CN112990546A - 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 - Google Patents
一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 Download PDFInfo
- Publication number
- CN112990546A CN112990546A CN202110172221.7A CN202110172221A CN112990546A CN 112990546 A CN112990546 A CN 112990546A CN 202110172221 A CN202110172221 A CN 202110172221A CN 112990546 A CN112990546 A CN 112990546A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- particle swarm
- type
- chemical plant
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002245 particle Substances 0.000 title claims abstract description 39
- 239000000126 substance Substances 0.000 title claims abstract description 23
- 210000002569 neuron Anatomy 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 21
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012824 chemical production Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/044—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
- G06N3/04—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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于粒子群与神经网络的化工厂电力变压器故障预测方法,根据对变压器油中溶解气体的类型和含量数据,分别建立用于数据预测的Elman神经网络和用于故障类型诊断的PNN神经网络,进一步建立以预测与诊断误差为目标,以Elman网络隐藏层神经元个数目、PNN网络径向基函数分布系数和容许最大误差率为约束,采用粒子群算法优化神经网络参数,从而建立准确的变压器故障预测和诊断模型,为变压器进行检修提供更多参考信息,同时预测评估变压器使用寿命。
Description
技术领域
本发明涉及电力系统领域,具体涉及一种基于粒子群与神经网络的化工厂电力变压器故障预测方法。
背景技术
电网的安全稳定运行是可靠供电的基础,电网一旦发生故障,不仅损坏电力设备,停止供电,影响人民正常生产、生活,严重时还会危害公共安全,造成重大经济损失和不良社会影响。化工厂电力变压器既是电力系统中的枢纽设备,又是化工生产中的关键设备,它一旦发生故障,将会对电网的安全运行和化工生产造成较严重的影响。随着设备技术水平与复杂度不断提高,设备故障对生产安全的影响也显著增大,因此要保证设备的可靠、有效的运行,必须发展故障诊断技术。
化工厂电力变压器故障按性质分为机械、电、热三种故障模式,其中机械故障通常以电或热故障的形式表现出来,因此总体上可分为放电型故障和过热型故障两大类。油中溶解气体分析技术作为目前对充油电力设备常规使用的重要监测手段,因能够及时发现变压器内部存在的早期故障,被认为是油浸电力设备故障诊断中最为广泛接受的方法之一。近年来,随着在线监测技术、计算机技术和人工智能技术的发展,人们对变压器故障诊断方法进行了大量地研究,根据变压器油中溶解气体组分及含量与变压器状态之间的对应关系,提出了许多有效的方法,如模糊逻辑、专家系统、灰色理论、神经网络法等,总结起来大致分为传统比值诊断法和基于DGA技术的智能诊断法两大类,这些方法大大提高了故障诊断的准确性、可靠性和诊断效率,为变压器故障诊断技术的发展开拓了新的途径。当前变压器故障诊断系统大多数都是采用BP网络模型,但由于BP网络自身的结构特点,在训练样本较多及要求的精度较高时,网络常常不收敛并且容易陷入局部最优,以及难以确定隐层和隐节点个数等不足,限制了它的故障诊断能力。目前变压器故障诊断领域常用的专家系统、支持向量机、BP神经网络等方法,均属于浅表层机器学习方法,学习能力尤其是预测能力有限,预测和诊断正确率存在瓶颈,进一步发展起来的深度学习尽管具有较强的学习能力,但是其计算过程复杂。
发明内容
本发明的目的在于提供一种基于粒子群与神经网络的化工厂电力变压器故障预测方法,根据对变压器油中溶解气体的类型和含量数据,分别建立用于数据预测的Elman神经网络和用于故障类型判别的PNN神经网络,进一步建立以预测误差、判别误差为目标,以Elman网络隐藏层的神经元数目、PNN网络径向基函数分布系数和最大误差率为约束,采用粒子群算法优化神经网络参数,从而建立起准确的变压器故障预测和诊断模型。
为了达到上述目的,本发明采用的技术方案如下:
一种基于粒子群与神经网络的化工厂电力变压器故障预测方法,该方法包括:
采集变压器油中溶解气体的类型和含量数据;
确定所述Elman神经网络的隐藏层的神经元数目N1、所述PNN神经网络的径向基函数的分布系数S2以及容许最大误差率约束范围,生成初始粒子群;
根据所述溶解气体的类型和含量数据构建与训练所述Elman神经网络,所述Elman神经网络用于数据预测;
根据所述溶解气体的类型和含量数据构建与训练所述PNN神经网络,所述PNN神经网络用于故障类型判别;
计算适应度值,利用粒子群算法求解最优粒子,其中,所述最优粒子即最优Elman神经网络的隐藏层的神经元数目N0和PNN网络径向基函数分布系数S0。
可选地,所述溶解气体的类型包括甲烷、乙烷、乙炔、一氧化碳和二氧化碳中的至少一个。
可选地,所述Elman神经网络的建立过程具体包括:将溶解气体的类型和含量数据作为输入数据传送到输入层,设置隐藏层神经元个数,隐藏层接着对信号进行线性加权,承接层作为延时算子进行非线性函数传送,对隐藏层传输信号记录后再次传送给输入层。
