈现最初下降明显，后渐渐趋于稳定的趋势。但是，基于极限学习机(ELM)的方法明显较其余两种方法波动幅度大。其原因时ELM网络的参数均是随机选取，且没有任何约束，因此对于网络的拟合效果，将存在很大的随机性，容易出现网络拟合性能得不到保障的情况。而基于随机配置网络(SCN)的方法，是在ELM基础上的改进，其随机参数的选取是在前一次网络的基础上结合前一次网络拟合误差所确定的，因此能够较好的保证网络拟合性能，误差曲线将会更加平稳。
然而，从变压器健康指数预测误差方面来看，前文提到的前馈神经网络隐含层节点激活函数的非线性特征，无论是基于神经网络的极限学习机(ELM)还是基于随机配置网络(SCN)的方法，其对于变压器健康指数预测的误差将明显优于传统的主成分分析法(PCA)。对较为平稳的PCA与SCN估算结果进行统计，表1给出了随着特征成分的增加，PCA与SCN拟合误差的具体值。对于110kV油浸式变压器健康指数计算的误差值结果，可以很明显地看出SCN算法在估算误差上的优越性。
表1
| 特征成分数量 | 1 | 2 | 3 | 4 | 5 | 6 |
| PCA | 1.848 | 1.368 | 1.294 | 1.334 | 1.201 | 1.191 |
| SCN | 1.186 | 1.127 | 1.059 | 0.687 | 0.670 | 0.669 |
| 7 | 8 | 9 | 10 | … | 56 | 57 |
| 1.140 | 1.114 | 1.182 | 1.167 | … | 1.127 | 1.115 |
| 0.669 | 0.696 | 0.734 | 0.741 | … | 0.710- | 0.700 |
结合较为平稳的PCA与SCN图形以及表1数据可以直观看出，在特征成分为8的时候健康指数估算误差基本趋于稳定。可以得出通过前述特征提取算法，得到最小的简化关键特征个数为8维。
但目前基于特征提取算法所得到的关键特征均是57维实际物理特征量通过变换后得到的结果，并没有实际物理含义。为了达到本文简化实际物理特征的目的，在特征提取的过程所形成的自回归神经网络中，我们可以得到所提取的关键特征量与实际特征量所对应的输出变换矩阵，而输出变换矩阵中的数值大小则表示了关键特征量与实际指标的关联程度，同时也是实际指标在变换形成简化的关键特征时贡献程度大小的体现。因此，如果将所得到的变换矩阵中的数值归一化到[0,1]区间，并得到如图7所示的关键特征量与实际指标之间的关联关系表示图，则通过图中颜色的深浅可以表示没有物理含义的关键特征成分与实际物理特征量之间关联程度的大小，同时也能反应实际物理特征量对提取到的关键特征成分的贡献程度高低。图7中横轴从左至右表示特征成分依次递增，纵轴57维具有实际物理意义的变压器健康特征量的编号。
由图7中色块颜色的深浅程度随着关键特征成分个数变化趋势可见，在关键特征成分数较少时，对应于编号37(油中微水含量)、39(油温)、36(套管引线接头温度)、53(二氧化碳)、54(一氧化碳)、55(总烃)、56(油中气体含量)、57(雷击大风)等对于特征提取算法所提取到的关键特征成分的贡献程度较高，是衡量变压器健康状态的重要特征量。随着所提取关键状态成分数的增加，色彩较深的色块也逐渐增加，而色块的出现也呈现一定的变化趋势。以油中气体含量以及总烃含量为例，随着特征成分的增加，其将不再作为关键特征量出现在色块中，这是由于氢气、甲烷、乙炔的出现，总烃以及油中气体含量可由其他气体加和得到，特征提取算法将其作为冗余量去除。为了更加直观的反应色块的变化趋势，图8把色块的变化趋势与特征提取算法误差变化趋势进行了对比。
可见以特征成分数7以及19为分界点，色块将大幅增加。结合误差变化图可以将其划分为欠拟合区、标准拟合区和过拟合区。当特征成分数较少时，对于健康指数的计算误差大；而特征成分过多时，结合色块分布图对应纵坐标所选取的衡量变压器健康状态的关键特征量过多，指标之间冗余与关联性程度高，达不到简化变压器健康状态指标体系的目的。因此，将选取标准拟合区中纵轴所对应的变压器特征量作为本文最终选取得到的简化关键特征如表2所示。
表2
| 序号 | 所属类别 | 特征量名称 | 序号 | 所属类别 | 特征量名称 |
| 1 | 电气性能 | 绕组直流电阻相间差 | 37 | 理化性能 | 油中微水含量 |
| 2 | 电气性能 | 绕组绝缘电阻 | 39 | 理化性能 | 油温 |
| 7 | 电气性能 | 电容性套管介损 | 40 | 理化性能 | 油位 |
