CN112926620B - 一种变压器套管局部放电的缺陷类型识别方法及系统 - Google Patents
一种变压器套管局部放电的缺陷类型识别方法及系统 Download PDFInfo
- Publication number
- CN112926620B CN112926620B CN202110081417.5A CN202110081417A CN112926620B CN 112926620 B CN112926620 B CN 112926620B CN 202110081417 A CN202110081417 A CN 202110081417A CN 112926620 B CN112926620 B CN 112926620B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- defect type
- optimal
- value
- fitness
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- 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
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
Abstract
本公开提供了一种变压器套管局部放电的缺陷类型识别方法及系统,获取变压器套管局部放电数据;将获取的局部放电数据输入到预设支持向量机模型中,得到缺陷类型;其中,利用混沌量子粒子群算法搜索支持向量机的参数惩罚因子最优值和核函数参数最优值;本公开不再局限于人工判断缺陷类型,实现了对变压器套管局部放电的缺陷类型更为准确和可靠的识别。
Description
技术领域
本公开涉及电气设备局部放电领域,特别涉及一种变压器套管局部放电的缺陷类型识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
变压器套管是电力系统中的关键性绝缘支撑设备。变压器套管在运行过程中要长时间承受热、电、化学、机械等多种因素的影响,致使其发生局部放电,从而发生绝缘劣化、性能下降,严重者会造成变压器以及临近设备的损坏,进而引起停电事故甚至是爆炸事故,导致局部区域乃至大面积停电,给国民经济和社会稳定带来巨大的负面影响。
根据国家电网公司对变压器事故套管的解体研究,油纸电容式变压器套管常见故障主要集中在套管的顶部、电容芯子、末屏、下瓷套和底端均压环处。套管绝缘事故具有偶发性强、影响时间长等特点,因此,保证变压器套管良好的绝缘性能至关重要。
发明人发现,目前,对于变压器套管局部放电的识别方法为对比不同放电类型下的局部放电谱图统计特征,人工找出可以用于识别的特征,该方法存在不确定性较高、受干扰的影响较大、识别时间较长等问题,对大样本数据的处理能力不强。
发明内容
为了解决现有技术的不足,本公开提供了一种变压器套管局部放电的缺陷类型识别方法及系统,不再局限于人工判断缺陷类型,实现了对变压器套管局部放电的缺陷类型更为准确和可靠的识别。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种变压器套管局部放电的缺陷类型识别方法。
一种变压器套管局部放电的缺陷类型识别方法,包括以下步骤:
获取变压器套管局部放电数据;
将获取的局部放电数据输入到预设支持向量机模型中,得到缺陷类型;
其中,利用混沌量子粒子群算法搜索支持向量机的参数惩罚因子最优值和核函数参数最优值。
作为可能的一些实现方式,支持向量机模型的训练,包括:
变压器套管典型缺陷类型的局部放电信号及相位谱图信息;
将获取的数据按预设比例随机抽取得到训练样本数据集和测试数据集;
提取局部放电信号的特征量,建立变压器套管局部放电数据库,并对缺陷类型设置标签作为训练的输出样本;
在变压器套管局部放电数据库上,利用混沌量子粒子群搜索支持向量机的参数惩罚因子和核函数参数最优值;
将变压器套管局部放电训练样本数据集作为输入量,训练混沌量子粒子群算法优化后的支持向量机模型;
在训练后的支持向量机模型上对测试数据集进行变压器套管缺陷识别得出缺陷类型,进行模型验证。
作为可能的一些实现方式,变压器套管缺陷类型包括套管顶部悬浮放电、油中均压环悬浮放电、套管下瓷套沿面放电、套管末屏接触不良放电和套管受潮缺陷。
作为进一步的限定,局部放电数据库包括传感器等采集到的局部放电波形信号以及局部放电检测仪采集到的放电相位谱图信息。
作为进一步的限定,特征量包括波形特征、时频特征和谱图统计特征。
