CN113066540B - 一种油浸式变压器非平衡故障样本预处理方法 - Google Patents

一种油浸式变压器非平衡故障样本预处理方法 Download PDF

Info

Publication number
CN113066540B
CN113066540B CN202110295799.1A CN202110295799A CN113066540B CN 113066540 B CN113066540 B CN 113066540B CN 202110295799 A CN202110295799 A CN 202110295799A CN 113066540 B CN113066540 B CN 113066540B
Authority
CN
China
Prior art keywords
samples
fault
sample
oil
class
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
Application number
CN202110295799.1A
Other languages
English (en)
Other versions
CN113066540A (zh
Inventor
吐松江·卡日
伊力哈木·亚尔买买提
刘鹏伟
张宽
孙国良
邸强
张鹏程
逯浩坦
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.)
Xinjiang University
Original Assignee
Xinjiang University
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 Xinjiang University filed Critical Xinjiang University
Priority to CN202110295799.1A priority Critical patent/CN113066540B/zh
Publication of CN113066540A publication Critical patent/CN113066540A/zh
Application granted granted Critical
Publication of CN113066540B publication Critical patent/CN113066540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computing Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了一种油浸式变压器非平衡故障样本预处理方法，涉及电气设备技术领域。本发明方法包括以下步骤：Step1：收集并整理油浸式变压器多类型故障样本，建立类样本不平衡数据集D；Step2：使用欧拉公式计算各类样本之间的欧拉距离L，并基于平均欧拉距离进行排序；Step3：依据类样本不平衡数据集D中各类样本数量及各类间平均欧拉距离值，使用自适应合成抽样法平衡多类故障样本量；Step4：使用多种基于油中溶解气分析的油浸式变压器故障诊断方法验证合成样本可靠性。本发明方法通过采用欧拉距离、自适应合成抽样及多种基于油中溶解气分析的故障诊断方法，能合理有效的解决多类样本不平衡问题，建立准确、可靠、平衡的变压器故障样本集。