| 11 | 电气性能 | 铁芯接地电流 | 41 | 理化性能 | 水溶性酸值 |
| 12 | 电气性能 | 铁芯绝缘电阻 | 42 | 理化性能 | 体积电阻率 |
| 13 | 电气性能 | 空载损耗变化等级 | 43 | 本体外观及附件性能 | 绕组变形等级 |
| 14 | 电气性能 | 空载电流变化等级 | 45 | 本体外观及附件性能 | 气体继电器评价等级 |
| 15 | 电气性能 | 负载损耗变化等级 | 48 | 理化性能 | 氢气 |
| 16 | 电气性能 | 阻抗电压变化等级 | 49 | 理化性能 | 甲烷 |
| 17 | 电气性能 | 油中击穿电压 | 50 | 理化性能 | 乙烷 |
| 18 | 电气性能 | 负载率等级 | 51 | 理化性能 | 乙烯 |
| 19 | 电气性能 | 低电压等级 | 52 | 理化性能 | 乙炔 |
| 20 | 电气性能 | 三相不平衡率 | 53 | 理化性能 | 二氧化碳 |
| 21 | 本体外观及附件性能 | 呼吸器硅胶颜色等级 | 54 | 理化性能 | 一氧化碳 |
| 25 | 本体外观及附件性能 | 密封性检查 | 56 | 理化性能 | 油中气体含量 |
| 32 | 理化性能 | 油外观等级 | 57 | 自然因素 | 雷击大风 |
| 36 | 理化性能 | 套管引线接头温度 |
本发明提供一种表征变压器健康状态的关键特征量确定系统，如图9所示，所述系统包括：
第一确定模块，用于根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；
第二确定模块，用于根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；
第三确定模块，用于根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量。
具体的，所述第一确定模块，包括：
第一获取单元，用于获取预先构建的输出层节点数为1至Sτ的关键特征提取模型；
第二获取单元，用于获取预先构建的与1至Sτ的关键特征提取模型分别对应的Sτ个变压器健康状态计算模型；
第三获取单元，用于将待测变压器的特征量归一化矩阵分别作为Sτ个变压器健康状态计算模型输入层的输入量，获取Sτ个变压器健康状态计算模型输出的变压器的HI值；
生成单元，用于将输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型输出的变压器的HI值与待测变压器的特征量归一化矩阵对应的变压器的标准HI值之间的差值作为待测变压器的特征量归一化矩阵所对应的HI误差序列中第λ个元素，生成待测变压器的特征量归一化矩阵所对应的HI误差序列；
第四获取单元，用于将待测变压器的特征量归一化矩阵所对应的HI误差序列中各元素与第一预设值做差，获取待测变压器的特征量归一化矩阵所对应的HI标准差值序列；
第五获取单元，用于从待测变压器的特征量归一化矩阵所对应的HI标准差值序列中第一个元素开始，寻找首个均小于0的连续元素值的序列片段，并获取所述序列片段中任一元素值所对应的关键特征提取模型；
第六获取单元，用于将待测变压器的特征量归一化矩阵代入所述关键特征提出模型中，获取待测变压器的特征成分分析矩阵；
其中，所述输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的输入层结构为预先构建的输出层节点数为λ的关键特征提取模型，λ∈(1～Sτ)，Sτ为变压器的特征量种类数。
具体的，所述系统还包括，用于预先构建输出层节点数为λ的关键特征提取模型的第一模型构建模块，包括：
第一初始化单元，用于初始化θ＝1，并设定初始随机配置网络模型的隐含层节点个数为λ；
第一随时生成单元，用于在第θ次训练期间，随机生成满足第一预设约束条件的初始随机配置网络模型的输入权重矩阵ωλθ和隐含层节点偏差矩阵bλθ；
第一设定单元，用于将样本变压器的特征量归一化矩阵X作为初始随机配置网络模型的输入层样本数据，设定初始随机配置网络模型的隐含层输出的样本变压器的特征成分分析矩阵
初始随机配置网络模型的输出权重矩阵
训练所述初始随机配置网络模型，获取第θ次训练期间构建的隐含层节点个数为λ的随机配置网络模型及其输出层的输出矩阵Yθ；
第一误差计算单元，用于计算矩阵X与矩阵Yθ间的误差
第一模型获取单元，用于若θ＝Sε时，则分别将序列
中最小值