作为可能的一些实现方式,参数惩罚因子和核函数参数的寻优方法,包括:
初始化量子粒子群的种群规模、变量个数、惯性因子、自身因子、全局因子、变异概率、最大迭代次数,将支持向量机参数惩罚因子和核函数参数映射为粒子的二维位置;
解空间变换,将粒子位置由单位空间映射到优化问题的解空间;
计算粒子对应的适应度,将训练集错误率作为适应度值;
比较粒子的适应度值,更新每个粒子的局部最优位置和全局最优位置;
粒子状态更新,基于量子旋转门对种群中的每个粒子进行位置更新;
量子门变异,引入变异算子,增加种群多样性;
早熟收敛判断,计算种群适应度方差,如果方差小于参数惩罚因子,则进行N次混沌搜索,得到最优解向量和对应的适应值,若适应值小于全局最优适应值,则全局最优位置为该最优解向量;
进入下一次迭代,重复上述步骤直到迭代结束,得到全局最优位置为寻优结果。
作为进一步的限定,通过量子位的概率幅对粒子位置进行编码。
作为进一步的限定,解空间变换中,将编码空间范围[-1,1]映射到优化问题的解空间[ai,bi]上,ai和bi为待寻优参数求解范围的上下限。
作为进一步的限定,粒子的局部最优位置和全局最优位置通过量子旋转门更新,粒子位置的更新转换为量子位概率幅的更新。
作为进一步的限定,由量子非门作为变异算子实现变异操作。
本公开第二方面提供了一种变压器套管局部放电的缺陷类型识别系统。
一种变压器套管局部放电的缺陷类型识别系统,包括以下步骤:
数据获取模块,被配置为:获取变压器套管局部放电数据;
缺陷类型识别模块,被配置为:将获取的局部放电数据输入到预设支持向量机模型中,得到缺陷类型;
其中,利用混沌量子粒子群算法搜索支持向量机的参数惩罚因子最优值和核函数参数最优值。
本公开第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的变压器套管局部放电的缺陷类型识别方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的变压器套管局部放电的缺陷类型识别方法中的步骤。
与现有技术相比,本公开的有益效果是:
本公开所述变压器套管局部放电的缺陷类型识别方法,将待确定缺陷类型的局部放电数据输入已训练的混沌量子粒子群算法优化的支持向量机模型中,即可得到缺陷类型,与现有技术相比,不再局限于简单的谱图统计特征识别套管缺陷类型,实现了对套管缺陷局部放电类型的有效识别,有益于提高变压器套管运行维护及在线监测的效率,提高了电网安全运行的稳定性。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的变压器套管局部放电的缺陷类型识别方法流程示意图。
图2为本公开实施例1提供的混沌量子粒子群优化支持向量机算法流程示意图。
图3为本公开实施例1提供的训练结果图。
图4为本公开实施例1提供的套管缺陷局部放电典型波形图和谱图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
本公开实施例1提供了一种变压器套管局部放电的缺陷类型识别方法,包括以下步骤:
获取变压器套管局部放电数据;
将获取的局部放电数据输入到预设支持向量机模型中,得到缺陷类型;
其中,利用混沌量子粒子群算法搜索支持向量机的参数惩罚因子最优值和核函数参数最优值。
具体的,如图1所示,包括以下步骤:
步骤1:采集变压器套管典型缺陷类型的局部放电数据。
设置变压器套管典型缺陷:套管顶部悬浮放电、油中均压环悬浮放电、套管下瓷套沿面放电、套管末屏接触不良放电、套管受潮缺陷。
通过脉冲电流耦合装置、特高频传感器、套管末屏传感器采集变压器套管局部放电波形数据和PRPD谱图数据。
步骤2:将数据按比例5:1随机抽取得到训练样本数据集和测试数据集。
步骤3:提取局部放电信号的特征量,建立变压器套管局部放电数据库,并对缺陷类型设置标签,作为训练的输出样本;
提取局部放电信号特征量,如表1所示,二维谱图包括最大放电量分布谱图、平均放电量分布谱图、放电次数分布谱图。
表1局部放电信号特征量
对缺陷类型设置标签,套管顶部悬浮放电、油中均压环悬浮放电、套管下瓷套沿面放电、套管末屏接触不良放电、套管受潮缺陷分别设置标签0~4。
步骤4:在变压器套管局部放电数据库上,利用混沌量子粒子群搜索支持向量机的参数惩罚因子C和核函数参数γ最优值,算法流程图如图2所示,具体过程如下:
步骤4.1:粒子群状态初始化,初始化量子粒子群的种群规模N、变量个数、惯性因子、自身因子、全局因子、变异概率、最大迭代次数,将支持向量机参数惩罚因子C和核函数参数γ映射为粒子的二维位置Pi;