Description

一种油浸式变压器非平衡故障样本预处理方法
技术领域
本发明涉及电气设备技术领域，特别是涉及一种油浸式变压器非平衡故障样本预处理方法。
背景技术
油浸式变压器是电力系统中昂贵且重要组成设备，其运行状态与电力系统可靠运行密切相关，当油浸式变压器出现各类缺陷及故障，不仅电力系统可靠运行带来安全隐患，严重时将导致电力生产部门面临巨大经济损失，因此有必要开展变压器故障诊断技术的研究；
由于油浸式变压器作为电力系统的重要资产，已采取多种方法与措施监视监测运行状态，避免严重故障的发生，因此从实际生产中获得的变压器故障样本数量少且不同类型故障样本差异大，出现类间样本数量不平衡问题。目前使用的重采样技术，包括欠采样、过采样将导致样本特征丢失、特征单一、仅能处理两类分类问题或样本一致性弱等问题；为此，我们提出一种油浸式变压器非平衡故障样本预处理方法。
发明内容
本发明的目的在于提供一种油浸式变压器非平衡故障样本预处理方法，解决现有样本平衡方法中存在的合成样本特征丢失、合成样本特征单一、无法平衡多分类问题或合成样本一致性弱的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种油浸式变压器非平衡故障样本预处理方法，包括以下步骤：
Step1：收集并整理油浸式变压器多类型故障样本，建立类样本不平衡数据集D；
Step2：使用欧拉公式计算各类样本之间的欧拉距离L，并基于平均欧拉距离进行排序；
Step3：综合考虑样本量及类间平均欧拉距离值，使用自适应合成抽样法平衡多类故障样本量；
Step4：使用多种基于油中溶解气分析的油浸式变压器故障诊断方法验证合成样本可靠性；
Step5：出现异常样本时重复上述步骤直至生成样本可靠、类间平衡的故障样本集合；
Step6：完成故障样本类间数量的平衡。
优选地，所述Step1中故障样本集合包含有6种故障类型的油色谱样本，所述油色谱样本由5种特征气体的含量特征构成。
优选地，所述Step2中，包括如下步骤：
Step21、针对所建立的类样本不平衡数据集D,为了消除不同样本之间的量纲不一致性，对原始故障数据集数据进行归一化处理；
Step22、针对所建立的类样本不平衡数据集D，对所有故障样本进行归一化处理后，计算各类样本之间的欧拉距离。
优选地，所述Step3中，包括如下步骤：
Step31、明确样本含量最多的类Cnmax，及与该类平均欧拉距离最小的类CLmin，使用自适应合成抽样方法平衡类Cnmax与类CLmin的样本数，使之相等；假设集样本D包含m个样本{xi,yi},i＝1,2,…,m,其中xi是n维特征空间X的一个样本，yi∈Y＝{1，-1}是类标签；取yi＝1为多类样本，yi＝-1是少类样本；其中ms和ml分别表示少类和多数类样本的数目。因此，有ms≤ml，且ms+ml＝m；
Step32、再次查找与类Cnmax间平均欧拉距离次小的类CLmin+1，如果该距离小于其他任何两类间的距离，则再次使用自适应合成抽样方法平衡类Cnmax与类CLmin+1的样本数，使之相等；否则查找与CLmin间平均欧拉距离最小的类CLmin-i，直至使用自适应合成抽样法实现所有类间样本数量相等。
优选地，所述Step4中，包括如下步骤：
Step41、使用多种基于油中溶解气的变压器故障诊断方法保证Step3合成的新故障样本，确保故障诊断结果与该故障样本所属类一致；否则，该合成故障样本需被剔除；
其中，基于油中溶解气的变压器故障诊断方法包括IEC三比值法、改良三比值法和大卫三角法。
使用IEC三比值法、改良三比值法和大卫三角法对合成的新样本进行诊断分析，当至少有两种上述方法诊断新样本的结果与少类样本固有故障类型一致时，则作为准确、可靠样本保留；当上述三种方法诊断新样本的结果各不相同，或诊断结果与少类样本固有故障类型不一致时，则作为错误样本剔除。
Step42、验证所有合成样本，剔除不一致样本；当出现类间样本数量不平衡时，重复Step3、Step4，直至实现所有类别样本数量相等。
通过上述步骤，即可建立准确、可靠、平衡的变压器故障样本集，为开展变压器故障诊断奠定可靠的数据基础。
优选地，所述Step21中采用的极值标准化公式如下：
Figure GDA0003946104380000041
其中：xik为第i个样本中第k个特征数据，而xikmax和xikmin分别表示第k个特征的最大值与最小值，k＝1,2,…,5。
优选地，所述Step22中，取故障样本Xp＝[X1pX2pX3pX4pX5p]、Yq＝[Y1qY2qY3qY4qY5q]分别属于不同的两个故障类型C1、C2，其中故障类型C1、C2所含样本数分别为m和n(m≠n)，则该两个不同类型样本间的欧拉距离L及平均欧拉距离Lavg计算公式如下：
Figure GDA0003946104380000042
Figure GDA0003946104380000043
依据上式依次计算所有6种不同类型故障样本两两之间的欧拉距离，并根据距离大小依次排序，得到欧拉距离序列O＝[La1,La2,…Lar,…La15]。
优选地，所述Step1中5种特征气体为甲烷(CH4)、氢气(H2)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)，所述6种故障类型包括局部放电(PD)、低能放电(LD)、高能放电(HD)、低温过热(LT)、中温过热(MT)、高温过热(HT)。
本发明具有以下有益效果：
本发明一种油浸式变压器非平衡故障样本预处理方法利用基于油中溶解气的诊断方法验证合成样本准确性，建立准确、可靠、平衡的油浸式变压器故障样本集，为开展变压器故障诊断奠定可靠的数据基础。