所对应的第x次训练期间构建的隐含层节点个数为λ的随机配置网络模型的输入层与隐含层间的模型结构作为输出层节点数为λ的关键特征提取模型的输入层与输出层间的模型结构，获取所述输出层节点数为λ的关键特征提取模型；否则，令θ＝θ+1，并返回步骤B；
其中，b'λθ为λ×N阶矩阵，且b'λθ矩阵中各行元素取值均等同于矩阵bλθ中各行元素取值，
为第θ次训练期间初始随机配置网络模型中随机生成的第λ个隐含层节点的偏差，
为矩阵Hλθ的转置矩阵的最小二乘广义逆矩阵，T为转置符号，
xτi为第i个样本变压器的第τ类特征量的取值，
为第θ次训练期间构建的隐含层节点个数为λ的随机配置网络模型输出的第i个样本变压器的第τ类特征量的取值，
为第θ次训练期间初始随机配置网络模型中随机生成的第λ个隐含层节点与样本变压器的第τ类特征量之间的权重，
为矩阵X与矩阵Yθ间第i个样本变压器的特征量差值，
i∈(1～N)，N为样本变压器的个数，Sε为第一预设训练次数。
具体的，按下式确定所述第一预设约束条件：
式中，
将样本变压器的特征量归一化矩阵X输入输出层节点数为λ-1的关键特征提取模型后该模型的输出矩阵与样本变压器的特征量归一化矩阵X之间的第i个样本变压器的特征量差值，r为区间(0,1)内的任一数值；
具体的，所述系统还包括用于预先构建与输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的第二模型构建单元，包括：
第二初始化单元，用于初始化δ＝1，并设定初始极限学习机网络模型的隐含层节点个数为P；
第二随时生成单元，用于在第δ次训练期间，随机生成初始极限学习机网络模型的输入权重矩阵ωλ,Pδ和隐含层节点偏差矩阵bλ,Pδ；
第二设定单元，用于将输出层节点数为λ的关键特征提取模型作为初始极限学习机网络模型的输入层结构，将样本变压器的特征量归一化矩阵X作为初始极限学习机网络模型的输入层样本数据；
设定初始极限学习机网络模型的隐含层输出矩阵
初始极限学习机网络模型的输出权重矩阵
训练所述初始极限学习机网络模型，获取第δ次训练期间构建的极限学习机网络模型及其输出层的输出矩阵HIλ,δ；
第二误差计算单元，用于计算矩阵HIλ与矩阵HIλ,δ之间的误差
第二模型获取单元，用于当δ≠Sδ时，令δ＝δ+1，并返回步骤2；否则将序列
中最小值
所对应的第v次训练期间构建的极限学习机网络模型作为与输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型；
其中，
为第δ次训练期间初始极限学习机网络模型中的第P个隐含层节点与矩阵Hλx中第λ行特征成分之间的权重，Hλx为将样本变压器的特征量归一化矩阵X代入输出层节点数为λ的关键特征提取模型后该模型的输出矩阵，
HIλ＝[HI1…HIi…HIN]T，
为第δ次训练期间构建的极限学习机网络模型输出的第i个样本变压器的特征量矩阵对应的HI值，HIi为第i个样本变压器的特征量矩阵对应的HI值，
T为转置符号，b'λ,Pδ为P×N阶矩阵，且b'λ,Pδ中各行元素取值均等同于矩阵bλ,Pδ中各行元素取值，
为第δ次训练期间初始极限学习机网络模型中随机生成的第P个隐含层节点的偏差，
为矩阵Hλ,Pδ的转置矩阵的最小二乘广义逆矩阵，i∈(1～N)，N为样本变压器的个数，Sδ为第二预设训练次数。
具体的，所述第二确定模块，包括：
计算单元，用于计算待测变压器的特征成分分析矩阵的转置矩阵的最小二乘广义逆矩阵
第一确定单元，用于根据矩阵
确定待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵
其中，
XT为待测变压器的特征量归一化矩阵的转置矩阵，T为转置符号。
具体的，所述第三确定模块，用于：
若待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素中数值大于第二预设阈值的元素个数超过第三预设阈值，则待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素所对应的特征量为表征待测变压器的健康状态的关键特征量；
其中，τ∈(1～Sτ)，Sτ为变压器的特征量种类数。
