CN112461942A - 一种高压套管电容芯故障诊断方法及系统 - Google Patents

一种高压套管电容芯故障诊断方法及系统 Download PDF

Info

Publication number
CN112461942A
CN112461942A CN202011079722.2A CN202011079722A CN112461942A CN 112461942 A CN112461942 A CN 112461942A CN 202011079722 A CN202011079722 A CN 202011079722A CN 112461942 A CN112461942 A CN 112461942A
Authority
CN
China
Prior art keywords
neural network
data set
fault
sample data
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.)
Pending
Application number
CN202011079722.2A
Other languages
English (en)
Inventor
张玉波
余长厅
黄之明
卓然
赵坚
颜海俊
傅明利
罗颜
张磊
焦健
成传晖
喻越
熊佳明
王邸博
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.)
China South Power Grid International Co ltd
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
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 China South Power Grid International Co ltd, Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN202011079722.2A priority Critical patent/CN112461942A/zh
Publication of CN112461942A publication Critical patent/CN112461942A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/26—Oils; Viscous liquids; Paints; Inks
    • G01N33/28—Oils, i.e. hydrocarbon liquids
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开了一种高压套管电容芯故障诊断方法及系统，其方法包括：采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行试验分析，获取试验数据集；对所述试验数据集中的每一个试验数据进行故障类型匹配处理，生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。在本发明实施例中，通过利用BP神经网络可辅助实现对电容芯所可能出现的多种故障类型进行精确诊断，实用性较好。

Description

一种高压套管电容芯故障诊断方法及系统
技术领域
本发明涉及故障检测技术领域，尤其涉及一种高压套管电容芯故障诊断方法及系统。
背景技术
高压套管作为变压器最重要的组件之一，是电力变压器出线装置的关键设备，其运行的安全可靠性成为电力系统安全稳定运行的可靠保证。经研究表明，由高压套管故障所导致的220kV变压器、500kV变压器非计划停运数量占总非计划停运数量约25％；非计划停运时间占总非计划停运时间56.5％，说明高压套管是使得变压器发生缺陷或故障频率最高的组件。而对高压套管的检测主要针对内部电容芯，其绝缘性能直接影响高压套管的寿命。电容芯的故障类型有受潮及X蜡故障、受潮故障和X蜡故障，目前对于电容芯受潮故障的研究较多，且已取得具有工程指导意义的成果，但对于电容芯X蜡故障的研究尚无精确诊断方法。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种高压套管电容芯故障诊断方法及系统，通过利用BP神经网络可辅助实现对电容芯可能出现的多种故障类型进行精确诊断，实用性较好。
为了解决上述问题，本发明提出了一种高压套管电容芯故障诊断方法，所述方法包括：
采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行试验分析，获取试验数据集；
对所述试验数据集中的每一个试验数据进行故障类型匹配处理，生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
可选的，所述对所述试验数据集中的每一个试验数据进行故障类型匹配处理，生成样本数据集，并利用所述样本数据集对BP神经网络进行训练包括：
获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量进行归一化处理；
获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
可选的，所述将所述M个特征量中的每一个特征量进行归一化处理包括：
获取所述M个特征量中的最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量的归一化值为：
Figure BDA0002717969090000021
其中，
Figure BDA0002717969090000022
为所述M个特征量中的第i个特征量，
Figure BDA0002717969090000023
为所述M个特征量中的最小特征量，
Figure BDA0002717969090000024
为所述M个特征量中的最大特征量，xi为所述第i个特征量
Figure BDA0002717969090000025
所对应的归一化值。
可选的，所述构建BP神经网络包括：
定义所述BP神经网络的输入层神经元数量为M，确定所述BP神经网络的隐含层神经元数量为：
Figure BDA0002717969090000026
定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
另外，本发明实施例还提供了一种高压套管电容芯故障诊断系统，所述系统包括：
数据获取模块，用于采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行试验分析，获取试验数据集；
网络训练模块，用于对所述试验数据集中的每一个试验数据进行故障类型匹配处理，生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
故障诊断模块，用于基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
可选的，所述网络训练模块包括：
数据处理单元，用于获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量进行归一化处理；
故障编码单元，用于获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
网络构建单元，用于构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
网络训练单元，用于以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
可选的，所述数据处理单元用于获取所述M个特征量中的最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量的归一化值为：
Figure BDA0002717969090000031
其中，
Figure BDA0002717969090000032
为所述M个特征量中的第i个特征量，
Figure BDA0002717969090000033
为所述M个特征量中的最小特征量，
Figure BDA0002717969090000034
为所述M个特征量中的最大特征量，xi为所述第i个特征量
Figure BDA0002717969090000035
所对应的归一化值。
可选的，所述网络构建单元用于定义所述BP神经网络的输入层神经元数量为M，确定所述BP神经网络的隐含层神经元数量为：
Figure BDA0002717969090000036
以及定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
在本发明实施例中，基于BP神经网络所具备的良好学习能力以及较优的信息融合方法，可在足够多样本数据的前提下保证网络的容错性和鲁棒性，以辅助实现对高压套管电容芯所可能出现的多种故障类型进行精确诊断，具备较好的实用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例公开的一种高压套管电容芯故障诊断方法的流程示意图；
图2是本发明实施例公开的各个试验样本所对应的BP神经网络输出故障雷达示意图；
图3是本发明实施例公开的一种高压套管电容芯故障诊断系统的结构组成示意图。
具体实施方式
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，所描述的实施例仅仅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作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。
请参阅图1，图1示出了本发明实施例中的一种高压套管电容芯故障诊断方法的流程示意图；
S101、采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行试验分析，获取试验数据集；
在本发明实施例中，首先获取若干个已知故障类型的高压套管电容芯，并利用油纸对上述若干个高压套管电容芯中的每一个高压套管电容芯绝缘油进行提取；再基于油色谱试验法对油纸上所附着的绝缘油的成分含量进行试验分析，其中绝缘油的成分主要包括甲烷(CH4)、乙烯(C2H4)、乙烷(C2H6)、乙炔(C2H2)、氢气(H2)、一氧化碳(CO)、二氧化碳(CO2)和总烃；最后基于水分试验法对油纸上所附着的绝缘油的水分含量进行试验分析，且以上述提及的九种特征含量作为一个高压套管电容芯的绝缘油试验数据，可最终获取上述若干个高压套管电容芯所形成的试验数据集。
S102、对所述试验数据集中的每一个试验数据进行故障类型匹配处理，生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
本发明实施过程包括如下：
(1)获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量进行归一化处理；
具体的，从所述样本数据集中获取一个样本数据，即其中一个高压套管电容芯的样本数据，再从该样本数据所包含的M个特征量中的最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量的归一化值为：
Figure BDA0002717969090000051
其中，
Figure BDA0002717969090000052
为所述M个特征量中的第i个特征量，
Figure BDA0002717969090000053
为所述M个特征量中的最小特征量，
Figure BDA0002717969090000054
为所述M个特征量中的最大特征量，xi为所述第i个特征量
Figure BDA0002717969090000055
所对应的归一化值。结合步骤S101中的描述，此处的M个特征量实际上为9个特征量。
(2)获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
具体的，所述样本数据集中所包含的若干个高压套管电容芯已划分为四大类：无故障类型的高压套管电容芯yk1、发生受潮故障类型的高压套管电容芯yk2、发生X蜡故障类型的高压套管电容芯yk3和发生受潮及X蜡故障类型的高压套管电容芯yk4，即此处的N个故障类型实际上为4个故障类型。在此基础上，对所述样本数据集中的每一个样本数据k进行故障编码输出为Yk＝[yk1,yk2,yk3,yk4]，且本发明实施例为了使得待构建的BP神经网络具有更好的泛化能力，在实际运算过程中将样本数据k(即高压套管电容芯k)在处于第i种状态的网络输出期望值表示为yki＝0.7,ykj＝0.1(i≠j)，即无故障类型所对应的编码输出为Yk1＝[0.7,0.1,0.1,0.1]，发生受潮故障类型所对应的编码输出为Yk2＝[0.1,0.7,0.1,0.1]，发生X蜡故障类型所对应的编码输出为Yk3＝[0.1,0.1,0.7,0.1]，发生受潮及X蜡故障类型所对应的编码输出为Yk4＝[0.1,0.1,0.1,0.7]，由此生成所述样本数据集所对应的故障编码状态表。
(3)构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
具体的，定义所述BP神经网络的输入层神经元数量为M，可确定所述BP神经网络的隐含层神经元数量为：
Figure BDA0002717969090000061
同时定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，利用MATLAB软件中的神经网络工具箱构建所述BP神经网络。其中，所述BP神经网络的输入层与隐含层之间的激活函数以及隐含层与输出层之间的激活函数均采用S型传递函数，即f(x)＝1/(1+e-x)；此外所述BP神经网络中所设置的训练函数采用梯度下降训练函数，所述训练函数设定最大学习迭代次数为1000次，且在对所述BP神经网络进行训练过程中，若训练次数达到700次时所述训练函数已经趋近于0，判定所述BP神经网络处于收敛状态。
(4)以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
S103、基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
在本发明实施例中，利用步骤S101的操作方法可对待测高压套管电容芯的绝缘油中所包含的各个特征含量进行提取分析，并利用步骤S102中所提及到的归一化处理方式对各个特征含量进行处理，得到样本数据并将其输入到所述训练后的BP神经网络进行故障诊断输出。
此外，本发明实施例通过选取已知故障类型的五支高压套管电容芯作为验证样本，对上述的高压套管电容芯故障诊断方法进行验证，其中无故障类型的验证样本2例、发生受潮故障类型的验证样本1例、发生X蜡故障类型的验证样本1例、发生受潮及X蜡故障类型的验证样本1例，利用步骤S101可得到上述五支高压套管电容芯的各类试验数据如表1所示：
表1各个验证样本的试验数据表
Figure BDA0002717969090000071
再利用步骤S102对表1中的各组试验数据进行归一化处理后得到各组样本数据，并将所述各组样本数据输入至所述训练后的BP神经网络进行故障编码输出，如表2所示：
表2各个试验样本的BP神经网络输出故障编码表
Figure BDA0002717969090000072
Figure BDA0002717969090000081
根据表2所描述的各个试验样本的BP神经网络输出故障编码，利用MATLAB软件可分别绘制出各个试验样本的BP神经网络故障雷达图，如图2所示：验证样本1发生受潮及X蜡故障，其在表2中所对应的故障输出值(yk4)接近于0.7；验证样本2发生受潮故障，其在表2中所对应的故障输出值(yk2)接近于0.7；验证样本3发生X蜡故障，其在表2中所对应的故障输出值(yk3)接近于0.7；验证样本4和验证样本5无故障，其在表2中所对应的故障输出值(yk1)均接近于0.7；再将上述各个试验样本的最终试验结果与表1中的备注内容进行对照，可获知所述训练后的BP神经网络的诊断结果与预期相符，由此验证所述训练后的BP神经网络可以较为准确地判断出高压套管电容芯的状态。
请参阅图3，图3示出了本发明实施例中的一种高压套管电容芯故障诊断系统的结构组成示意图，所述系统包括：
数据获取模块201，用于采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行试验分析，获取试验数据集；
网络训练模块202，用于对所述试验数据集中的每一个试验数据进行故障类型匹配处理，生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
进一步的，所述网络训练模块202包括数据处理单元、故障编码单元、网络构建单元和网络训练单元；其中，所述数据处理单元用于获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量进行归一化处理；所述故障编码单元用于获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；所述网络构建单元用于构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；所述网络训练单元用于以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
具体的，所述数据处理单元用于获取所述M个特征量中的最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量的归一化值为：
Figure BDA0002717969090000091
其中，
Figure BDA0002717969090000092
为所述M个特征量中的第i个特征量，
Figure BDA0002717969090000093
为所述M个特征量中的最小特征量，
Figure BDA0002717969090000094
为所述M个特征量中的最大特征量，xi为所述第i个特征量
Figure BDA0002717969090000095
所对应的归一化值。
具体的，所述网络构建单元用于定义所述BP神经网络的输入层神经元数量为M，确定所述BP神经网络的隐含层神经元数量为：
Figure BDA0002717969090000096
以及定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
故障诊断模块203，用于基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
其中，所述系统被配置用于执行上述的高压套管电容芯故障诊断方法，针对所述系统中的各个模块的具体实施方式请参考图1所示出的方法流程图及具体实施内容，在此不再赘述。
在本发明实施例中，基于BP神经网络所具备的良好学习能力以及较优的信息融合方法，可在足够多样本数据的前提下保证网络的容错性和鲁棒性，以辅助实现对高压套管电容芯所可能出现的多种故障类型进行精确诊断，具备较好的实用价值。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
以上对本发明实施例所提供的一种高压套管电容芯故障诊断方法及系统进行了详细介绍，本文中采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种高压套管电容芯故障诊断方法，其特征在于，所述方法包括：
采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行试验分析，获取试验数据集；
对所述试验数据集中的每一个试验数据进行故障类型匹配处理，生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
2.根据权利要求1所述的高压套管电容芯故障诊断方法，其特征在于，所述对所述试验数据集中的每一个试验数据进行故障类型匹配处理，生成样本数据集，并利用所述样本数据集对BP神经网络进行训练包括：
获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量进行归一化处理；
获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
3.根据权利要求2所述的高压套管电容芯故障诊断方法，其特征在于，所述将所述M个特征量中的每一个特征量进行归一化处理包括：
获取所述M个特征量中的最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量的归一化值为：
Figure FDA0002717969080000011
其中，
Figure FDA0002717969080000012
为所述M个特征量中的第i个特征量，
Figure FDA0002717969080000013
为所述M个特征量中的最小特征量，
Figure FDA0002717969080000014
为所述M个特征量中的最大特征量，xi为所述第i个特征量
Figure FDA0002717969080000015
所对应的归一化值。
4.根据权利要求2所述的高压套管电容芯故障诊断方法，其特征在于，所述构建BP神经网络包括：
定义所述BP神经网络的输入层神经元数量为M，确定所述BP神经网络的隐含层神经元数量为：
Figure FDA0002717969080000021
定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
5.一种高压套管电容芯故障诊断系统，其特征在于，所述系统包括：
数据获取模块，用于采集高压套管电容芯的绝缘油，并基于油色谱试验法与水分试验法对所述绝缘油进行试验分析，获取试验数据集；
网络训练模块，用于对所述试验数据集中的每一个试验数据进行故障类型匹配处理，生成样本数据集，并利用所述样本数据集对BP神经网络进行训练；
故障诊断模块，用于基于训练后的BP神经网络对待测高压套管电容芯进行故障诊断。
6.根据权利要求5所述的高压套管电容芯故障诊断系统，其特征在于，所述网络训练模块包括：
数据处理单元，用于获取所述样本数据集中的每一个样本数据所包含的M个特征量，并将所述M个特征量中的每一个特征量进行归一化处理；
故障编码单元，用于获取所述样本数据集中所包含的N个故障类型，并对所述样本数据集中的每一个样本数据进行故障编码输出，生成故障编码状态表；
网络构建单元，用于构建BP神经网络，并确定所述BP神经网络的激活函数和训练函数；
网络训练单元，用于以所述训练函数的收敛为限定条件，利用归一化处理后的样本数据集与所述故障编码状态表对所述BP神经网络进行训练。
7.根据权利要求6所述的高压套管电容芯故障诊断系统，其特征在于，所述数据处理单元用于获取所述M个特征量中的最小特征量和最大特征量，并计算所述M个特征量中的每一个特征量的归一化值为：
Figure FDA0002717969080000031
其中，
Figure FDA0002717969080000032
为所述M个特征量中的第i个特征量，
Figure FDA0002717969080000033
为所述M个特征量中的最小特征量，
Figure FDA0002717969080000034
为所述M个特征量中的最大特征量，xi为所述第i个特征量
Figure FDA0002717969080000035
所对应的归一化值。
8.根据权利要求6所述的高压套管电容芯故障诊断系统，其特征在于，所述网络构建单元用于定义所述BP神经网络的输入层神经元数量为M，确定所述BP神经网络的隐含层神经元数量为：
Figure FDA0002717969080000036
以及定义所述BP神经网络的输出层神经元数量为N，再基于所述输入层神经元数量、所述隐含层神经元数量和所述输出层神经元数量，构建所述BP神经网络。
CN202011079722.2A 2020-10-10 2020-10-10 一种高压套管电容芯故障诊断方法及系统 Pending CN112461942A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011079722.2A CN112461942A (zh) 2020-10-10 2020-10-10 一种高压套管电容芯故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011079722.2A CN112461942A (zh) 2020-10-10 2020-10-10 一种高压套管电容芯故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN112461942A true CN112461942A (zh) 2021-03-09

Family

ID=74833369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011079722.2A Pending CN112461942A (zh) 2020-10-10 2020-10-10 一种高压套管电容芯故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN112461942A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113702780A (zh) * 2021-08-20 2021-11-26 中国南方电网有限责任公司超高压输电公司大理局 基于bp神经网络的高压电容在线监测方法和装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101408578A (zh) * 2008-11-21 2009-04-15 重庆大学 变压器油纸绝缘多因子加速老化试验装置及试验方法
JP2009168571A (ja) * 2008-01-15 2009-07-30 Jfe Steel Corp 油入変圧器の劣化診断方法
CN103234584A (zh) * 2013-04-27 2013-08-07 中国南方电网有限责任公司超高压输电公司检修试验中心 一种sf6绝缘直流套管故障诊断系统及诊断方法
CN105241497A (zh) * 2015-09-23 2016-01-13 国网山东省电力公司日照供电公司 一种变压器监测系统和故障诊断方法
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN106093725A (zh) * 2016-06-23 2016-11-09 中国电力科学研究院 高压套管电容芯体绝缘性能测试装置
CN106908674A (zh) * 2017-02-17 2017-06-30 国网上海市电力公司 一种基于多状态量预测的变压器状态评估方法
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
CN107329064A (zh) * 2017-08-24 2017-11-07 西南交通大学 一种套管主绝缘多因子联合老化的实验方法
CN107621574A (zh) * 2017-08-25 2018-01-23 西南交通大学 研究负载条件下套管内绝缘水分分布的实验方法
US20180113164A1 (en) * 2015-03-17 2018-04-26 Abb Schweiz Ag Method for Monitoring Transformer Bushings and a System Therefor
CN110045246A (zh) * 2019-04-27 2019-07-23 西南交通大学 一种基于油中纤维的套管老化状态评估方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009168571A (ja) * 2008-01-15 2009-07-30 Jfe Steel Corp 油入変圧器の劣化診断方法
CN101408578A (zh) * 2008-11-21 2009-04-15 重庆大学 变压器油纸绝缘多因子加速老化试验装置及试验方法
CN103234584A (zh) * 2013-04-27 2013-08-07 中国南方电网有限责任公司超高压输电公司检修试验中心 一种sf6绝缘直流套管故障诊断系统及诊断方法
US20180113164A1 (en) * 2015-03-17 2018-04-26 Abb Schweiz Ag Method for Monitoring Transformer Bushings and a System Therefor
CN105241497A (zh) * 2015-09-23 2016-01-13 国网山东省电力公司日照供电公司 一种变压器监测系统和故障诊断方法
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN106093725A (zh) * 2016-06-23 2016-11-09 中国电力科学研究院 高压套管电容芯体绝缘性能测试装置
CN106908674A (zh) * 2017-02-17 2017-06-30 国网上海市电力公司 一种基于多状态量预测的变压器状态评估方法
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
CN107329064A (zh) * 2017-08-24 2017-11-07 西南交通大学 一种套管主绝缘多因子联合老化的实验方法
CN107621574A (zh) * 2017-08-25 2018-01-23 西南交通大学 研究负载条件下套管内绝缘水分分布的实验方法
CN110045246A (zh) * 2019-04-27 2019-07-23 西南交通大学 一种基于油中纤维的套管老化状态评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113702780A (zh) * 2021-08-20 2021-11-26 中国南方电网有限责任公司超高压输电公司大理局 基于bp神经网络的高压电容在线监测方法和装置
CN113702780B (zh) * 2021-08-20 2024-01-19 中国南方电网有限责任公司超高压输电公司大理局 基于bp神经网络的高压电容在线监测方法和装置

Similar Documents

Publication Publication Date Title
CN115563563A (zh) 基于变压器油色谱分析的故障诊断方法及装置
CN116572747B (zh) 电池故障检测方法、装置、计算机设备和存储介质
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
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
CN113655348A (zh) 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
Wang et al. Cable incipient fault identification using restricted Boltzmann machine and stacked autoencoder
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
Ye et al. Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn
CN113987294A (zh) 一种基于遗传优化gru神经网络的cvt在线故障诊断方法
CN115526234A (zh) 基于迁移学习的跨域模型训练与日志异常检测方法及设备
WEI et al. Software defect prediction via deep belief network
CN117494037A (zh) 一种基于变权vae与双通道特征融合的变压器故障诊断方法
CN116011158A (zh) 一种低压台区的拓扑识别方法、系统及装置
CN112461942A (zh) 一种高压套管电容芯故障诊断方法及系统
CN117150383A (zh) 一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法
CN117849558A (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
Wang et al. Multi-source partial discharge diagnosis in gas-insulated switchgear via zero-shot learning
CN117131786B (zh) 一种电压互感器绝缘故障在线辨识方法
CN114358193A (zh) 基于油色谱的变压器状态诊断方法、终端及存储介质
CN117347916A (zh) 一种基于参数辨识的绕组结构故障定位方法及装置
CN108681835B (zh) 一种变压器绝缘油劣化状态评估方法
CN115291039B (zh) 一种谐振接地系统单相接地故障选线方法
CN111650549B (zh) 现场电表故障识别方法及移动设备可读储存介质
CN113052249B (zh) 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法
CN113092934A (zh) 基于聚类和lstm的单相接地故障判定方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210309