本发明一种油浸式变压器非平衡故障样本预处理方法通过采用欧拉距离、自适应合成抽样及多种基于油中溶解气分析的故障诊断方法，解决以往样本平衡方法中存在的样本特征丢失、特征单一、仅能处理两类分类问题或样本一致性弱等问题，合理有效的处理多类样本不平衡问题，建立准确、可靠、平衡的变压器故障样本集，为开展变压器故障诊断奠定可靠的数据基础。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，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他的附图。
图1为本发明的一种油浸式变压器非平衡故障样本预处理方法的操作方法流程图；
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所示：本发明为一种油浸式变压器非平衡故障样本预处理方法，包括以下步骤：
Step1：收集并整理油浸式变压器多类型故障样本，建立类样本不平衡数据集D；
Step2：使用欧拉公式计算各类样本之间的欧拉距离L，并基于平均欧拉距离进行排序；
Step3：综合考虑样本量及类间平均欧拉距离值，使用自适应合成抽样法平衡多类故障样本量；
Step4：使用多种基于油中溶解气分析的油浸式变压器故障诊断方法验证合成样本可靠性；
Step5：出现异常样本时重复上述步骤直至生成样本可靠、类间平衡的故障样本集合；
Step6：完成故障样本类间数量的平衡。
其中，Step1中故障样本集合包含有6种故障类型的油色谱样本，油色谱样本由5种特征气体的含量特征构成。
其中，Step2中，包括如下步骤：
Step21、针对所建立的类样本不平衡数据集D,为了消除不同样本之间的量纲不一致性，对原始故障数据集数据进行归一化处理；
Step22、针对所建立的类样本不平衡数据集D，对所有故障样本进行归一化处理后，计算各类样本之间的欧拉距离。
其中，Step3中，包括如下步骤：
Step31、明确样本含量最多的类Cnmax，及与该类平均欧拉距离最小的类CLmin，使用自适应合成抽样方法平衡类Cnmax与类CLmin的样本数，使之相等；
其中，使用自适应合成抽样方法进行样本平衡的方法如下：
假设集样本D包含m个样本{xi,yi},i＝1,2,…,m,其中xi是n维特征空间X的一个样本，yi∈Y＝{1，-1}是类标签；取yi＝1为多类样本，yi＝-1是少类样本；其中ms和ml分别表示少类和多数类样本的数目；因此，有ms≤ml，且ms+ml＝m；则样本平衡步骤如下：
①、计算样本集D的不平衡度d＝ms/ml，式中d∈(0,1]；求解计算需要合成的少数样本数G，其计算公式为G＝(ml-ms)×β，式中β∈(0,1]。β表示加入合成样本后的不平衡度；β＝1表示加入合成样本后多数类和少数类完全平衡；
②、对少数类的每个样本xi，找出它们在n维空间的K近邻，并计算其比率ri＝△i/K，i＝1,2，m，式中△i是xi的K近邻中多数类的数目，ri∈(0,1]。根据
Figure GDA0003946104380000071
正则化ri，那么ri概率分布
Figure GDA0003946104380000072
计算每个少数类样本周围多数类的情况；
③、根据每个少数样本xi计算合成的样本数目gi，其计算公式为：
Figure GDA0003946104380000073
式中G是合成样本的总数。在每个待合成的少数类样本周围k个邻居中选择1个少数类样本，根据下列等式进行合成：sj＝xi+(xzi-xi)×λ。
通过上述步骤，即可实现少类样本与多类样本之间的样本数量一致，达到平衡。
Step32、再次查找与类Cnmax间平均欧拉距离次小的类CLmin+1，如果该距离小于其他任何两类间的距离，则再次使用自适应合成抽样方法平衡类Cnmax与类CLmin+1的样本数，使之相等；否则查找与CLmin间平均欧拉距离最小的类CLmin-i，直至使用自适应合成抽样法实现所有类间样本数量相等。
其中，Step4中，包括如下步骤：
Step41、使用多种基于油中溶解气的变压器故障诊断方法保证Step3合成的新故障样本，确保故障诊断结果与该故障样本所属类一致；否则，该合成故障样本需被剔除；
其中，基于油中溶解气的变压器故障诊断方法包括IEC三比值法、改良三比值法和大卫三角法，其故障诊断方法如下表1所示：
表1IEC三比值法及改良三比值法
Figure GDA0003946104380000081
Figure GDA0003946104380000091
基于大卫三角的诊断方法如表2所示，其中CH4％＝CH4/(CH4+C2H4+C2H2)，C2H4％＝C2H4/(CH4+C2H4+C2H2)，C2H2％＝C2H2/(CH4+C2H4+C2H2)。
表2基于大卫三角诊断方法
Figure GDA0003946104380000092
使用IEC三比值法、改良三比值法和大卫三角法对合成的新样本进行诊断分析，当至少有两种上述方法诊断新样本的结果与少类样本固有故障类型一致时，则作为准确、可靠样本保留；当上述三种方法诊断新样本的结果各不相同，或诊断结果与少类样本固有故障类型不一致时，则作为错误样本剔除。
Step42、验证所有合成样本，剔除不一致样本；当出现类间样本数量不平衡时，重复Step3、Step4，直至实现所有类别样本数量相等。
通过上述步骤，即可建立准确、可靠、平衡的变压器故障样本集，为开展变压器故障诊断奠定可靠的数据基础。
其中，Step21中采用的极值标准化公式如下：
Figure GDA0003946104380000101
其中：xik为第i个样本中第k个特征数据，而xikmax和xikmin分别表示第k个特征的最大值与最小值，k＝1,2,…,5。
其中，Step22中，取故障样本Xp＝[X1pX2pX3pX4pX5p]、Yq＝[Y1qY2qY3qY4qY5q]分别属于不同的两个故障类型C1、C2，其中故障类型C1、C2所含样本数分别为m和n(m≠n)，则该两个不同类型样本间的欧拉距离L及平均欧拉距离Lavg计算公式如下：