具体的，所述变压器特征量，包括：变压器的绕组直流电阻相间差、变压器的绕组绝缘电阻、变压器的绕组吸收比、变压器的绕组极化指数、变压器的绕组介损、变压器的绕组电容量变化等级、变压器的电容性套管介损、变压器的电容型套管绝缘电阻、变压器的电容型套管电容值变化等级、变压器的电容型套管末屏绝缘电阻变化等级、变压器的铁芯接地电流、变压器的铁芯绝缘电阻、变压器的空载损耗变化等级、变压器的空载电流变化等级、变压器的负载损耗变化等级、变压器的阻抗电压变化等级、变压器的油中击穿电压、变压器的负载率等级、变压器的低电压等级、变压器的三相不平衡率、变压器的呼吸器硅胶颜色等级、变压器的本体外观完整程度、变压器的污秽程度、变压器的标识齐全程度、变压器的油箱漏油的密封性检查指数、变压器的锈蚀程度、变压器的振动程度、变压器的噪声程度、变压器的套管外观损坏程度、变压器的油箱外观损坏程度、变压器的接地引下线外观损坏程度、变压器的油外观等级、变压器的绝缘油颜色等级、变压器的油中糠醛含量等级、变压器的油泥与沉淀物质量分数等级、变压器的套管引线接头温度、变压器的油中微水含量、变压器的闪点、变压器的油温、变压器的油位、变压器的水溶性酸值、变压器的体积电阻率、变压器的绕组变形等级、变压器的有载调压器评价等级、变压器的体积继电器评价等级、变压器的冷却器评价等级、变压器的测温装置评价等级、变压器的油中氢气含量、变压器的油中甲烷含量、变压器的油中乙烷含量、变压器的油中乙烯含量、变压器的油中乙炔含量、变压器的油中二氧化碳含量、变压器的油中一氧化碳含量、变压器的油中总烃含量、变压器的油中气体含量和变压器的雷击大风气象指数。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种表征变压器健康状态的关键特征量确定方法，其特征在于，所述方法包括：
根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；
根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；
根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量。
2.如权利要求1所述的方法，其特征在于，所述根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵，包括：
获取预先构建的输出层节点数为1至Sτ的关键特征提取模型；
获取预先构建的与1至Sτ的关键特征提取模型分别对应的Sτ个变压器健康状态计算模型；
将待测变压器的特征量归一化矩阵分别作为Sτ个变压器健康状态计算模型输入层的输入量，获取Sτ个变压器健康状态计算模型输出的变压器的HI值；
将输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型输出的变压器的HI值与待测变压器的特征量归一化矩阵对应的变压器的标准HI值之间的差值作为待测变压器的特征量归一化矩阵所对应的HI误差序列中第λ个元素，生成待测变压器的特征量归一化矩阵所对应的HI误差序列；
将待测变压器的特征量归一化矩阵所对应的HI误差序列中各元素与第一预设值做差，获取待测变压器的特征量归一化矩阵所对应的HI标准差值序列；
从待测变压器的特征量归一化矩阵所对应的HI标准差值序列中第一个元素开始，寻找首个均小于0的连续元素值的序列片段，并获取所述序列片段中任一元素值所对应的关键特征提取模型；
将待测变压器的特征量归一化矩阵代入所述关键特征提出模型中，获取待测变压器的特征成分分析矩阵；
其中，所述输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的输入层结构为预先构建的输出层节点数为λ的关键特征提取模型，λ∈(1～Sτ)，Sτ为变压器的特征量种类数。
3.如权利要求2所述的方法，其特征在于，预先构建的输出层节点数为λ的关键特征提取模型的训练过程，包括：
步骤A：初始化θ＝1，并设定初始随机配置网络模型的隐含层节点个数为λ；
步骤B：在第θ次训练期间，随机生成满足第一预设约束条件的初始随机配置网络模型的输入权重矩阵ωλθ和隐含层节点偏差矩阵bλθ；
步骤C：将样本变压器的特征量归一化矩阵X作为初始随机配置网络模型的输入层样本数据，设定初始随机配置网络模型的隐含层输出的样本变压器的特征成分分析矩阵
初始随机配置网络模型的输出权重矩阵
训练所述初始随机配置网络模型，获取第θ次训练期间构建的隐含层节点个数为λ的随机配置网络模型及其输出层的输出矩阵Yθ；
步骤D：计算矩阵X与矩阵Yθ间的误差
步骤E：若θ＝Sε时，则分别将序列
中最小值
所对应的第x次训练期间构建的隐含层节点个数为λ的随机配置网络模型的输入层与隐含层间的模型结构作为输出层节点数为λ的关键特征提取模型的输入层与输出层间的模型结构，获取所述输出层节点数为λ的关键特征提取模型；否则，令θ＝θ+1，并返回步骤B；