通过量子位的概率幅[cos(t)sin(t)]T对粒子位置Pi编码,具体方法如下:
粒子位置:
其中,tij=2π×rand,rand为(0,1)之间的随机数,i=1,2,…m;j=1,2;m是种群规模,j是量子位数,两个量子位分别代表惩罚因子C和核函数参数γ;
步骤4.2、解空间变换,将粒子位置由单位空间映射到优化问题的解空间;
其中,X为解空间变换结果,ai和bi为待寻优参数求解范围的上下限,下标c代表余弦,下标s代表正弦,一个量子位对应一个正弦解和一个余弦解;
步骤4.3:计算粒子对应的适应度,将训练集错误率最小作为适应度函数,适应度值越小则解越优;
步骤4.4:比较粒子的适应度值,更新每个粒子的个体最优位置Pib和全局最优位置Pg;
将当前迭代次数的粒子的适应度值与之前所有次迭代中各自的适应度值的极小值分别进行比较,如果更优,则分别更新粒子的个体适应度极小值和个体最优位置;
再将每个粒子的适应度极小值与全局极小值进行比较,如果更优,则更新当前的全局适应度极小值和全局最优位置;
步骤4.5:粒子状态更新,基于量子旋转门对种群中的每个粒子进行位置更新;
粒子的局部最优位置和全局最优位置通过量子旋转门更新,粒子位置的更新转换为量子位概率幅的更新,量子旋转门为:
Δθ(t+1)=ω×Δθ(t)+c1×Δθb+c2×Δθg;
其中,Δθ是旋转门更新的角度,ω为惯性因数,c1为自身因子,c2为全局因子;
第i个量子位更新后的概率幅为:
步骤4.6:量子门变异,引入变异算子,增加种群多样性;
由量子非门作为变异算子实现变异操作,量子非门为:
相位角旋转(π/2-ti)实现变异策略,第i个量子位变异过程为:
步骤4.7:早熟收敛判断,计算该迭代次数的种群适应度方差σ2,如果σ2<C(C的值根据算法前期测试情况而定),则进行N次混沌搜索,得到最优解向量和对应的适应值,若适应值小于全局最优适应值,则该最优解向量为全局最优位置Pg。
种群适应度方差σ2为:
F=max{1,max{|fi(t)-favg(t)|}}i∈[1,n];
其中,fi(t)为第t代第i个种群粒子的适应度,favg(t)为粒子的平均适应度,F为归一化定标因子,其作用是限制σ2的大小。
群体适应度方差σ2反映的是粒子群中所有粒子的“收敛”程度,σ2越小,则粒子群越集中趋于收敛;反之,粒子群越分散处于随机搜索阶段。
采用典型的混沌方程Logistic方程,表达式为:
Zi+1=μZi(1-Zi),i=1,2,…,μ∈(2,4];
其中,μ为控制参量,当μ=4,0≤Z0≤1,Logistic处于完全混沌状态。
当判断出种群陷入到局部最优的时候,可以利用Logistic方程的混沌映射产生一组混沌序列,然后利用这组序列去产生一组随机的新粒子代替一些粒子,从而使种群跳出局部最优。
利用混沌对初值敏感的特点,取n个有较小差异的初值zi(0<zi<1,i=0,1,…n),代入Logistic方程中可以得到n个混沌变量z’i,然后根据下式得到n个向量,作为目标函数的一个解向量。
yi=pgi±λzi(i=0,1,…n);
λ=λ×α;
其中,λ的初值为l,α初值为0.5,另外随之迭代次数的逐渐增加,搜索也会变得越来越精细。
步骤4.8:进入下一次迭代,重复步骤4.2~步骤4.8直到迭代结束,得到全局最优位置为寻优结果,即为最优的支持向量机的惩罚因子C和核函数参数γ。
步骤5:将变压器套管局部放电训练样本数据集作为输入量,训练混沌量子粒子群优化支持向量机;
步骤6:在训练后的混沌量子粒子群优化支持向量机上对测试数据集进行变压器套管缺陷识别。
将测试数据集数据输入训练完成的支持向量机中进行故障诊断,输出变压器套管局部放电缺陷分类结果,即缺陷标签。通过对比步骤3缺陷标签,得出变压器套管局部放电缺陷类型,训练结果如图3所示,分类正确率如表2所示,套管缺陷局部放电典型波形图和谱图如图4所示。
实施例2:
本公开实施例2提供了一种变压器套管局部放电的缺陷类型识别系统,包括以下步骤:
数据获取模块,被配置为:获取变压器套管局部放电数据;
缺陷类型识别模块,被配置为:将获取的局部放电数据输入到预设支持向量机模型中,得到缺陷类型;
其中,利用混沌量子粒子群算法搜索支持向量机的参数惩罚因子最优值和核函数参数最优值。
所述系统的工作方法与实施例1提供的变压器套管局部放电的缺陷类型识别方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的变压器套管局部放电的缺陷类型识别方法中的步骤,所述步骤为:
获取变压器套管局部放电数据;
将获取的局部放电数据输入到预设支持向量机模型中,得到缺陷类型;
其中,利用混沌量子粒子群算法搜索支持向量机的参数惩罚因子最优值和核函数参数最优值。
详细步骤与实施例1提供的变压器套管局部放电的缺陷类型识别方法相同,这里不再赘述。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的变压器套管局部放电的缺陷类型识别方法中的步骤,所述步骤为:
获取变压器套管局部放电数据;
将获取的局部放电数据输入到预设支持向量机模型中,得到缺陷类型;
其中,利用混沌量子粒子群算法搜索支持向量机的参数惩罚因子最优值和核函数参数最优值。
详细步骤与实施例1提供的变压器套管局部放电的缺陷类型识别方法相同,这里不再赘述。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (4)
1.一种变压器套管局部放电的缺陷类型识别方法,其特征在于:包括以下步骤:
获取变压器套管局部放电数据,通过脉冲电流耦合装置、特高频传感器、套管末屏传感器采集变压器套管局部放电波形数据和PRPD谱图数据;将获取的局部放电数据输入到预设支持向量机模型中,得到缺陷类型;
支持向量机模型的训练,包括:变压器套管典型缺陷类型的局部放电信号及相位谱图信息;将获取的数据按预设比例随机抽取得到训练样本数据集和测试数据集;提取局部放电信号的特征量,建立变压器套管局部放电数据库,并对缺陷类型设置标签作为训练的输出样本;在变压器套管局部放电数据库上,利用混沌量子粒子群搜索支持向量机的参数惩罚因子和核函数参数最优值;将变压器套管局部放电训练样本数据集作为输入量,训练混沌量子粒子群算法优化后的支持向量机模型;在训练后的支持向量机模型上对测试数据集进行变压器套管缺陷识别得出缺陷类型,进行模型验证;
所述局部放电数据库包括传感器等采集到的局部放电波形信号以及局部放电检测仪采集到的放电相位谱图信息;所述特征量包括波形特征、时频特征和谱图统计特征;
变压器套管缺陷类型,包括:套管顶部悬浮放电、油中均压环悬浮放电、套管下瓷套沿面放电、套管末屏接触不良放电和套管受潮缺陷;
利用混沌量子粒子群算法搜索支持向量机的参数惩罚因子最优值和核函数参数最优值;
参数惩罚因子和核函数参数的寻优方法,包括:初始化量子粒子群的种群规模、变量个数、惯性因子、自身因子、全局因子、变异概率、最大迭代次数,将支持向量机参数惩罚因子和核函数参数映射为粒子的二维位置,通过量子位的概率幅对粒子位置进行编码;解空间变换,将粒子位置由单位空间映射到优化问题的解空间,将编码空间范围[-1,1]映射到优化问题的解空间[ai,bi]上,ai和bi为待寻优参数求解范围的上下限;计算粒子对应的适应度,将训练集错误率最小作为适应度函数,适应度值越小则解越优,比较粒子的适应度值,更新每个粒子的个体最优位置Pib和全局最优位置Pg,其中将当前迭代次数的粒子的适应度值与之前所有次迭代中各自的适应度值的极小值分别进行比较,如果更优,则分别更新粒子的个体适应度极小值和个体最优位置;再将每个粒子的适应度极小值与全局极小值进行比较,如果更优,则更新当前的全局适应度极小值和全局最优位置;粒子的局部最优位置和全局最优位置通过量子旋转门更新,粒子位置的更新转换为量子位概率幅的更新;由量子非门作为变异算子实现变异操作,增加种群多样性;早熟收敛判断,计算种群适应度方差,如果方差小于参数惩罚因子,则进行N次混沌搜索,得到最优解向量和对应的适应值,若适应值小于全局最优适应值,则全局最优位置Pg为该最优解向量;进入下一次迭代,重复上述步骤直到迭代结束,得到全局最优位置Pg为寻优结果。
2.一种变压器套管局部放电的缺陷类型识别系统,用于实现权利要求1所述的变压器套管局部放电的缺陷类型识别方法,其特征在于:包括以下步骤:
数据获取模块,被配置为:获取变压器套管局部放电数据;
缺陷类型识别模块,被配置为:将获取的局部放电数据输入到预设支持向量机模型中,得到缺陷类型;
其中,利用混沌量子粒子群算法搜索支持向量机的参数惩罚因子最优值和核函数参数最优值。
3.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1所述的变压器套管局部放电的缺陷类型识别方法中的步骤。