Figure GDA0003946104380000102
Figure GDA0003946104380000103
依据上式依次计算所有6种不同类型故障样本两两之间的欧拉距离，并根据距离大小依次排序，得到欧拉距离序列O＝[La1,La2,…Lar,…La15]。
其中，Step1中5种特征气体为甲烷(CH4)、氢气(H2)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)，6种故障类型包括局部放电(PD)、低能放电(LD)、高能放电(HD)、低温过热(LT)、中温过热(MT)、高温过热(HT)。
本发明通过采用欧拉距离、自适应合成抽样及多种基于油中溶解气分析的故障诊断方法，解决以往样本平衡方法中存在的样本特征丢失、特征单一、仅能处理两类分类问题或样本一致性弱等问题，合理有效的处理多类样本不平衡问题，建立准确、可靠、平衡的变压器故障样本集，为开展变压器故障诊断奠定可靠的数据基础。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种油浸式变压器非平衡故障样本预处理方法，其特征在于：所述预处理方法包括以下步骤：
Step1：收集并整理油浸式变压器多类型故障样本，建立类样本不平衡数据集D；
Step2：使用欧拉公式计算各类样本之间的欧拉距离L，并基于平均欧拉距离进行排序；
Step3：依据类样本不平衡数据集D中各类样本数量及各类间平均欧拉距离值，使用自适应合成抽样法平衡多类故障样本量，包括，
Step31、明确样本含量最多的类Cnmax，及与该类平均欧拉距离最小的类CLmin，使用自适应合成抽样方法平衡类Cnmax与类CLmin的样本数，使之相等；
Step32、再次查找与类Cnmax间平均欧拉距离次小的类CLmin+1，如果该距离小于其他任何两类间的距离，则再次使用自适应合成抽样方法平衡类Cnmax与类CLmin+1的样本数，使之相等；否则查找与CLmin间平均欧拉距离最小的类CLmin-i，直至使用自适应合成抽样法实现所有类间样本数量相等；
Step4：使用多种基于油中溶解气分析的油浸式变压器故障诊断方法验证合成样本可靠性；
Step5：出现异常样本时重复上述步骤直至生成样本可靠、类间平衡的故障样本集合；
Step6：完成故障样本类间数量的平衡。
2.根据权利要求1所述的一种油浸式变压器非平衡故障样本预处理方法，其特征在于，所述Step1中类样本不平衡数据集D包含有6种故障类型的油色谱样本，所述油色谱样本由5种特征气体的含量特征构成。
3.根据权利要求1所述的一种油浸式变压器非平衡故障样本预处理方法，其特征在于，所述Step2中，包括如下步骤：
Step21、针对所建立的类样本不平衡数据集D，为了消除不同样本之间的量纲不一致性，对原始故障数据集数据进行归一化处理；
Step22、针对所建立的类样本不平衡数据集D，对所有故障样本进行归一化处理后，计算各类样本之间的欧拉距离。
4.根据权利要求1所述的一种油浸式变压器非平衡故障样本预处理方法，其特征在于，所述Step4中，包括如下步骤：
Step41、使用多种基于油中溶解气的变压器故障诊断方法验证Step3合成的新故障样本，确保故障诊断结果与该故障样本所属类一致；否则，该合成故障样本需被剔除；
Step42、验证所有合成样本，剔除不一致样本；当出现类间样本数量不平衡时，重复Step3、Step4，直至实现所有类别样本数量相等。
5.根据权利要求3所述的一种油浸式变压器非平衡故障样本预处理方法，其特征在于，所述Step21中采用的极值标准化公式如下：
Figure FDA0003959356490000021
其中：xik为第i个样本中第k个特征数据，而xikmax和xikmin分别表示第k个特征的最大值与最小值，k＝1,2,…,5。
6.根据权利要求5所述的一种油浸式变压器非平衡故障样本预处理方法，其特征在于，所述Step22中，取故障样本Xp＝[X1p X2p X3p X4p X5p]、Yq＝[Y1q Y2q Y3qY4q Y5q]分别属于不同的两个故障类型C1、C2，其中故障类型C1、C2所含样本数分别为m和n(m≠n)，则该两个不同类型样本间的欧拉距离L及平均欧拉距离Lavg计算公式如下：
Figure FDA0003959356490000031
Figure FDA0003959356490000032
依据上式依次计算所有6种不同类型故障样本两两之间的欧拉距离，并根据距离大小依次排序，得到欧拉距离序列O＝[La1,La2,…Lar,…La15]。
7.根据权利要求2所述的一种油浸式变压器非平衡故障样本预处理方法，其特征在于，所述Step1中5种特征气体为甲烷(CH4)、氢气(H2)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)，所述6种故障类型包括局部放电(PD)、低能放电(LD)、高能放电(HD)、低温过热(LT)、中温过热(MT)、高温过热(HT)。
CN202110295799.1A 2021-03-19 2021-03-19 一种油浸式变压器非平衡故障样本预处理方法 Active CN113066540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110295799.1A CN113066540B (zh) 2021-03-19 2021-03-19 一种油浸式变压器非平衡故障样本预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110295799.1A CN113066540B (zh) 2021-03-19 2021-03-19 一种油浸式变压器非平衡故障样本预处理方法