其中，b'λθ为λ×N阶矩阵，且b'λθ矩阵中各行元素取值均等同于矩阵bλθ中各行元素取值，
为第θ次训练期间初始随机配置网络模型中随机生成的第λ个隐含层节点的偏差，
为矩阵Hλθ的转置矩阵的最小二乘广义逆矩阵，T为转置符号，
xτi为第i个样本变压器的第τ类特征量的取值，
为第θ次训练期间构建的隐含层节点个数为λ的随机配置网络模型输出的第i个样本变压器的第τ类特征量的取值，
为第θ次训练期间初始随机配置网络模型中随机生成的第λ个隐含层节点与样本变压器的第τ类特征量之间的权重，
为矩阵X与矩阵Yθ间第i个样本变压器的特征量差值，
N为样本变压器的个数，Sε为第一预设训练次数。
4.如权利要求3所述的方法，其特征在于，按下式确定所述第一预设约束条件：
式中，
将样本变压器的特征量归一化矩阵X输入输出层节点数为λ-1的关键特征提取模型后该模型的输出矩阵与样本变压器的特征量归一化矩阵X之间的第i个样本变压器的特征量差值，r为区间(0,1)内的任一数值；
5.如权利要求2所述的方法，其特征在于，与输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的训练过程，包括：
步骤1：初始化δ＝1，并设定初始极限学习机网络模型的隐含层节点个数为P；
步骤2：在第δ次训练期间，随机生成初始极限学习机网络模型的输入权重矩阵ωλ,Pδ和隐含层节点偏差矩阵bλ,Pδ；
步骤3：将输出层节点数为λ的关键特征提取模型作为初始极限学习机网络模型的输入层结构，将样本变压器的特征量归一化矩阵X作为初始极限学习机网络模型的输入层样本数据；
设定初始极限学习机网络模型的隐含层输出矩阵
初始极限学习机网络模型的输出权重矩阵
训练所述初始极限学习机网络模型，获取第δ次训练期间构建的极限学习机网络模型及其输出层的输出矩阵HIλ,δ；
步骤4：计算矩阵HIλ与矩阵HIλ,δ之间的误差
步骤5：当δ≠Sδ时，令δ＝δ+1，并返回步骤2；否则将序列
中最小值
所对应的第v次训练期间构建的极限学习机网络模型作为与输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型；
其中，
为第δ次训练期间初始极限学习机网络模型中的第P个隐含层节点与矩阵Hλx中第λ行特征成分之间的权重，Hλx为将样本变压器的特征量归一化矩阵X代入输出层节点数为λ的关键特征提取模型后该模型的输出矩阵，
HIλ＝[HI1 … HIi … HIN]T，
为第δ次训练期间构建的极限学习机网络模型输出的第i个样本变压器的特征量矩阵对应的HI值，HIi为第i个样本变压器的特征量矩阵对应的HI值，
T为转置符号，b'λ,Pδ为P×N阶矩阵，且b'λ,Pδ中各行元素取值均等同于矩阵bλ,Pδ中各行元素取值，
为第δ次训练期间初始极限学习机网络模型中随机生成的第P个隐含层节点的偏差，
为矩阵Hλ,Pδ的转置矩阵的最小二乘广义逆矩阵，i∈(1～N)，N为样本变压器的个数，Sδ为第二预设训练次数。
6.如权利要求1所述的方法，其特征在于，所述根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵，包括：
计算待测变压器的特征成分分析矩阵的转置矩阵的最小二乘广义逆矩阵
根据矩阵
确定待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵
其中，
XT为待测变压器的特征量归一化矩阵的转置矩阵，T为转置符号。
7.如权利要求1所述的方法，其特征在于，所述根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量，包括：
若待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素中数值大于第二预设阈值的元素个数超过第三预设阈值，则待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素所对应的特征量为表征待测变压器的健康状态的关键特征量；
其中，τ∈(1～Sτ)，Sτ为变压器的特征量种类数。