可选地,所述PNN神经网络的建立过程具体包括:将溶解气体的类型和含量数据作为输入数据传送至输入层,类别层单元表示故障类型,模式层表示计算输入数据与故障类型之间的匹配关系,求和层将属于故障类型的概率进行累积,设计阈值辨别器作为输出决策层,输出判别出的故障模式。
可选地,所述隐藏层的神经元数目N1约束在3至20间的整数,所述径向基函数分布系数S2约束在0.1至3间的实数,从而随机生成初始粒子群。
可选地,所述PNN神经网络的输入包含实际数据和Elman网络输出预测数据。
可选地,所述适应度为训练结果与测试数据的误差,训练结果与测试数据的误差约束通过误差率来表示,即误差数目比测试数目,所述误差率不超过10%。
可选地,所述方法还包括:
对溶解气体的类型和含量数据进行预处理;
根据预处理后的数据选取训练数据集和测试数据集。
可选地,所述预处理包括数据清洗和数据主成分分析,所述数据清洗用于剔除干扰数据或噪声数据,所述数据主成分分析用于提出数据特征量。
可选地,将预处理后的数据分为训练数据集和测试数据集,测试数据集不少于总数据量的三分之一。
与现有技术相比,本发明至少具有以下优点之一:
本发明根据溶解气体的类型和含量数据的历史数据,训练Elman神经网络,从而实现数据预测;根据溶解气体的类型和含量数据的历史数据和和故障类型经验值,训练PNN神经网络,从而实现故障类型判别。单个Elman只适合进行数据预测,单个PNN只适合进行数据分类,将两者有效结合,能够同时实现数据预测和分类,更适用于化工厂电力变压器的预测性维护。
本发明通过Elman网络预测和PNN网络诊断相结合,同时利用粒子群算法对于Elman网络和PNN网络参数优化,既提高了学习能力,又降低了计算复杂度。
附图说明
图1是本发明一实施例中的原理图;
图2是本发明一实施例中的流程图;
图3是本发明一实施例中的变压器处的结构示意图。
具体实施方式
以下结合附图1~3和具体实施方式对本发明作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,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过程、基于粒子群与神经网络的化工厂电力变压器故障预测方法、物品或者现场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、基于粒子群与神经网络的化工厂电力变压器故障预测方法、物品或者现场设备所固有的要素。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、基于粒子群与神经网络的化工厂电力变压器故障预测方法、物品或者现场设备中还存在另外的相同要素。
请参阅图1~2所示,本实施例提供的一种基于粒子群与神经网络的化工厂电力变压器故障预测方法,该方法包括:
采集变压器油中溶解气体的类型和含量数据;
确定所述Elman神经网络的隐藏层的神经元数目N1、所述PNN神经网络的径向基函数的分布系数S2以及容许最大误差率约束范围,生成初始粒子群;
根据所述溶解气体的类型和含量数据构建与训练所述Elman神经网络,所述Elman神经网络用于数据预测;
根据所述溶解气体的类型和含量数据构建与训练所述PNN神经网络,所述PNN神经网络用于故障类型判别;
计算适应度值,利用粒子群算法求解最优粒子,其中,所述最优粒子即最优Elman神经网络的隐藏层的神经元数目N0和PNN网络径向基函数分布系数S0。
本实施例中,所述溶解气体的类型包括甲烷、乙烷、乙炔、一氧化碳和二氧化碳中的至少一个。
本实施例中,所述Elman神经网络的建立过程具体包括:将溶解气体的类型和含量数据作为输入数据传送到输入层,设置隐藏层神经元个数,隐藏层接着对信号进行线性加权,承接层作为延时算子进行非线性函数传送,对隐藏层传输信号记录后再次传送给输入层。
本实施例中,所述PNN神经网络的建立过程具体包括:将溶解气体的类型和含量数据作为输入数据传送至输入层,类别层单元表示故障类型,模式层表示计算输入数据与故障类型之间的匹配关系,求和层将属于故障类型的概率进行累积,设计阈值辨别器作为输出决策层,输出判别出的故障模式。
本实施例中,所述隐藏层的神经元数目N1约束在3至20间的整数,所述径向基函数分布系数S2约束在0.1至3间的实数,从而随机生成初始粒子群。
本实施例中,所述PNN神经网络的输入包含实际数据和Elman网络输出预测数据。
本实施例中,所述适应度为训练结果与测试数据的误差,训练结果与测试数据的误差约束通过误差率来表示,即误差数目比测试数目,所述误差率不超过10%。
本实施例中,所述方法还包括:
对溶解气体的类型和含量数据进行预处理;
根据预处理后的数据选取训练数据集和测试数据集。
本实施例中,所述预处理包括数据清洗和数据主成分分析,所述数据清洗用于剔除干扰数据或噪声数据,所述数据主成分分析用于提出数据特征量。
本实施例中,将预处理后的数据分为训练数据集和测试数据集,测试数据集不少于总数据量的三分之一。
本实施例将N1、S2作为种群向量,误差率作为优化目标,设置N1、S2和容许最大误差率约束,生成初始粒子群;根据初始种群N1、S2值,构建与训练Elman网络进行数据预测,构建与训练PNN网络进行故障诊断;计算适应度值,即训练结果与测试数据误差,更新全局极值点,更新粒子位置和速度,反复迭代求解最优粒子,即最优Elman网络隐藏层神经元个数目N0、PNN网络径向基函数分布系数S0。
请参阅图3所示,本实施例中的变压器在实际运行过程中,将采集的变压器油溶解气体传感器数据,传送至就近布置的边缘计算设备,边缘计算设备中部署本发明提出的算法,通过反复训练,得到误差率最低的变压器故障预测与诊断模型,进而利用该模型,代入气体传感器传输数据,进行变压器运行故障诊断、使用寿命预测,并将数据通过Iot设备上传至云端,用于显示和分析。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,该方法包括:
采集变压器油中溶解气体的类型和含量数据;
确定Elman神经网络的隐藏层的神经元数目N1、PNN神经网络的径向基函数的分布系数S2以及容许最大误差率约束范围,生成初始粒子群;
根据所述溶解气体的类型和含量数据构建与训练所述Elman神经网络,所述Elman神经网络用于数据预测;
根据所述溶解气体的类型和含量数据构建与训练所述PNN神经网络,所述PNN神经网络用于故障类型判别;