4.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述的变压器套管局部放电的缺陷类型识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110081417.5A CN112926620B (zh) | 2021-01-21 | 2021-01-21 | 一种变压器套管局部放电的缺陷类型识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110081417.5A CN112926620B (zh) | 2021-01-21 | 2021-01-21 | 一种变压器套管局部放电的缺陷类型识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926620A CN112926620A (zh) | 2021-06-08 |
CN112926620B true CN112926620B (zh) | 2023-06-30 |
Family
ID=76163993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110081417.5A Active CN112926620B (zh) | 2021-01-21 | 2021-01-21 | 一种变压器套管局部放电的缺陷类型识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926620B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113533921B (zh) * | 2021-09-15 | 2021-12-17 | 北京普源瑞新仿真科技有限公司 | 局部放电检测方法及局部放电检测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717422A (zh) * | 2015-12-04 | 2016-06-29 | 国家电网公司 | 一种高压电力设备局部放电特征提取方法和装置 |
CN107317338A (zh) * | 2017-08-30 | 2017-11-03 | 广东工业大学 | 一种电力系统的最优潮流计算方法及装置 |
CN109738519A (zh) * | 2019-01-04 | 2019-05-10 | 国网四川省电力公司广安供电公司 | 一种变压器高压套管引线超声检测的去噪方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880903B (zh) * | 2012-07-13 | 2013-10-09 | 刘立峰 | 混沌量子粒子群模糊神经网络叠前非线性流体识别方法 |
CN104749498B (zh) * | 2015-01-28 | 2018-12-04 | 西安交通大学 | 一种便携式局部放电检测及诊断装置 |
CN105241497B (zh) * | 2015-09-23 | 2018-03-23 | 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 |
CN106199305B (zh) * | 2016-07-01 | 2018-12-28 | 太原理工大学 | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 |
CN106203689A (zh) * | 2016-07-04 | 2016-12-07 | 大连理工大学 | 一种梯级水电站群联合运行多目标优化调度方法 |
CN107862332A (zh) * | 2017-10-31 | 2018-03-30 | 国网重庆市电力公司电力科学研究院 | 基于支持向量机识别六氟化硫局部放电特性的绝缘缺陷 |
CN108268905A (zh) * | 2018-03-21 | 2018-07-10 | 广东电网有限责任公司电力科学研究院 | 一种基于支持向量机的变压器故障诊断方法及系统 |
CN110542715B (zh) * | 2018-05-29 | 2022-03-25 | 国家电网公司 | 电力变压器套管末屏局部放电高频脉冲电流信号来源的确定方法 |
CN109709797A (zh) * | 2018-12-27 | 2019-05-03 | 上海电力学院 | 一种变频调速恒压供水控制方法及控制系统 |
CN110309822B (zh) * | 2019-06-18 | 2022-09-27 | 哈尔滨工程大学 | 基于量子进化粒子群算法的高光谱图像波段选择方法 |