8.如权利要求1所述的方法，其特征在于，所述变压器特征量，包括：变压器的绕组直流电阻相间差、变压器的绕组绝缘电阻、变压器的绕组吸收比、变压器的绕组极化指数、变压器的绕组介损、变压器的绕组电容量变化等级、变压器的电容性套管介损、变压器的电容型套管绝缘电阻、变压器的电容型套管电容值变化等级、变压器的电容型套管末屏绝缘电阻变化等级、变压器的铁芯接地电流、变压器的铁芯绝缘电阻、变压器的空载损耗变化等级、变压器的空载电流变化等级、变压器的负载损耗变化等级、变压器的阻抗电压变化等级、变压器的油中击穿电压、变压器的负载率等级、变压器的低电压等级、变压器的三相不平衡率、变压器的呼吸器硅胶颜色等级、变压器的本体外观完整程度、变压器的污秽程度、变压器的标识齐全程度、变压器的油箱漏油的密封性检查指数、变压器的锈蚀程度、变压器的振动程度、变压器的噪声程度、变压器的套管外观损坏程度、变压器的油箱外观损坏程度、变压器的接地引下线外观损坏程度、变压器的油外观等级、变压器的绝缘油颜色等级、变压器的油中糠醛含量等级、变压器的油泥与沉淀物质量分数等级、变压器的套管引线接头温度、变压器的油中微水含量、变压器的闪点、变压器的油温、变压器的油位、变压器的水溶性酸值、变压器的体积电阻率、变压器的绕组变形等级、变压器的有载调压器评价等级、变压器的体积继电器评价等级、变压器的冷却器评价等级、变压器的测温装置评价等级、变压器的油中氢气含量、变压器的油中甲烷含量、变压器的油中乙烷含量、变压器的油中乙烯含量、变压器的油中乙炔含量、变压器的油中二氧化碳含量、变压器的油中一氧化碳含量、变压器的油中总烃含量、变压器的油中气体含量和变压器的雷击大风气象指数。
9.一种表征变压器健康状态的关键特征量确定系统，其特征在于，所述系统包括：
第一确定模块，用于根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；
第二确定模块，用于根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；
第三确定模块，用于根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量。
10.如权利要求9所述的系统，其特征在于，所述第一确定模块，包括：
第一获取单元，用于获取预先构建的输出层节点数为1至Sτ的关键特征提取模型；
第二获取单元，用于获取预先构建的与1至Sτ的关键特征提取模型分别对应的Sτ个变压器健康状态计算模型；
第三获取单元，用于将待测变压器的特征量归一化矩阵分别作为Sτ个变压器健康状态计算模型输入层的输入量，获取Sτ个变压器健康状态计算模型输出的变压器的HI值；
生成单元，用于将输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型输出的变压器的HI值与待测变压器的特征量归一化矩阵对应的变压器的标准HI值之间的差值作为待测变压器的特征量归一化矩阵所对应的HI误差序列中第λ个元素，生成待测变压器的特征量归一化矩阵所对应的HI误差序列；
第四获取单元，用于将待测变压器的特征量归一化矩阵所对应的HI误差序列中各元素与第一预设值做差，获取待测变压器的特征量归一化矩阵所对应的HI标准差值序列；
第五获取单元，用于从待测变压器的特征量归一化矩阵所对应的HI标准差值序列中第一个元素开始，寻找首个均小于0的连续元素值的序列片段，并获取所述序列片段中任一元素值所对应的关键特征提取模型；
第六获取单元，用于将待测变压器的特征量归一化矩阵代入所述关键特征提出模型中，获取待测变压器的特征成分分析矩阵；
其中，所述输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的输入层结构为预先构建的输出层节点数为λ的关键特征提取模型，λ∈(1～Sτ)，Sτ为变压器的特征量种类数。
11.如权利要求9所述的系统，其特征在于，所述第二确定模块，包括：
计算单元，用于计算待测变压器的特征成分分析矩阵的转置矩阵的最小二乘广义逆矩阵
第一确定单元，用于根据矩阵
确定待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵
其中，
XT为待测变压器的特征量归一化矩阵的转置矩阵，T为转置符号。
12.如权利要求9所述的系统，其特征在于，所述第三确定模块，用于：
若待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素中数值大于第二预设阈值的元素个数超过第三预设阈值，则待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素所对应的特征量为表征待测变压器的健康状态的关键特征量；