Publications (2)

Publication Number Publication Date
CN113066540A CN113066540A (zh) 2021-07-02
CN113066540B true CN113066540B (zh) 2023-04-11

Family

ID=76562367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110295799.1A Active CN113066540B (zh) 2021-03-19 2021-03-19 一种油浸式变压器非平衡故障样本预处理方法

Country Status (1)

Country Link
CN (1) CN113066540B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113702728A (zh) * 2021-07-12 2021-11-26 广东工业大学 一种基于组合采样和LightGBM的变压器故障诊断方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2983370A1 (en) * 2015-04-30 2016-11-03 General Electric Technology Gmbh Fault location detection and distance protection apparatus and associated method
CN106770939A (zh) * 2016-12-08 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于支持向量描述和k近质心近邻的变压器故障诊断方法
CN110133146A (zh) * 2019-05-28 2019-08-16 国网上海市电力公司 一种考虑不平衡数据样本的变压器故障诊断方法及系统
CN110567720A (zh) * 2019-08-07 2019-12-13 东北电力大学 非平衡小样本场景下风机轴承故障深度对抗诊断方法
CN111832664A (zh) * 2020-07-31 2020-10-27 华北电力大学（保定） 基于Borderline SMOTE的电力变压器故障样本均衡化和故障诊断方法
WO2020244771A1 (en) * 2019-06-06 2020-12-10 NEC Laboratories Europe GmbH Diversity-aware weighted majority vote classifier for imbalanced datasets

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921208A (zh) * 2018-06-20 2018-11-30 天津大学 基于深度学习的不平衡数据的均衡采样及建模方法
CN109816044A (zh) * 2019-02-11 2019-05-28 中南大学 一种基于wgan-gp和过采样的不平衡学习方法
CN110472671B (zh) * 2019-07-24 2023-05-12 西安工程大学 基于多阶段的油浸式变压器故障数据预处理方法
CN110398650B (zh) * 2019-08-05 2023-02-03 国网河北省电力有限公司电力科学研究院 基于k-邻近SMOTE和深度学习的变压器故障诊断方法
US11631029B2 (en) * 2019-09-09 2023-04-18 Adobe Inc. Generating combined feature embedding for minority class upsampling in training machine learning models with imbalanced samples
CN110909977A (zh) * 2019-10-12 2020-03-24 郑州电力高等专科学校 基于adasyn-dhsd-et的电网故障诊断方法
CN111275204B (zh) * 2020-02-25 2023-04-07 西安工程大学 一种基于混合采样和集成学习的变压器状态识别方法
CN112001425B (zh) * 2020-07-29 2024-05-03 中国银联股份有限公司 一种数据处理方法、装置及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2983370A1 (en) * 2015-04-30 2016-11-03 General Electric Technology Gmbh Fault location detection and distance protection apparatus and associated method
CN106770939A (zh) * 2016-12-08 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于支持向量描述和k近质心近邻的变压器故障诊断方法
CN110133146A (zh) * 2019-05-28 2019-08-16 国网上海市电力公司 一种考虑不平衡数据样本的变压器故障诊断方法及系统
WO2020244771A1 (en) * 2019-06-06 2020-12-10 NEC Laboratories Europe GmbH Diversity-aware weighted majority vote classifier for imbalanced datasets
CN110567720A (zh) * 2019-08-07 2019-12-13 东北电力大学 非平衡小样本场景下风机轴承故障深度对抗诊断方法
CN111832664A (zh) * 2020-07-31 2020-10-27 华北电力大学（保定） 基于Borderline SMOTE的电力变压器故障样本均衡化和故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于SVM SMOTE的电力变压器故障样本均衡化方法;刘云鹏 等;《高电压技术》;20200311;第46卷(第07期);2522-2529 *
基于流形嵌入过采样的非平衡数据分类方法;程健 等;《中国矿业大学学报》;20180404;第47卷(第06期);1325-1333 *
考虑边界稀疏样本的非平衡数据处理方法;陆万荣 等;《重庆邮电大学学报(自然科学版)》;20200615;第32卷(第03期);495-502 *

Also Published As

Publication number Publication date
CN113066540A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN112699913B (zh) 一种台区户变关系异常诊断方法及装置
CN110297841B (zh) 一种变压器故障诊断与快速索引方法及系统
CN109816033A (zh) 一种基于优化的监督学习进行台区用户识别的方法
CN105242155A (zh) 一种基于熵权法和灰色关联分析的变压器故障诊断方法
CN113066540B (zh) 一种油浸式变压器非平衡故障样本预处理方法
CN114167180B (zh) 一种基于图注意力神经网络的充油电气设备故障诊断方法
CN111460727A (zh) 一种利用多参量的变压器寿命预测方法
CN115081933B (zh) 一种基于改进谱聚类的低压用户拓扑构建方法和系统
CN116562114A (zh) 一种基于图卷积神经网络的电力变压器故障诊断方法
CN113866552A (zh) 一种基于机器学习的中压配网用户用电异常诊断方法
CN114814501A (zh) 一种电容式电压互感器电容击穿故障在线诊断方法
CN115511387A (zh) 基于多源信息融合的油浸变压器状态评估方法及系统
CN105279315B (zh) 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法
CN118033427A (zh) 一种电池组不一致性诊断方法
Dias et al. An unsupervised approach for fault diagnosis of power transformers
CN113887623A (zh) 基于ifcm-bb的变压器故障诊断方法
CN109784777B (zh) 基于时序信息片段云相似度度量的电网设备状态评估方法
Bigdeli Hybrid k-means-PSO technique for transformer insulation moisture determination in the production stage based on frequency response analysis
CN113204894B (zh) 一种电能计量异常诊断模型的构建方法及应用
CN111914384A (zh) 一种基于自相关潜变量模型的化工过程状态监测方法
CN114019365A (zh) 一种基于油中气体检测技术的有载分接开关故障诊断方法
CN114324712A (zh) 变压器油色谱故障判断方法、装置、终端及存储介质
CN111832145B (zh) 一种油浸式电力变压器的故障诊断方法及系统
Kumar et al. Transformer incipient fault prediction using support vector machine (SVM)
CN112420136A (zh) 一种六氟化硫高压设备潜伏性故障溯源的方法

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
GR01 Patent grant
GR01 Patent grant