计算适应度值,利用粒子群算法求解得到最优Elman神经网络的隐藏层的神经元数目N0和PNN网络径向基函数分布系数S0。
2.如权利要求1所述的基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,所述溶解气体的类型包括甲烷、乙烷、乙炔、一氧化碳和二氧化碳中的至少一个。
3.如权利要求1所述的基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,所述Elman神经网络的建立过程具体包括:将溶解气体的类型和含量数据传送到输入层,设置隐藏层神经元个数,隐藏层接着对信号进行线性加权,承接层作为延时算子进行非线性函数传送,对隐藏层传输信号记录后再次传送给输入层。
4.如权利要求1所述的基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,所述PNN神经网络的建立过程具体包括:将溶解气体的类型和含量数据传送至输入层,类别层单元表示故障类型,模式层表示计算输入数据与故障类型之间的匹配关系,求和层将属于故障类型的概率进行累积,设计阈值辨别器作为输出决策层,输出判别出的故障模式。
5.如权利要求1所述的基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,所述隐藏层的神经元数目N1约束在3至20间的整数,所述径向基函数分布系数S2约束在0.1至3间的实数。
6.如权利要求1所述的基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,所述PNN神经网络的输入包含实际数据和预测数据。
7.如权利要求6所述的基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,所述适应度为训练结果与测试数据的误差,训练结果与测试数据的误差约束通过误差率来表示,所述误差率不超过10%。
8.如权利要求1所述的基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,所述方法还包括:
对溶解气体的类型和含量数据进行预处理;
根据预处理后的数据选取训练数据集和测试数据集。
9.如权利要求8所述的基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,所述预处理包括数据清洗和数据主成分分析,所述数据清洗用于剔除干扰数据或噪声数据,所述数据主成分分析用于提出数据特征量。
10.如权利要求8所述的基于粒子群与神经网络的化工厂电力变压器故障预测方法,其特征在于,将预处理后的数据分为训练数据集和测试数据集,测试数据集不少于总数据量的三分之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172221.7A CN112990546A (zh) | 2021-02-08 | 2021-02-08 | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172221.7A CN112990546A (zh) | 2021-02-08 | 2021-02-08 | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990546A true CN112990546A (zh) | 2021-06-18 |
Family
ID=76347507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110172221.7A Pending CN112990546A (zh) | 2021-02-08 | 2021-02-08 | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990546A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252807A (zh) * | 2021-12-24 | 2022-03-29 | 国网湖北省电力有限公司经济技术研究院 | 一种基于寿命差异化现象的变压器寿命预测方法 |
CN116306095A (zh) * | 2023-01-16 | 2023-06-23 | 中国电建集团北京勘测设计研究院有限公司 | 基于边缘计算的抽水蓄能机组故障诊断系统及方法 |
CN117369425A (zh) * | 2023-12-08 | 2024-01-09 | 南昌华翔汽车内外饰件有限公司 | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 |
CN117390520A (zh) * | 2023-12-08 | 2024-01-12 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408687A (zh) * | 2016-11-24 | 2017-02-15 | 沈阳航空航天大学 | 一种基于机器学习方法的汽车发动机故障预警方法 |
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN110009136A (zh) * | 2019-03-12 | 2019-07-12 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器及配电线路的负荷预测方法 |
CN110501603A (zh) * | 2019-07-24 | 2019-11-26 | 昆明理工大学 | 利用emd与神经网络的永富直流换相失败故障诊断方法 |
CN111461187A (zh) * | 2020-03-20 | 2020-07-28 | 淮阴工学院 | 一种建筑物沉降智能检测系统 |
CN112257335A (zh) * | 2020-10-10 | 2021-01-22 | 西南交通大学 | 一种结合pnn和svm的油浸式变压器的故障诊断方法 |
-
2021
- 2021-02-08 CN CN202110172221.7A patent/CN112990546A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN106408687A (zh) * | 2016-11-24 | 2017-02-15 | 沈阳航空航天大学 | 一种基于机器学习方法的汽车发动机故障预警方法 |
CN110009136A (zh) * | 2019-03-12 | 2019-07-12 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器及配电线路的负荷预测方法 |
CN110501603A (zh) * | 2019-07-24 | 2019-11-26 | 昆明理工大学 | 利用emd与神经网络的永富直流换相失败故障诊断方法 |
CN111461187A (zh) * | 2020-03-20 | 2020-07-28 | 淮阴工学院 | 一种建筑物沉降智能检测系统 |
CN112257335A (zh) * | 2020-10-10 | 2021-01-22 | 西南交通大学 | 一种结合pnn和svm的油浸式变压器的故障诊断方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252807A (zh) * | 2021-12-24 | 2022-03-29 | 国网湖北省电力有限公司经济技术研究院 | 一种基于寿命差异化现象的变压器寿命预测方法 |
CN114252807B (zh) * | 2021-12-24 | 2023-07-14 | 国网湖北省电力有限公司经济技术研究院 | 一种基于寿命差异化现象的变压器寿命预测方法 |
CN116306095A (zh) * | 2023-01-16 | 2023-06-23 | 中国电建集团北京勘测设计研究院有限公司 | 基于边缘计算的抽水蓄能机组故障诊断系统及方法 |
CN117369425A (zh) * | 2023-12-08 | 2024-01-09 | 南昌华翔汽车内外饰件有限公司 | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 |
CN117390520A (zh) * | 2023-12-08 | 2024-01-12 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及系统 |
CN117369425B (zh) * | 2023-12-08 | 2024-02-27 | 南昌华翔汽车内外饰件有限公司 | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 |
CN117390520B (zh) * | 2023-12-08 | 2024-04-16 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
Marugán et al. | Reliability analysis of detecting false alarms that employ neural networks: A real case study on wind turbines | |
Wang et al. | Copula‐based model for wind turbine power curve outlier rejection | |
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
CN113792754A (zh) | 一种先除异后修复的换流变dga在线监测数据处理方法 | |
CN118155662B (zh) | 基于人工智能的变压器声纹故障识别方法 | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
CN118386024A (zh) | 一种基于人工智能的机床及其故障检测方法 | |
Schultz et al. | Culvert condition prediction via artificial neural network machine learning-based models using SMOTE | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
Man et al. | Data‐driven predictive analytics of unexpected wind turbine shut‐downs | |
CN116304663B (zh) | 基于非平衡样本增强的列控车载设备健康状态管理装置 | |
CN116561691A (zh) | 基于无监督学习机制的电厂辅机设备异常工况检测方法 | |
Pandit et al. | Data‐driven models for predicting remaining useful life of high‐speed shaft bearings in wind turbines using vibration signal analysis and sparrow search algorithm | |
CN112836570B (zh) | 一种利用高斯噪声的设备异常检测方法 | |
CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 | |
Verbeke et al. | Fleet-Based Remaining Useful Life Prediction of Safety-critical Electronic Devices | |
CN118133677B (zh) | 自适应风力机功率概率区间曲线建模方法及其应用系统 | |
CN118469158B (zh) | 一种设备维修成本估算方法及设备 | |
CN118503973B (zh) | 一种电力系统数据篡改攻击检测方法及系统 | |
CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 | |
CN118657404A (zh) | 一种基于多模态的电网健康评估与分析方法 | |
Liu et al. | Residual Analysis Based Fault Detection Method for Regulating Valves |
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 |