其中，τ∈(1～Sτ)，Sτ为变压器的特征量种类数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010458817.9A CN111797566A (zh) | 2020-05-27 | 2020-05-27 | 一种表征变压器健康状态的关键特征量确定方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010458817.9A CN111797566A (zh) | 2020-05-27 | 2020-05-27 | 一种表征变压器健康状态的关键特征量确定方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797566A true CN111797566A (zh) | 2020-10-20 |
Family
ID=72806295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010458817.9A Pending CN111797566A (zh) | 2020-05-27 | 2020-05-27 | 一种表征变压器健康状态的关键特征量确定方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797566A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113985217A (zh) * | 2021-07-26 | 2022-01-28 | 中国电力科学研究院有限公司 | 一种用于确定最优起晕参数的方法及系统 |
| CN114860540A (zh) * | 2022-04-29 | 2022-08-05 | 中国电子科技集团公司第五十四研究所 | 一种云数据中心服务器健康度评估方法 |
| WO2022214201A1 (en) * | 2021-04-09 | 2022-10-13 | Hitachi Energy Switzerland Ag | Determining states of electrical equipment using variations in diagnostic parameter prediction error |
| CN117574782A (zh) * | 2024-01-16 | 2024-02-20 | 国网湖北省电力有限公司电力科学研究院 | 基于变压器参数判断绕组材质的方法、装置、系统及介质 |
| CN118378553A (zh) * | 2024-06-25 | 2024-07-23 | 国网安徽省电力有限公司超高压分公司 | 一种数字孪生模型构建方法及系统 |
-
2020
- 2020-05-27 CN CN202010458817.9A patent/CN111797566A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022214201A1 (en) * | 2021-04-09 | 2022-10-13 | Hitachi Energy Switzerland Ag | Determining states of electrical equipment using variations in diagnostic parameter prediction error |
| CN113985217A (zh) * | 2021-07-26 | 2022-01-28 | 中国电力科学研究院有限公司 | 一种用于确定最优起晕参数的方法及系统 |
| CN113985217B (zh) * | 2021-07-26 | 2023-10-13 | 中国电力科学研究院有限公司 | 一种用于确定最优起晕参数的方法及系统 |
| CN114860540A (zh) * | 2022-04-29 | 2022-08-05 | 中国电子科技集团公司第五十四研究所 | 一种云数据中心服务器健康度评估方法 |
| CN117574782A (zh) * | 2024-01-16 | 2024-02-20 | 国网湖北省电力有限公司电力科学研究院 | 基于变压器参数判断绕组材质的方法、装置、系统及介质 |
| CN117574782B (zh) * | 2024-01-16 | 2024-04-02 | 国网湖北省电力有限公司电力科学研究院 | 基于变压器参数判断绕组材质的方法、装置、系统及介质 |
| CN118378553A (zh) * | 2024-06-25 | 2024-07-23 | 国网安徽省电力有限公司超高压分公司 | 一种数字孪生模型构建方法及系统 |
| CN118378553B (zh) * | 2024-06-25 | 2024-08-27 | 国网安徽省电力有限公司超高压分公司 | 一种数字孪生模型构建方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797566A (zh) | 一种表征变压器健康状态的关键特征量确定方法和系统 | |
| CN106651189B (zh) | 一种基于多层复合规则的变压器状态评价方法 | |
| CN109299551A (zh) | 一种电力变压器状态评估方法 | |
| CN107862114A (zh) | 基于三比值特征量的小波pso‑svm变压器故障诊断方法 | |
| CN103605881A (zh) | 一种基于故障树和层次分析法的电力变压器状态评估方法 | |
| CN102034019A (zh) | 六氟化硫电气设备绝缘状态综合评估的方法 | |
| CN103983757A (zh) | 基于混合Weibull分布的变压器绝缘热老化状态可靠性评估方法 | |
| Jin-qiang | Fault prediction of a transformer bushing based on entropy weight TOPSIS and gray theory | |
| CN104020401A (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
| CN107132310A (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
| CN114372693B (zh) | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 | |
| CN117748507B (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
| CN111062500A (zh) | 一种基于离散模糊数和层次分析法的电力设备评价方法 | |
| CN115271238A (zh) | 一种变压器的寿命预测方法及装置 | |
| CN117849558B (zh) | 电容式电压互感器主电容击穿故障在线监测方法及装置 | |
| CN116973703A (zh) | 干式空心电抗器放电故障与异常运行状态的声学诊断方法 | |
| CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
| CN111814284A (zh) | 基于相关性检测与改进随机森林的在线电压稳定评估方法 | |
| CN114065495A (zh) | 基于逆向云组合权重及模糊贴近度的变压器状态评估方法 | |
| CN117131786A (zh) | 一种电压互感器绝缘故障在线辨识方法 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| Qu et al. | Power transformer oil–paper insulation degradation modelling and prediction method based on functional principal component analysis | |
| Sutikno et al. | Integration of duval pentagon to the multi-method interpretation to improve the accuracy of dissolved gas analysis technique | |
| CN108681835B (zh) | 一种变压器绝缘油劣化状态评估方法 | |
| CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 |
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 |