CN112766140A - 一种基于核函数极限学习机的变压器故障辨识方法 - Google Patents
一种基于核函数极限学习机的变压器故障辨识方法 Download PDFInfo
- Publication number
- CN112766140A CN112766140A CN202110052953.2A CN202110052953A CN112766140A CN 112766140 A CN112766140 A CN 112766140A CN 202110052953 A CN202110052953 A CN 202110052953A CN 112766140 A CN112766140 A CN 112766140A
- Authority
- CN
- China
- Prior art keywords
- transformer
- learning machine
- kernel function
- layer
- fault
- 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
- 230000006870 function Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004804 winding Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供了一种基于核函数极限学习机的变压器故障辨识方法,在变压器运行工况下,获取振动信号作为分析样本,在振动信号消噪后,基于小波包分解重构得到振动信号的各频率能量特征值,提取各频率能量特征值作为指纹矢量,并分成训练集和测试集两类样本集,建立优化核函数极限学习机网络模型,利用指纹矢量训练集进行模型训练,在模型中输入待测集,分析计算输出检查结果,得到变压器的工作状态,实现变压器的故障辨识。本方法解决了系统陷入维数灾难的异常问题,使故障判断分析结果性能得以进一步优化提升,实现了电力变压器的异常故障自动识别。
Description
技术领域
本申请涉及变压器故障辨识技术领域,尤其涉及一种基于核函数极限学习机的变压器故障辨识方法。
背景技术
随着国内电网变压器容量的日益增大,变压器绕组损坏的变形也呈上涨趋势,为有效降低变压器故障可能带来的风险和影响,采用变压器故障识别技术和方法及时检测、监控绕组变形损坏情况和受损程度,有效地防止变压器事故的进一步恶化。在长期的理论研究和工程实践中,在变压器故障识别方面已有一些技术方法和成果。目前电力变压器故障的形式主要有3类:(1)绝缘故障;(2)电力故障;(3)机械故障。
然而由于故障和特征之间的关系较为复杂,在现有技术中,还缺乏应用完善的工程方法,从而产生对绕组故障监测不够及时和对短路后形变的判断精度不足的问题。
发明内容
本申请提供了一种基于核函数极限学习机的变压器故障辨识方法,以解决传统技术对绕组故障监测不够及时和对短路后形变的判断精度的不足的问题。
本申请解决上述技术问题所采取的技术方案如下:
一种基于核函数极限学习机的变压器故障辨识方法,包括以下步骤:
在变压器运行工况下,获取振动信号作为分析样本;
在振动信号消噪后,基于小波包分解重构得到振动信号的各频率能量特征值;
提取各频率能量特征值作为指纹矢量,并分成训练集和测试集两类样本集;
建立优化核函数极限学习机网络模型,利用指纹矢量训练集进行模型训练;
在模型中输入待测集,分析计算输出检查结果,得到变压器的工作状态,实现变压器的故障辨识。
可选的,所述在变压器运行工况下,获取振动信号作为分析样本,包括:
通过在多个监测点布置振动传感器,设置信号采集仪采样频率区间和采样时间,获取变压器不同运行状态下的振动信号;
将所述振动信号作为分析样本。
可选的,所述传感器为压电式加速度传感器,且布置于绕组轴向位置。
可选的,所述信号采集仪连续至少3次采集变压器每个监测点的振动信号,按设定的采样频率和采样时间整周期截取变压器振动信号。
可选的,基于Donoho小波消噪理论对信号进行消噪处理,门限阈值的选取满足高斯正态分布的变量,即z~N(μ,σ2)满足下式:
p{-3σ<z-μ<3σ}=0.9974
对于白噪声,其均值为0,方差为σ2。
可选的,基于小波包原理对获取的降噪振动信号利用Daubechies小波系列的db20小波进行五层静态小波分析,提取各子频带小波变换的能量特征值。
可选的,优化核函数极限学习机模型包含三层结构,设x=x1,x2,x3,x4····xn表示为输入向量的各个分量
输入层包含神经元个数为n个,输入变量x=x1,x2,x3,x4····xn;
中间层为隐含输入层,设为一个连接隐含输入端的层和连接隐含输入层的一个权重赋值矩阵:
w中的元素wln代表了第n个输入层神经元与第l个隐含层神经元之间的权值;
输出层包含m个神经元,设β为输入层与隐含层之间的连接权值矩阵:
β中的元素βlm代表了第l个隐含层神经元与第m个输出层神经元之间的权值。
可选的,所述核函数极限学习机网络模型为:
f(x)=h(x)β=Hβ
式中:x为样本输入;f(x)为神经网络的输出;h(x),H为隐含层特征映射矩阵;β为隐含层与输出层连接权重。
可选的,所述优化核函数极限学习机包括采用基于粒子群优化设计算法进行优化的核极限函数学习机;
粒子位置计算公式为:
粒子计算公式:
本申请提供的技术方案包括以下有益技术效果:
本申请提供了一种基于核函数极限学习机的变压器故障辨识方法,在变压器运行工况下,获取振动信号作为分析样本,在振动信号消噪后,基于小波包分解重构得到振动信号的各频率能量特征值,提取各频率能量特征值作为指纹矢量,并分成训练集和测试集两类样本集,建立优化核函数极限学习机网络模型,利用指纹矢量训练集进行模型训练,在模型中输入待测集,分析计算输出检查结果,得到变压器的工作状态,实现变压器的故障辨识。本方法基于系统振动能量信号的时间能量变化分布和系统运行时的状态密切关联相关,从不同频段的振动能量分布变化的复杂角度,利用优化极限学习机的良好性能网络化的泛化性和快速深度学习的计算能力,同时将系统核心的函数技术结合应用起来,解决系统陷入维数灾难的异常问题,使故障判断分析结果性能得以进一步优化提升,实现了电力变压器的异常故障自动识别。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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他的附图。
图1为本申请实施例提供的基于核函数极限学习机的变压器故障辨识方法流程图;
图2为本申请实施例提供的粒子群优化极限学习机的计算流程图;
图3为本申请实施例提供的传感器布局图。
具体实施方式
为了使本领域技术人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对申请实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。
基于振动信号测试的变压器故障诊断系统通过分析采集的振动信号获取特性,并提供特征集。并根据这一性能特征分别进行了各种机械性的性能评估。该分析系统的关键点在于如何快速提取有效的信号特征处理信息,并如何建立与系统故障相直接对应的高频振动控制信号处理特征。实验结果显示,当电力变压器系统发生振动故障时,其中的振动控制信号通常具有非平稳的振动特性。小波分析是一种具有自由调节时频带宽优点的时频分析方法,在变压器故障诊断中已得到初步应用。而极限学习机ELM的网络模型结构与训练样品的数据特征无关。ELM的优势使其在故障识别、分类和图像鉴别等领域的应用得以成功,并逐渐成为神经网络研究中的热点之一。
以下以一种具体的实施方式对本申请中提供的方法进行详细介绍。
请参考附图1,附图1为本申请实施例提供的一种基于核函数极限学习机的变压器故障辨识方法,如图1所示,包括以下步骤:
在变压器运行工况下,获取振动信号作为分析样本;
在振动信号消噪后,基于小波包分解重构得到振动信号的各频率能量特征值,包括基于小波包原理对获取的降噪振动信号利用Daubechies小波系列的db20小波进行五层静态小波分析,提取各子频带小波变换的能量特征值;
提取各频率能量特征值作为指纹矢量,并分成训练集和测试集两类样本集;
建立优化核函数极限学习机网络模型,利用指纹矢量训练集进行模型训练;
在模型中输入待测集,分析计算输出检查结果,得到变压器的工作状态,实现变压器的故障辨识。
本申请实施例提供的方法基于系统振动能量信号的时间能量变化分布和系统运行时的状态密切关联相关,从不同频段的振动能量分布变化的复杂角度,利用优化极限学习机的良好性能网络化的泛化性和快速深度学习的计算能力,同时将系统核心的函数技术结合应用起来,解决系统陷入维数灾难的异常问题,使故障判断分析结果性能得以进一步优化提升,实现了电力变压器的异常故障自动识别。
作为一种实施方式,所述在变压器运行工况下,获取振动信号作为分析样本,包括:
通过在多个监测点布置振动传感器,设置信号采集仪采样频率区间和采样时间,获取变压器不同运行状态下的振动信号;
将所述振动信号作为分析样本。
所述传感器为压电式加速度传感器,且布置于绕组轴向位置。
所述信号采集仪连续至少3次采集变压器每个监测点的振动信号,按设定的采样频率和采样时间整周期截取变压器振动信号。
作为一种实施方式,基于Donoho小波消噪理论对信号进行消噪处理,Donoho经典小波噪消模型由三个部分构成:
①首先选取合适的小波基,构造小波的分解和重构滤波器组,对输入信号进行小波分解;
②选取门限阈值,门限阈值的选取满足高斯正态分布的变量,即z~N(μ,σ2)满足下式:
p{-3σ<z-μ<3σ}=0.9974
对于白噪声,其均值为0,方差为σ2,由上式知其取值将绝大部分置于3倍σ区间之中;
③对处理后的小波分解系数进行反变换,重构出消噪后信号,小波的分解和重构采用Mallat塔式算法。
本实施例中,优化核函数极限学习机(KELM)模型包含三层结构,设x=x1,x2,x3,x4····xn表示为输入向量的各个分量;
①输入层包含神经元个数为n个,输入变量x=x1,x2,x3,x4····xn;
②中间层为隐含输入层,设为一个连接隐含输入端的层和连接隐含输入层的一个权重赋值矩阵:
w中的元素wln代表了第n个输入层神经元与第l个隐含层神经元之间的权值;
③输出层包含m个神经元,设β为输入层与隐含层之间的连接权值矩阵:
β中的元素βlm代表了第l个隐含层神经元与第m个输出层神经元之间的权值。
本实施例中,所述核函数极限学习机网络模型为:
f(x)=h(x)β=Hβ
式中:x为样本输入;f(x)为神经网络的输出;h(x),H为隐含层特征映射矩阵;β为隐含层与输出层连接权重。
在KELM算法中:
式中:T为训练样本的类标志向量组成的矩阵;C为正规化系数;I为单位矩阵。在隐含层h(x)未知的情况下,把KELM的核矩阵设定为:
采用径向基函数作为核函数,则有:
本实施例中,所述优化核函数极限学习机包括采用基于粒子群优化设计算法进行优化的核极限函数学习机;
粒子群体演算法用于模拟野生动物各个群体的觅食群体行为,将动物群体觅食中的动物单位信息比作是求解空间内的具体粒子,而粒子所携带的具体位置等等信息则比作是它们所求粒子解题的候选解。
种群进化通过位置和速度上的公式转换来自动实现种群进化的更新,结合其自适应性质和竞争机制,使每一次种群进化所需要保留的进化粒子总是始终处于某一个体的物理最优进化位置,也是说就是处于全局的最佳解也即搜索进化过程,这个搜索过程就是最优化的解。
粒子位置计算公式为:
粒子计算公式:
本实施例中,利用粒子群优化极限学习机的计算流程图如附图2所示。方法以极限学习机的输入权值w以及隐含层偏置值b作为寻优对象,以模型训练精度作为个体适应度,通过进化计算,寻找一组令模型获得较高精度的参数,从而提高模型泛化性能。结合粒子群优化极限学习机的主要计算步骤如下:
(1)训练样本预归一化,预设参数,初始化种群,进化迭代计数t=0;
(2)计算粒子适应度;
(3)使用速度和位置更新公式计算粒子的进化和更新,并计算出种群在更新之后的适应性;
(4)通过适应度竞争,令每次进化保留下来的始终是个体最优位置和群体最优位置;
(5)在优先进化解释达到一个预设的进化条件后,迭加替代进化算法自动终止,将使用全局最佳进化个体参数作为优先进化解释的输出,否则将通过进化结果计数器的t参数加1返回(3);
(6)作为一个极限学习机的模型参数,将步骤(5)最佳解作为一个隐含的层输出权值,并利用这个组参数进行模型训练。
下面结合具体实施方式和附图说明对本申请的技术方案作进一步详细的描述。
基于核函数极限学习机的变压器故障辨识方法,第一步,建立变压器振动信号采集系统包括加速度传感器、数据采集卡、计算机。通过人为控制绕组松动、绕组形变、匝间绝缘损坏3种故障状态,进行状态特征向量提取。
第二步,采用振动加速度传感器,将3个PCB传感器分别固定于变压器绕组的端部、1/4处、1/2处。传感器布局如图3所示。采样频率1kHz,采样频率还会比较三相绕组曲线的一致性,测试系统重复度显得更加重要。在同样的条件下,包括环境、程序、装置情况等不变条件在同一时间内重新进行测试。
第三步,按设定绕组重置状态第二个值的顺序依次设定一个绕组重置状态,每次重设一次后,将给到变压器上的低压三相短路电流、高压侧送到调压器上的输出控制端、调节端的电流短路使送到低压侧的电流达到额定电流、采集变压器上的振动信号。每次振动采集检测信号4次,实验共每次收集20次振动检测信号。采集子频振动小波信号时可采用db20小波重构分解5层的小波包,对子频小波能量分层进行小波重构,得到4层的每个子频小波能量。
第四步,本申请使用优化核极限学习机来识别变压器的状态,在本申请中,采用RBF核进行预测模型构造,核极限学习机无需选择隐层节点的个数,只需要确定模型中的正则化系数,基于遗传算法优化正则化系数和核函数的参数,得到了最优正则系数和核函数的参数。其中任一组正规系数和核函数参量对应于遗传算法的分类精度都是适应性值。
第五步、确定出最优的正规化系数与核函数参数的值后,就可以将最优值输入到核极限学习机中得到最优核极限学习机模型,该模型就是通过样本集训练好的模型,然后使用该模型对变压器模型进行分类。
需要说明的是,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的内容,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (9)
1.一种基于核函数极限学习机的变压器故障辨识方法,其特征在于,包括以下步骤:
在变压器运行工况下,获取振动信号作为分析样本;
在振动信号消噪后,基于小波包分解重构得到振动信号的各频率能量特征值;
提取各频率能量特征值作为指纹矢量,并分成训练集和测试集两类样本集;
建立优化核函数极限学习机网络模型,利用指纹矢量训练集进行模型训练;
在模型中输入待测集,分析计算输出检查结果,得到变压器的工作状态,实现变压器的故障辨识。
2.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法,其特征在于,所述在变压器运行工况下,获取振动信号作为分析样本,包括:
通过在多个监测点布置振动传感器,设置信号采集仪采样频率区间和采样时间,获取变压器不同运行状态下的振动信号;
将所述振动信号作为分析样本。
3.根据权利要求2所述的基于核函数极限学习机的变压器故障辨识方法,其特征在于,所述传感器为压电式加速度传感器,且布置于绕组轴向位置。
4.根据权利要求2所述的基于核函数极限学习机的变压器故障辨识方法,其特征在于,所述信号采集仪连续至少3次采集变压器每个监测点的振动信号,按设定的采样频率和采样时间整周期截取变压器振动信号。
5.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法,其特征在于,基于Donoho小波消噪理论对信号进行消噪处理,门限阈值的选取满足高斯正态分布的变量,即z~N(μ,σ2)满足下式:
p{-3σ<z-μ<3σ}=0.9974
对于白噪声,其均值为0,方差为σ2。
6.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法,其特征在于,基于小波包原理对获取的降噪振动信号利用Daubechies小波系列的db20小波进行五层静态小波分析,提取各子频带小波变换的能量特征值。
8.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法,其特征在于,所述核函数极限学习机网络模型为:
f(x)=h(x)β=Hβ
式中:x为样本输入;f(x)为神经网络的输出;h(x),H为隐含层特征映射矩阵;β为隐含层与输出层连接权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110052953.2A CN112766140A (zh) | 2021-01-15 | 2021-01-15 | 一种基于核函数极限学习机的变压器故障辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110052953.2A CN112766140A (zh) | 2021-01-15 | 2021-01-15 | 一种基于核函数极限学习机的变压器故障辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766140A true CN112766140A (zh) | 2021-05-07 |
Family
ID=75700830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110052953.2A Pending CN112766140A (zh) | 2021-01-15 | 2021-01-15 | 一种基于核函数极限学习机的变压器故障辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766140A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469257A (zh) * | 2021-07-07 | 2021-10-01 | 云南大学 | 一种配电变压器故障检测方法和系统 |
CN113486731A (zh) * | 2021-06-17 | 2021-10-08 | 国网山东省电力公司汶上县供电公司 | 输电设备异常状态监测方法 |
CN113506252A (zh) * | 2021-06-29 | 2021-10-15 | 国家电网有限公司 | 一种基于t-SNE和核极限学习机的变压器套管典型缺陷类型识别方法 |
CN113872239A (zh) * | 2021-09-26 | 2021-12-31 | 华北电力大学(保定) | 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法 |
CN114034344A (zh) * | 2021-11-12 | 2022-02-11 | 广东电网有限责任公司江门供电局 | 一种变压器模型测量分析方法 |
CN114877925A (zh) * | 2022-03-31 | 2022-08-09 | 上海交通大学 | 一种基于极限学习机的综合能源系统传感器故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214460A (zh) * | 2018-09-21 | 2019-01-15 | 西华大学 | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 |
CN109948640A (zh) * | 2018-12-26 | 2019-06-28 | 杭州电子科技大学 | 基于双参数核优化型极限学习机的肌电信号分类方法 |
CN110969262A (zh) * | 2019-12-03 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器故障诊断方法 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测系统及方法 |
US20200300907A1 (en) * | 2016-12-29 | 2020-09-24 | Hefei University Of Technology | Analog-circuit fault diagnosis method based on continuous wavelet analysis and elm network |
CN111751763A (zh) * | 2020-06-08 | 2020-10-09 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
CN111784061A (zh) * | 2020-07-07 | 2020-10-16 | 广东电网有限责任公司 | 一种电网工程造价预测模型的训练方法、装置和设备 |
-
2021
- 2021-01-15 CN CN202110052953.2A patent/CN112766140A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200300907A1 (en) * | 2016-12-29 | 2020-09-24 | Hefei University Of Technology | Analog-circuit fault diagnosis method based on continuous wavelet analysis and elm network |
CN109214460A (zh) * | 2018-09-21 | 2019-01-15 | 西华大学 | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 |
CN109948640A (zh) * | 2018-12-26 | 2019-06-28 | 杭州电子科技大学 | 基于双参数核优化型极限学习机的肌电信号分类方法 |
CN110969262A (zh) * | 2019-12-03 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器故障诊断方法 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测系统及方法 |
CN111751763A (zh) * | 2020-06-08 | 2020-10-09 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
CN111784061A (zh) * | 2020-07-07 | 2020-10-16 | 广东电网有限责任公司 | 一种电网工程造价预测模型的训练方法、装置和设备 |
Non-Patent Citations (2)
Title |
---|
张利伟: "油浸式电力变压器故障诊断方法研究", 中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 2014, 15 November 2014 (2014-11-15), pages 042 - 6 * |
许昌等: "《风电场工程后评估与风电机组状态评价》", 31 December 2020, 中国水利水电出版社, pages: 99 - 108 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486731A (zh) * | 2021-06-17 | 2021-10-08 | 国网山东省电力公司汶上县供电公司 | 输电设备异常状态监测方法 |
CN113506252A (zh) * | 2021-06-29 | 2021-10-15 | 国家电网有限公司 | 一种基于t-SNE和核极限学习机的变压器套管典型缺陷类型识别方法 |
CN113469257A (zh) * | 2021-07-07 | 2021-10-01 | 云南大学 | 一种配电变压器故障检测方法和系统 |
CN113872239A (zh) * | 2021-09-26 | 2021-12-31 | 华北电力大学(保定) | 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法 |
CN113872239B (zh) * | 2021-09-26 | 2023-09-08 | 华北电力大学(保定) | 一种基于知识和数据联合驱动的并网逆变器阻抗获取方法 |
CN114034344A (zh) * | 2021-11-12 | 2022-02-11 | 广东电网有限责任公司江门供电局 | 一种变压器模型测量分析方法 |
CN114877925A (zh) * | 2022-03-31 | 2022-08-09 | 上海交通大学 | 一种基于极限学习机的综合能源系统传感器故障诊断方法 |
CN114877925B (zh) * | 2022-03-31 | 2023-08-22 | 上海交通大学 | 一种基于极限学习机的综合能源系统传感器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766140A (zh) | 一种基于核函数极限学习机的变压器故障辨识方法 | |
Karimi et al. | A novel application of deep belief networks in learning partial discharge patterns for classifying corona, surface, and internal discharges | |
Wang et al. | Deep separable convolutional network for remaining useful life prediction of machinery | |
CN110849627B (zh) | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
CN107766816A (zh) | 一种基于lvq神经网络的高压断路器机械故障识别方法 | |
CN108709745A (zh) | 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN113252322B (zh) | 一种含噪背景下的断路器机械故障诊断方法及装置 | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN111879397A (zh) | 高压断路器储能机构故障诊断方法 | |
Esfahanian et al. | On contour-based classification of dolphin whistles by type | |
CN113191429A (zh) | 一种电力变压器套管故障诊断方法及装置 | |
Masood et al. | Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN112541524B (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN117520809A (zh) | 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法 |
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 |