CN110415305B (zh) * | 2019-08-30 | 2022-09-27 | 国网陕西省电力公司电力科学研究院 | 一种变压器局部放电检测系统及检测方法 |
CN111027662B (zh) * | 2019-11-08 | 2024-01-12 | 南通大学 | 基于混沌量子粒子群算法优化的sd-lssvr短时交通流量预测方法 |
CN111337798B (zh) * | 2020-03-05 | 2022-04-08 | 国网四川电力送变电建设有限公司 | 一种特高压换流变压器绝缘监测及局部放电故障诊断方法 |
-
2021
- 2021-01-21 CN CN202110081417.5A patent/CN112926620B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717422A (zh) * | 2015-12-04 | 2016-06-29 | 国家电网公司 | 一种高压电力设备局部放电特征提取方法和装置 |
CN107317338A (zh) * | 2017-08-30 | 2017-11-03 | 广东工业大学 | 一种电力系统的最优潮流计算方法及装置 |
CN109738519A (zh) * | 2019-01-04 | 2019-05-10 | 国网四川省电力公司广安供电公司 | 一种变压器高压套管引线超声检测的去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112926620A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
Sun et al. | Fault diagnosis of power transformers using computational intelligence: A review | |
CN110879917A (zh) | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 | |
CN112926620B (zh) | 一种变压器套管局部放电的缺陷类型识别方法及系统 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN110118928B (zh) | 一种基于误差逆传播算法的断路器故障诊断方法 | |
CN110689069A (zh) | 一种基于半监督bp网络的变压器故障类型诊断方法 | |
CN111104972A (zh) | 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法 | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN112307963A (zh) | 一种基于振动信号的换流变压器运行状态识别方法 | |
CN111652479A (zh) | 一种针对电力系统动态安全评估的数据驱动方法 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
CN107798283A (zh) | 一种基于决策导向无环图的神经网络故障多类分类器 | |
CN113283491A (zh) | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN112084709B (zh) | 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法 | |
CN112684295A (zh) | 一种基于相似离度的高渗透率下配电网故障选线方法及系统 | |
CN116562121A (zh) | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 | |
Liu et al. | Dynamic security assessment of western Danish power system based on ensemble decision trees | |
CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
CN114417909A (zh) | 一种气体绝缘组合电器的故障识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |