CN112729531A - 配电变压器设备故障研判方法及系统 - Google Patents
配电变压器设备故障研判方法及系统 Download PDFInfo
- Publication number
- CN112729531A CN112729531A CN202011564994.1A CN202011564994A CN112729531A CN 112729531 A CN112729531 A CN 112729531A CN 202011564994 A CN202011564994 A CN 202011564994A CN 112729531 A CN112729531 A CN 112729531A
- Authority
- CN
- China
- Prior art keywords
- distribution transformer
- signal
- frequency component
- model
- vibration
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种配电变压器设备故障研判方法,涉及配电网电力设备故障检测领域,用于解决现有故障预测不准确且适用性不强的问题,该方法包括以下步骤:接收振动信号;对所述振动信号进行局部均值分解,得到单分量信号;对所述单分量信号进行分类,将分类后的单分量信号输入若干预设模型进行配电变压器振动信号未来趋势的预测;得到配电变压器振动信号未来趋势预测结果。本发明还公开了一种配电变压器设备故障研判系统。本发明通过对原始振动信号进行局部均值分解,进而得到变压器振动信号未来趋势预测结果,有效地提高了预测精度,能够及时对潜在变压器故障发出预警信息,满足电力变压器故障诊断需求。
Description
技术领域
本发明涉及配电网电力设备故障检测领域,尤其涉及一种配电变压器设备故障研判方法及系统。
背景技术
配电变压器是配电系统中的重要设备,如果配电变压器在运行过程中出现故障,不仅会阻碍变压器自身的运行,还会造成电力系统的损坏,影响电网的稳定性和安全性。因此,为了保证配电变压器的正常运行,需要对配电变压器进行实时状态监测和诊断,以便预测配电变压器的未来运行状态,并及时发现变压器潜在故障,使得运维人员可以及时采取相应措施以降低事故发生的可能性。
配电变压器因为需要长期进行不间断的工作,所以其铁芯和绕组容易出现异常,进而引发电力变压器故障。铁芯磁致伸缩和电动力引起的铁芯和绕组振动会引起变压器本体振动,因此,现有技术常通过提取变压器油箱振动信号中的振动特征,对电力变压器进行状态监测和健康诊断,即振动分析法;振动分析法的基本原理是通过测量变压器箱体表面的振动信号,并根据测得的振动信号特征量判断变压器的运行状态。
现有技术在分析时通常会运用小波对变压器振动信号进行分解,并计算信号不同频段的能量分布,从而实现变压器运行状态的监测。然而,小波变换虽然具有可变的时频窗口,并且能获得较高的时频分辨率,但该方法在分解时,和窗口傅立叶变换一样是对时频面进行机械分割,当振动信号为非平稳振动信号时,通过该方法则难以进行振动分析,或难以得到高准确度的振动分析结果。
现有技术还出现了通过对变压器振动信号进行希尔伯特-黄(HHT)变换的振动分析方法,通过对变换后的振动信号进行边际谱计算,根据边际谱中的频率分布,实现对变压器运行状态的监测。此方法虽然可以对非平稳振动信号进行分析,但是,在计算时,由于HHT变换中经验模态分解(EMD)过程中存在过包络、欠包络和端点效应等问题,容易产生虚假分量,导致分析结果不准确或结果错误,因此,该方法也难以被广泛应用在机械故障诊断领域。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种配电变压器设备故障研判方法,其通过对配电变压器的振动信号进行分解,进而通过深度学习模型得到配电变压器的预测结果。
本发明的目的之一采用以下技术方案实现:
一种配电变压器设备故障研判方法,包括以下步骤:
接收振动信号;
对所述振动信号进行局部均值分解,得到单分量信号;
对所述单分量信号进行分类,将分类后的单分量信号输入若干预设模型进行配电变压器振动信号未来趋势的预测;
得到配电变压器振动信号未来趋势预测结果。
进一步地,所述振动信号为通过振动加速度传感器测量得到的配电变压器油箱表面振动信号。
进一步地,接收振动信号后,还包括以下步骤:
对所述振动信号进行预处理。
进一步地,对所述单分量信号进行分类,包括以下步骤:
将所述单分量信号按照频率进行分类,得到高频、中频和低频三类分量信号;
分别对所述高频、中频和低频分量信号进行归一化处理。
进一步地,将分类后的所述单分量信号输入若干预设模型进行配电变压器振动信号未来趋势的预测,包括以下步骤:
将所述高频分量信号输入SVR预测模型,选取合适核函数并设置模型参数,得到高频分量预测结果;
将所述中频分量信号输入LSTM预测模型,得到中频分量预测结果;
将所述低频分量信号及局部均值分解后的残余分量信号输入GRU预测模型,得到低频分量预测结果;
将所述高频分量预测结果、所述中频分量预测结果及所述低频分量预测结果叠加重构,得到配电变压器振动信号未来趋势预测结果。
进一步地,所述预测模型的训练过程,包括以下步骤:
接收局部均值分解后的单分量信号及残余分量信号;
将所述单分量信号按照频率进行分类,得到高频、中频、低频三类分量信号;
分别对所述高频、中频、低频分量信号进行归一化处理,并按相同比例分成训练集与测试集;
将所述高频分量信号、中频分量信号、分别输入SVR(支持向量回归)模型及LSTM(长短期记忆网络)模型中,将低频分量信号、残余分量信号输入GRU(门控制循环单元)模型中;
将模型输出结果进行叠加重构,得到训练预测结果;
通过所述测试集对所述训练预测结果进行测试:
当测试结果达到预设指标值时,将所述SVR模型、LSTM模型及GRU模型作为所述预设模型;
否则,继续进行预测模型训练过程。
进一步地,所述SVR模型、LSTM模型及GRU模型的参数值为预设值,所述LSTM模型包括随机失活层。
进一步地,得到配电变压器振动信号未来趋势预测结果,包括以下步骤:
当所述趋势预测结果达到预设阈值时,执行故障预警。
本发明的目的之二在于提供一种配电变压器设备故障研判系统,其通过其通过振动加速度传感器对配电变压器的振动信号进行采集,进而实现上述配电变压器设备故障研判方法。
本发明的目的之二采用以下技术方案实现:
一种配电变压器设备故障研判系统,其包括:配电变压器,所述配电变压器上设有振动加速度传感器,所述加速度传感器上连接有数据采集器,所述数据采集器上连有上位机;所述上位机执行时,实现上述配电变压器设备故障研判方法。
优选地,所述振动加速度传感器的测点至少为三个,所述振动加速度传感器设置在所述配电变压器靠近绕组处的外表面,且所述振动加速传感器位于所述配电变压器顶部1/2处的垂线上。
相比现有技术,本发明的有益效果在于:
本发明通过局部均值分解(LMD)方法对原始振动信号数据进行分解,得到与原始振动信号数据序列相关的分量及趋势项,有效降低振动信号序列的非线性及非平稳性;
通过对复杂信号的分解,大大降低了原始序列的复杂程度,更利于进一步挖掘原始序列特性,方便建立相应的预测模型;
此外,通过多个模型对配电变压器振动信号未来趋势进行预测,与单一的预测算法对比,有效地提高了预测精度,能够及时对潜在变压器故障发出预警信息,满足电力变压器故障诊断需求。
附图说明
图1是本发明实施例一的配电变压器设备故障研判方法的流程图;
图2是本发明实施例的优选预测方法流程示意图;
图3是本发明实施例一的趋势预测的流程图;
图4是本发明实施例二的模型训练过程的流程图;
图5是本发明实施例三的配电变压器设备故障研判系统的示意图。
具体实施方式
以下将结合附图,对本发明进行更为详细的描述,需要说明的是,以下参照附图对本发明进行的描述仅是示意性的,而非限制性的。各个不同实施例之间可以进行相互组合,以构成未在以下描述中示出的其他实施例。
实施例一
实施例一提供了一种配电变压器设备故障研判方法,旨在通过对变压器进行振动数据采集,进而预测出变压器振动信号未来的趋势,通过这种方式,能够有效地对变压器在工作过程中可能出现的故障进行预警,通过对振动信号的分解,有效降低了数据的复杂度。
请参照图1所示,一种配电变压器设备故障研判方法,包括以下步骤:
S1、接收振动信号;
S1中的振动信号为通过振动加速度传感器测量得到的配电变压器油箱表面振动信号。
对振动信号分析前,还需对其进行预处理,以增加分析准确度,信号去噪、滤波等常规预处理手段都可用于上述的预处理过程。
选择通过振动信号进行故障研判的主要优点是振动加速度传感器安装简单、成本低且与整个电力系统不存在电气联系,不会影响电力系统器件的运行。
S2、对所述振动信号进行局部均值分解,得到单分量信号;
上述S2步骤还包括以下步骤:
将所述单分量信号按照频率进行分类,得到高频、中频、低频三类分量信号;
分别对所述高频、中频、低频分量信号进行归一化处理。
上述高中低频的具体界定范围本实施例不作具体限定,可以根据实际配电变压器的规格及振动信号频率等进行确定。高中低频的分类可以进一步增强预测的精度。
S2中的局部均值分解(LMD)指的是从原始信号(即本实施例中的振动信号)中分离纯调频信号和包络信号,将纯调频信号和包络信号相乘以可得到一个瞬时频率且具有物理意义的单分量调频调幅信号(PF),循环处理至所有的PF分量分离出来,就可以得到原始信号的时频分布。LMD算法用滑动平均来代替三次样条插值。这样能避免过包络、欠包络等问题,有效抑制端点效应,避免虚假分量的产生。
以下对LMD计算的具体过程进行说明。
具体的,找出原始信号x(t)所有的局部极值点ni,i∈N,求出所有相邻的局部极值点的平均值mi,并估计其包络值ai:
继续计算求得局部均值函数m11(t)及包络函数a11(t)。将第一个局部均值函数从原始信号中分离出去,即:
h11(t)=x(t)-m11(t)
用a11(t)对h11(t)调解,得到频率信号s11(t):
其中s11(t)有可能需要多次迭代,直至成为一个纯调频信号,即s1n(t)的包络估计函数为1,具体过程为:
其中
把迭代过程中产生的所有包络估计函数相乘便可以得到包络信号,即瞬时幅值函数。将纯调频信号和包络信号相乘便可以得到原始信号的第一个PF分量:
PF1(t)=a1(t)s1n(t)
将PF1(t)分量从信号x(t)中去除,得到第一个新的分量u1(t),将u1(t)作为原始信号重复上述步骤n次,直到un(t)的极小值≤1,原始信号分解完毕,最终原始信号可以被所有PF分量和un重构,可得:
上述的计算过程完成后,将其中分解出的单分量信号PF按照高中低频进行划分,并进行归一化,就可以用于模型进行故障预测;归一化指的是将数据都变为(0,1)之间的小数,以便于后续的计算,归一化是常用的技术手段,本实施例不对此作过多赘述。
S3、对所述单分量信号进行分类,将分类后的所述单分量信号输入若干预设模型进行配电变压器振动信号未来趋势的预测;
S3中的信号分类可以根据预设模型的适应性进行分类,例如根据频率进行分类;S3中的预设模型为多个模型,多个模型的结合可以提高预测的精度。
请参照图2所示,图2为本实施例的一种优选预测方法的流程示意图,在本实施例中分别为高、中、低频三种分离出的信号,预设了SVR、LSTM和GRU模型,以上三种模型是在实际试验中针对不同频率准确率较好的三种模型,当然,实际运用时,也可以根据情况设定其他深度学习模型,并不限于本实施例所描述及图2所示意的单分量信号分类方法及具体预设模型的选择;以下,以SVR、LSTM和GRU模型为例,对预测过程进行解释和说明:
请参照图3所示,将分类后的所述单分量信号输入若干预设模型进行配电变压器振动信号未来趋势的预测,包括以下步骤:
S31、将所述高频分量信号输入SVR预测模型,得到高频分量预测结果;
上述的SVR(支持向量回归)是SVM中的一个重要的应用分支,其基本思想是用内积函数定义的非线性变换将输入空间变换到一个高维空间,在高维空间中寻找输入变量和输出变量之间的非线性关系。其损失函数为:
L[(y,f(x,a)]=L(|y-f(x,a)|ε)
式中a是未知参数变量,f(x,a)为概率密度函数,y为样本集对应输出,ε为邻域大小,如果预测值与观测值偏差小于ε,则上述损失函数为0,否则将偏差值再减去ε。
S32、将所述中频分量信号输入LSTM预测模型,得到中频分量预测结果;
为了提升训练效果和预测精度,本实施例中通过LSTM结构的循环神经网络进行中频PF分量预测,且相比于普通的RNN模型,LSTM结构的循环神经网络模型可以避免长期依赖性问题。
S33、将所述低频分量信号及局部均值分解后的残余分量信号输入GRU预测模型,得到低频分量预测结果;
上述的GRU预测模型是LSTM网络的一种变体,其将遗忘门和输入门合成了一个单一的更新门,相比于LSTM网络,GRU模型的结构更加简单,且在训练数据较少时,其训练效果优于LSTM网络;优于低频分量信号以及残余分量信号相对于高频和中频信号的数据量比较少,因此,本实施例中选用GRU模型来对低频分量信号进行预测,以提高预测的准确率。
S34、将所述高频分量预测结果、所述中频分量预测结果及所述低频分量预测结果叠加重构,得到配电变压器振动信号未来趋势预测结果。
本实施例中的信号都是由高频、中频、低频组成,而三个模型的预测结果为高、中、低三个频率的预测频率结果,因此S34中通过叠加重构就可以得到下一阶段频率的预测值。
叠加重构是常用的技术手段,因此本实施中不对叠加重构的具体过程进行赘述。
S4、得到配电变压器振动信号未来趋势预测结果。
S4具体还包括:
当所述趋势预测结果达到预设阈值时,执行故障预警。
上述的预设阈值可以根据机器的实际故障信号特征进行设定例如,预设阈值可以为振动频率超过一定值时进行预警,也可以包括振动频率低于一定值时进行预警,以便对振动频率过大或过低时的机器故障进行预警。
需要说明的是,数据采集的具体时间间隔可以根据实际情况进行设定,例如每隔若干秒进行一次振动信号的采集和预测,或者,设定在每天的同一时间段进行振动信号的采集和预测等。
实施例二
实施例二主要对实施例一中三个预设模型的训练过程进行解释和说明。
请参照图4所示,预测模型的训练过程,包括以下步骤:
S110、接收局部均值分解后的单分量信号及残余分量信号;
S110的步骤请参照实施例一局部均值分解(LMD)的解释和说明。
S120、将所述单分量信号按照频率进行分类,得到高频、中频、低频三类分量信号;
S130、分别对所述高频、中频、低频分量信号进行归一化处理,并按相同比例分成训练集与测试集;
上述训练集和测试集的比例可以根据实际需求进行设定,例如以相同的比例划分训练集和测试集。
S140、将所述高频分量信号、中频分量信号、分别输入SVR模型及LSTM模型中,将低频分量信号、残余分量信号输入GRU模型中;
S140中,SVR的预测模型建立过程主要为:首先进行样本集的选取及数据归一化;其次,构造支持向量回归机模型,模型包括核函数及其参数的选取、训练算法的选择以及借助算法计算对偶参数。本实施例中选用RBF核函数,相关模型参数为预设好的模型参数,模型参数主要用于控制模型复杂度和逼近误差、支持向量的个数和泛化能力,以及输出预测值最终解的复杂性。
LSTM预测模型的训练过程主要包括:将预处理之后的训练数据集输入到LSTM循环神经网络,通过网络具有的遗忘门、输入门和输出门进行处理。为了避免出现过拟合现象,本实施例中LSTM循环神经网络中还引入了随机失活层,随机失活输出的数据维度与想要的预测数据维度并不相同,故本实施例的LSTM模型还引入了全连接层,以进行维度变换,最后通过一个输出层输出预测数据。
GRU预测模型的训练过程主要包括:本实施例中的GRU模型选用单层GRU网络,输出维度为预设维度,GRU模型还包括全连接层、隐藏层和输出层,其中,全连接层还包括一激活函数;模型参数中,使用绝对值均差(MAE)作为损失函数,均方根反向传播(RMS Prop)作为优化器,其他模型参数为根据预设值,此处不做过多说明。GRU训练过程与LSTM模型基本相似;训练时,也可添加Early Stopping操作,以防止模型在训练集上准确率下降。
由于上述三个模型的详细训练过程是常规技术手段,因此本实施例中不对此做过多赘述。
S150、将模型输出结果进行叠加重构,得到训练预测结果;
S160、通过所述测试集对所述训练预测结果进行测试:
当测试结果达到预设指标值时,将所述SVR模型、LSTM模型及GRU模型作为所述预设模型;
否则,继续进行预测模型训练过程。
上述的测试集主要用于测试模型对训练集和测试集的预测结果是否在误差指标内,当在误差指标内时,计算实际运行结果与训练预测结果的平均差值,预设指标指的是该平均差值的范围,预设指标可以根据实际故障信号的特征进行设定。
实施例三
实施例三提供了一种配电变压器设备故障研判系统,旨在通过在变压器上安装振动加速度传感器,进而便于对变压器振动信号未来趋势进行预测。
请参照图5提供的配电变压器设备故障研判系统示意图所示,配电变压器设备故障研判系统包括:配电变压器,其特征在于,所述配电变压器上设有振动加速度传感器,所述加速度传感器上连接有数据采集器,所述数据采集器上连有上位机;所述上位机执行时,实现所述配电变压器设备故障研判方法。
其中,振动加速度传感器的测点至少为三个,所述振动加速度传感器设置在所述配电变压器靠近绕组处的外表面,且所述振动加速传感器位于所述配电变压器顶部1/2处的垂线上。
上述的配电变压器设备故障研判系统中,因为配电变压器高、低压两侧的内部结构基本对称,振动信号基本一致,因此,为了测量的安全性并且为了避开高压侧强磁干扰,测点选在低压侧。
上述振动加速度传感器、数据采集器的具体型号本实施例不作具体限定,可以根据实际数据量大小及配电变压器型号等进行配置。
因为配电变压器长边侧面顶部1/2处的振动波形稳定且幅值较高,可较好地反映变压器的振动特性,因此,优选将振动加速度传感器放置在配电变压器长边侧分别对应三相绕组且距离顶部1/2位置的油箱表面。
通过本实施例所描述的配电变压器设备故障研判系统,可以实现对任意运行状态的变压器表面振动信号进行采集,并完成趋势预测。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种配电变压器设备故障研判方法,其特征在于,包括以下步骤:
接收振动信号;
对所述振动信号进行局部均值分解,得到单分量信号;
对所述单分量信号进行分类,将分类后的单分量信号输入若干预设模型进行配电变压器振动信号未来趋势的预测;
得到配电变压器振动信号未来趋势预测结果。
2.如权利要求1所述的配电变压器设备故障研判方法,其特征在于,所述振动信号为通过振动加速度传感器测量得到的配电变压器油箱表面振动信号。
3.如权利要求1或2所述的配电变压器设备故障研判方法,其特征在于,接收振动信号后,还包括以下步骤:
对所述振动信号进行预处理。
4.如权利要求1所述的配电变压器设备故障研判方法,其特征在于,对所述单分量信号进行分类,包括以下步骤:
将所述单分量信号按照频率进行分类,得到高频、中频和低频三类分量信号;
分别对所述高频、中频和低频分量信号进行归一化处理。
5.如权利要求4所述的配电变压器设备故障研判方法,其特征在于,将分类后的单分量信号输入若干预设模型进行配电变压器振动信号未来趋势的预测,包括以下步骤:
将所述高频分量信号输入SVR预测模型,选取合适核函数并设置模型参数,得到高频分量预测结果;
将所述中频分量信号输入LSTM预测模型,得到中频分量预测结果;
将所述低频分量信号及局部均值分解后的残余分量信号输入GRU预测模型,得到低频分量预测结果;
将所述高频分量预测结果、所述中频分量预测结果及所述低频分量预测结果叠加重构,得到配电变压器振动信号未来趋势预测结果。
6.如权利要求5所述的配电变压器设备故障研判方法,其特征在于,所述预测模型的训练过程,包括以下步骤:
接收局部均值分解后的单分量信号及残余分量信号;
将所述单分量信号按照频率进行分类,得到高频、中频和低频三类分量信号;
分别对所述高频、中频和低频分量信号进行归一化处理,并按相同比例分成训练集与测试集;
将所述高频分量信号、中频分量信号分别输入SVR模型及LSTM模型中,将低频分量信号和残余分量信号输入GRU模型中;
将模型输出结果进行叠加重构,得到训练预测结果;
通过所述测试集对所述训练预测结果进行测试:
当测试结果达到预设指标值时,将所述SVR模型、LSTM模型及GRU模型作为所述预设模型;
否则,继续进行预测模型训练过程。
7.如权利要求1所述的配电变压器设备故障研判方法,其特征在于,所述SVR模型、LSTM模型及GRU模型的参数值为预设值,所述LSTM模型包括随机失活层。
8.如权利要求1所述的配电变压器设备故障研判方法,其特征在于,得到配电变压器趋势预测结果,包括以下步骤:
当所述趋势预测结果达到预设阈值时,执行故障预警。
9.一种配电变压器设备故障研判系统,其包括:配电变压器,其特征在于,所述配电变压器上设有振动加速度传感器,所述加速度传感器上连接有数据采集器,所述数据采集器上连有上位机;所述上位机执行时,实现权利要求1至8任一项所述配电变压器设备故障研判方法。
10.如权利要求9所述的配电变压器设备故障研判系统,其特征在于,所述振动加速度传感器的测点至少为三个,所述振动加速度传感器设置在所述配电变压器靠近绕组处的外表面,且所述振动加速传感器位于所述配电变压器顶部1/2处的垂线上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564994.1A CN112729531B (zh) | 2020-12-25 | 2020-12-25 | 配电变压器设备故障研判方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564994.1A CN112729531B (zh) | 2020-12-25 | 2020-12-25 | 配电变压器设备故障研判方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112729531A true CN112729531A (zh) | 2021-04-30 |
CN112729531B CN112729531B (zh) | 2023-05-19 |
Family
ID=75616382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011564994.1A Active CN112729531B (zh) | 2020-12-25 | 2020-12-25 | 配电变压器设备故障研判方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112729531B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486291A (zh) * | 2021-06-18 | 2021-10-08 | 电子科技大学 | 一种基于深度学习的石油钻机微电网故障预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866027A (zh) * | 2012-08-13 | 2013-01-09 | 燕山大学 | 基于lmd和局域时频熵的旋转机械故障特征提取方法 |
US20130013138A1 (en) * | 2011-07-06 | 2013-01-10 | Yinghui Lu | System and method for predicting mechanical failure of a motor |
CN104392082A (zh) * | 2014-07-10 | 2015-03-04 | 中山火炬职业技术学院 | 一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法 |
CN108398252A (zh) * | 2018-02-28 | 2018-08-14 | 河海大学 | 基于itd与svm的oltc机械故障诊断方法 |
CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
CN110929673A (zh) * | 2019-12-02 | 2020-03-27 | 吉林松江河水力发电有限责任公司 | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 |
-
2020
- 2020-12-25 CN CN202011564994.1A patent/CN112729531B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130013138A1 (en) * | 2011-07-06 | 2013-01-10 | Yinghui Lu | System and method for predicting mechanical failure of a motor |
CN102866027A (zh) * | 2012-08-13 | 2013-01-09 | 燕山大学 | 基于lmd和局域时频熵的旋转机械故障特征提取方法 |
CN104392082A (zh) * | 2014-07-10 | 2015-03-04 | 中山火炬职业技术学院 | 一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法 |
CN108398252A (zh) * | 2018-02-28 | 2018-08-14 | 河海大学 | 基于itd与svm的oltc机械故障诊断方法 |
CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
CN110146268A (zh) * | 2019-05-28 | 2019-08-20 | 河海大学 | 一种基于均值分解算法的oltc故障诊断方法 |
CN110929673A (zh) * | 2019-12-02 | 2020-03-27 | 吉林松江河水力发电有限责任公司 | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486291A (zh) * | 2021-06-18 | 2021-10-08 | 电子科技大学 | 一种基于深度学习的石油钻机微电网故障预测方法 |
CN113486291B (zh) * | 2021-06-18 | 2023-04-07 | 电子科技大学 | 一种基于深度学习的石油钻机微电网故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112729531B (zh) | 2023-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | A novel intelligent method for fault diagnosis of electric vehicle battery system based on wavelet neural network | |
CN109977920B (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
Chen et al. | An improved singular value decomposition-based method for gear tooth crack detection and severity assessment | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
Allahbakhshi et al. | A method for discriminating original pulses in online partial discharge measurement | |
Yang et al. | Fault identification for circuit breakers based on vibration measurements | |
Bhui et al. | Application of recurrence quantification analysis to power system dynamic studies | |
Lv et al. | High-order synchroextracting transform for characterizing signals with strong AM-FM features and its application in mechanical fault diagnosis | |
CN117517907B (zh) | 一种变电站电容型设备的绝缘状态监测方法及系统 | |
CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
CN113820557A (zh) | 非侵入式电动自行车充电负荷检测与识别方法 | |
CN115618213A (zh) | 充电机电压扰动分析方法及系统、设备、存储介质 | |
CN112729531B (zh) | 配电变压器设备故障研判方法及系统 | |
CN110673000B (zh) | 一种油浸式电流互感器局部放电在线监测方法及装置 | |
de la Rosa et al. | An application of the spectral kurtosis to characterize power quality events | |
Thibault et al. | Comparison of signal processing methods considering their optimal parameters using synthetic signals in a heat exchanger network simulation | |
Chaudhuri et al. | Denoising of partial discharge signal using a hybrid framework of total variation denoising-autoencoder | |
CN113721086A (zh) | 用于监视mv或hv电气系统的装备件的电气绝缘状况的方法 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN112860658B (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
CN114200232B (zh) | 一种输电线路故障行波波头检测方法及系统 | |
CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其系统 | |
CN109357751B (zh) | 一种电力变压器绕组松动缺陷检测系统 | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 |
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 |