CN114035431A - 一种自主纠偏的电力变压器油色谱判断方法 - Google Patents
一种自主纠偏的电力变压器油色谱判断方法 Download PDFInfo
- Publication number
- CN114035431A CN114035431A CN202111233226.2A CN202111233226A CN114035431A CN 114035431 A CN114035431 A CN 114035431A CN 202111233226 A CN202111233226 A CN 202111233226A CN 114035431 A CN114035431 A CN 114035431A
- Authority
- CN
- China
- Prior art keywords
- error correction
- neuron
- loss function
- power transformer
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012937 correction Methods 0.000 claims abstract description 74
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000004587 chromatography analysis Methods 0.000 claims abstract description 8
- 238000012821 model calculation Methods 0.000 claims abstract description 8
- 239000010410 layer Substances 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 53
- 210000002569 neuron Anatomy 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000011208 chromatographic data Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
Landscapes
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明涉及一种自主纠偏的电力变压器油色谱判断方法,属于电力系统领域。建立类别差异程度数据库;原始油色谱数据被稀疏自编码器映射至高维空间;构造误差修正决策单元和基于该误差修正决策单元的多级可控误差修正模型;对模型计算的准确性能进行评估。本发明的自适应性性纠偏策略的电力变压器油色谱诊断方法,首先建立类别差异程度数据库,并将原始油色谱数据被稀疏自编码器映射至高维空间,然后构造误差修正决策单元和基于该误差修正决策单元的多级可控误差修正模型,最后对模型计算的准确性能进行评估,有效控制了多层受限波尔茨曼机的修正方向和程度,提升了对模糊性规律的表述能力,可有效区分变压器故障状态。
Description
技术领域
本发明属于电力系统领域,涉及一种自主纠偏的电力变压器油色谱判断方法。
背景技术
电力变压器是电力系统的核心设备之一,其运行状态将直接影响电力系统的供电可靠性。变压器故障的形式以过热和放电为主,其绝缘结构将裂解出可溶于变压器油的CO、CO2、H2或烃类气体,裂解的气体种类和组分依据故障类型和剧烈程度的不同而存在明显差异。基于油中溶解气体分析的变压器故障诊断技术,通过监测和挖掘上述可溶性气体的变化情况,来区分已发生的设备故障或探测潜在的故障可能性,进而为变压器的状态检修和设备运维提供辅助意见。
区别于传统的数值误差修正模型,模糊聚类模型依据故障类别间的差异程度来实现建模或修正。梁永亮等学者提出了多种基于支持向量机的故障诊断方法,该类方法通过计算高维空间中不同故障数据的最近邻点与超平面间的最大几何间隔,实现故障的分类,从而提升了支持向量机分类器对模糊规律的学习能力。Lin等学者提出了多种基于k临近的电气设备故障诊断方法,该类方法通过参考与被测试点最临近的k个点的状态,划分了一个用于分类的虚拟超平面,为模糊规律的映射提供了一定的空间,实现了对测试点状态的区分。
然而,基于模糊聚类模型的诊断方法是通过划分虚拟超平面或边界来实现功能的,但对显著性规律的表述能力一般。人工神经网络的发展为挖掘显著性规律提供了新方法,尤其是以深度信念网络(deep belief network,DBN)为代表的深层神经网络模型,明显提升了模型对复杂非线性规律的表述能力。DBN由多个受限玻尔兹曼机(restrictedBoltzmann machine,RBM)单元堆叠而成,它在面向显著性映射规律的多分类问题中取得了较好的应用效果。代杰杰等将基于线性修正单元(rectified linear unit,Relu)激活函数的DBN应用于变压器的故障诊断中,其诊断准确率得到了显著提升。但在实际工况中,存在因故障案例库不完备而导致诊断模型不能获得完整映射规律的问题,从而限制了DBN在故障诊断中的应用效果。因此,增强DBN诊断模型对模糊性规律的表述能力是提升诊断准确率的重点。
综上所述,基于DBN模型的结构特点,本发明提出了一种基于误差自适应诊断的电力变压器油色谱诊断模型。该模型在保证故障间相关性完全表述的前提下,将原始的油中溶解气体分析数据映射到高维空间,获得不同故障间的类别差异度;此外,提出了可控误差修正模型,改善了训练过程的敛散性能,提升了模型对模糊性特征的映射能力。
发明内容
有鉴于此,本发明的目的在于提供一种自主纠偏的电力变压器油色谱判断方法。
为达到上述目的,本发明提供如下技术方案:
自主纠偏的电力变压器油色谱判断方法,其特征在于包括以下步骤:
a、建立类别差异程度数据库;
b、原始油色谱数据被稀疏自编码器映射至高维空间;
c、构造误差修正决策单元和基于该误差修正决策单元的多级可控误差修正模型;
d、对模型计算的准确性能进行评估。
所述的步骤a中,所述的类别差异程度数据库基于空间欧式距离建立,采用mapminmax函数的标准化方法对两两故障间的空间欧式距离进行标准化处理,其计算式为:
式中:y*为标准化的结果;ymax取1;ymin取0.1;ydmax为原始数据中的最大值;ydmin为原始数据中的最小值,该计算结果组成的矩阵为主对角线对称阵,矩阵中数据的含义为所在行故障类型和所在列故障类型间的差异程度。
为更好地实现本发明,在所述的步骤b中,采用稀疏自编码器的维度变换方法,将原始油色谱数据映射至高维空间中后计算不同故障类型在高维空间中的关联程度,并将该关联程度作为模型修正的重要依据应用于故障建模过程中,其目标函数Jsparse(wc,q)如下:
式中:JM(wc,q)为AE的损失函数;wc为网络权重矩阵;q为网络偏置矩阵,且为单位阵;ρ称为稀疏性系数;β称为惩罚因子权重;Dkl(ρ||ρj)为隐藏层第j个神经元的k-l散度值,其数学表达式为:
式中:ρj为隐含层第j个神经元的平均活跃度。若可视层包含d个神经元,则平均活跃度的表达式为:
式中:σ为神经元的激活函数;Of为上层神经元的输出值。
为更好地实现本发明,在所述的步骤c中,构造所述的误差修正决策单元时,设RBM可视层共有m个神经元,隐藏层共有n个神经元;可视层第i个神经元为vi,隐藏层第j个神经元为hj,输入层误差神经元为p可视层第i个神经元到隐含层的偏差为ai,隐藏层第j个神经元到可见层的偏差为bj,误差神经元到隐藏层的偏差为am+1;ij为层间权重,则能量函数E(v,h,a)的数学表达式为:
激活函数为sigmoid,则第一个RBM单元的边缘概率可由下面公式获得:
为更好地实现本发明,在所述的步骤c中,所述的误差修正策略包括短期损失函数变化率和长期损失函数变化率。
为更好地实现本发明,根据所述的短期损失函数变化率,监测模型的发散趋势,若模型存在发散趋势,则及时终止原迭代过程,并采用随机性方法使迭代跳出局部最优。
为更好地实现本发明,所述的短期损失函数变化率通过分别计算当前损失函数值与相隔5、15、25和35个点的损失函数值之间的变化率比值来实现,设当前损失函数值为c,相隔5、15、25和35个点的损失函数值依次为c5,c15,c25和c35,历史与当前损失函数值间的变化率依次为5,15,25和35,则变化率计算式为:
为更好地实现本发明,所述的误差修正决策单元的具体工作流程为:
1)、判断训练次数是否小于基础训练次数,若小于,则使用基于数值误差修正方法进行误差修正,否则跳转第2)步;
2)、判断模型分类结果与实际标签是否相同,若相同,则将误差神经元置0,本次迭代不进行误差修正,否则跳转第3)步;
3)、基于短期损失函数变化率和长期损失函数变化率来识别模型是否具有发散趋势和收敛能力,若判断为具有发散趋势或收敛能力较差,则进行基于故障类别差异的修正过程,否则进行基于数值误差的修正过程。
本发明的有益效果在于:
本发明建立的一种自主纠偏的电力变压器油色谱判断方法,首先建立类别差异程度数据库,将原始油色谱数据被稀疏自编码器映射至高维空间,来构造误差修正决策单元和基于该误差修正决策单元的多级可控误差修正模型,并对模型计算的准确性能进行评估,有效控制了多层受限波尔茨曼机的修正方向和程度,提升了模型对模糊性规律的表述能力,可有效区分变压器故障状态。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明的自主纠偏的电力变压器油色谱判断方法的一种流程框图;
图2为传统的DBN故障诊断模型采用了数值导向型误差修正过程的一种流程框图;
图3为油色谱数据与故障类型间存在的模糊性规律的映射规律的一种流程框图;
图4为本发明的自主纠偏的电力变压器油色谱判断方法的拓扑结构及信号传递过程的一种流程框图;
图5为本发明的自主纠偏的电力变压器油色谱判断方法的误差修正过程的一种流程框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例1:
如图1~图5所示,本发明的自主纠偏的电力变压器油色谱判断方法,包括以下步骤:
b、建立类别差异程度数据库;
b、原始油色谱数据被稀疏自编码器映射至高维空间;
c、构造误差修正决策单元和基于该误差修正决策单元的多级可控误差修正模型;
d、对模型计算的准确性能进行评估。本发明的自主纠偏的电力变压器油色谱判断方法,首先建立类别差异程度数据库;原始油色谱数据被稀疏自编码器映射至高维空间;构造误差修正决策单元和基于该误差修正决策单元的多级可控误差修正模型;对模型计算的准确性能进行评估,有效控制了多层受限波尔茨曼机的修正方向和程度,提升了模型对模糊性规律的表述能力,可有效区分变压器故障状态。
如图2所示,传统的DBN故障诊断模型采用了数值导向型误差修正过程,本发明将前向传播过程的结果称为前向输出值of,前向输出值经过神经网络分类器处理后的结果称为分类器输出值oc,原始数据标签被处理成的01序列称为标签值l。后向传播过程将前向输出值与标签值进行比较,并将两者的差值作为DBN网络误差en,然后向输入层方向传播,en的计算方法如下式所示。
en=Of-l
经典DBN的前向输出值存在较大的随机性,从而增加了模型分类错误的概率。实施案例针对6种变压器常见故障进行建模,6种故障类型分别对应6位01编码的一种。将分类器输出值修正后与标签相同的概率称为趋向标签的可能性,与标签不同的概率称为远离标签的可能性。测试表明,当分类器的训练次数较少(网络参数较差)时,远离标签的可能性较高,最高可达40%以上。
BP神经网络(back propagation neural network,BPNN)、递归神经网络(recurrent neural network,RNN)等经典神经网络模型多采用全数据学习(full batchlearning)的形式进行模型训练,即每次均使用所有样本数据对网络参数进行寻优和调整。近年来,大数据技术的快速发展使得待处理的数据量不断增加,导致基于全数据方式的模型计算时长显著增加,从而制约了深度网络在大数据应用场景下的实际效果。针对上述问题,一种数据的批量处理技术被应用于DBN训练模型中。批量处理技术将原始数据等分为若干组,并以组为单位依次存取数据进行模型训练,然后将每组训练的平均误差作为实际误差。但组内不同数据对应的误差不同,上述误差平均过程将对组内所有数据进行同等强度的修正,忽视了不同条数据的实际修正需求。
批量处理技术虽然提升了DBN在大数据应用场景中的处理速度,但该技术增加了对大误差数据修正能力不足的可能性和对小误差数据过度修正的可能性,从而导致模型的误差修正过程难以准确控制。因此,亟待提出一种针对不同误差实际的差异化修正方法,以实现准确的误差修正。
基于数值误差修正方法的DBN模型常将梯度与数据量的比值作为当前神经元的权重修正量。随着迭代过程的进行,上述修正量计算方法将产生严重的梯度弥散现象。第α个神经元的权重修正量如下式所示。
式中:dw(ε)为神经元的权重修正量;Of(ε)为前向输出值;s(ε)为误差梯度;λ为批量处理的每组数据量。当λ较大时,当前神经元的修正量dw(ε)将显著减少,批量处理的每组数据量与梯度弥散现象直接相关。此外,随着训练次数的增加,前向输出值与标签值之间的误差逐渐减小。依上式所示,基于该误差的误差梯度值减小,导致神经元的修正量dw(ε)减少。因此,经典DBN网络的权重修正量计算方法在模型训练后期容易产生梯度弥散现象。
基于数值误差修正过程的训练目标是最大程度拟合显著性规律,该目标忽略了油色谱数据与故障类型间存在的模糊性规律,得到的映射规律如图3所示。测试表明,对于同一组故障案例,基于DBN和基于IEC三比值诊断结果中错误案例的重合率较低。若重合率较大,则原始案例可能存在大量的异常值。若重合率较小,则不同诊断模型学习了映射规律中的不同部分,且很难通过简单组合模型实现模糊性规律的完备表达。
含自适应纠偏过程的变压器故障诊断模型以改进RBM训练单元为基础,基本的模型结构包括输入层、隐含层和输出层,其中隐含层的数量可多可少,输入层到隐含层可看做一个全连接层,隐含层到输出层可看作一个分类器。新增了误差修正决策单元、训练结果存储单元、输入层的误差神经元及各单元间的连接通路。初始状态下的误差神经元值为0,本发明模型的拓扑结构及信号传递过程如图4所示。其信号传递过程由3个部分组成:前向传递过程、数值误差修正过程和基于故障类别差异的修正过程。其中,误差修正过程的切换通过误差修正决策单元来控制。
在上述实施例的基础上,为进一步更好地实现本发明,所述的步骤a中,所述的类别差异程度数据库基于空间欧式距离建立,采用mapminmax函数的标准化方法对两两故障间的空间欧式距离进行标准化处理,其计算式为:
式中:y*为标准化的结果;ymax取1;ymin取0.1;ydmax为原始数据中的最大值;ydmin为原始数据中的最小值,该计算结果组成的矩阵为主对角线对称阵,矩阵中数据的含义为所在行故障类型和所在列故障类型间的差异程度。
在上述实施例的基础上,为进一步更好地实现本发明,在所述的步骤b中,采用稀疏自编码器的维度变换方法,将原始油色谱数据映射至高维空间中后计算不同故障类型在高维空间中的关联程度,并将该关联程度作为模型修正的重要依据应用于故障建模过程中,其目标函数Jsparse(wc,q)如下:
式中:JM(wc,q)为AE的损失函数;wc为网络权重矩阵;q为网络偏置矩阵,且为单位阵;ρ称为稀疏性系数;β称为惩罚因子权重;Dkl(ρ||ρj)为隐藏层第j个神经元的k-l散度值,其数学表达式为:
式中:ρj为隐含层第j个神经元的平均活跃度。若可视层包含d个神经元,则平均活跃度的表达式为:
式中:σ为神经元的激活函数;Of为上层神经元的输出值。
在上述实施例的基础上,为进一步更好地实现本发明,在所述的步骤c中,构造所述的误差修正决策单元时,设RBM可视层共有m个神经元,隐藏层共有n个神经元;可视层的第i个神经元为vi,隐藏层第j个神经元为hj,输入层误差神经元为p可视层第i个神经元到隐含层的偏差为ai,隐藏层第j个神经元到可见层的偏差为bj,误差神经元到隐藏层的偏差为am+1;ij为层间权重,则能量函数E(v,h,a)的数学表达式为:
激活函数为sigmoid,则第一个RBM单元的边缘概率可由下面公式获得:
在上述实施例的基础上,为进一步更好地实现本发明,在所述的步骤c中,所述的误差修正策略包括短期损失函数变化率和长期损失函数变化率。
根据所述的短期损失函数变化率,监测模型的发散趋势,若模型存在发散趋势,则及时终止原迭代过程,并采用随机性方法使迭代跳出局部最优。
所述的短期损失函数变化率通过分别计算当前损失函数值与相隔5、15、25和35个点的损失函数值之间的变化率比值来实现,设当前损失函数值为c,相隔5、15、25和35个点的损失函数值依次为c5,c15,c25和c35,历史与当前损失函数值间的变化率依次为5,15,25和35,则变化率计算式为:
所述的误差修正决策单元的具体工作流程为:
1)判断训练次数是否小于基础训练次数,若小于,则使用基于数值误差修正方法进行误差修正,否则跳转第2)步;
2)判断模型分类结果与实际标签是否相同,若相同,则将误差神经元置0,本次迭代不进行误差修正,否则跳转第3)步;
3)基于短期损失函数变化率和长期损失函数变化率的判断模型是否具有发散趋势和收敛能力,若判断为具有发散趋势或收敛能力较差,则进行基于故障类别差异的修正过程,否则进行基于数值误差的修正过程。
本方案提出了一种自决策主动纠偏的电力变压器油色谱诊断模型,该模型通过误差修正决策单元实现了不同修正过程的自动切换,增强了诊断模型对模糊性映射规律的表述能力,改善了训练过程的敛散性能,降低了诊断模型出现过拟合的可能性,并及时发现变压器的潜伏性故障,从而提升变电站的运维水平。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种自主纠偏的电力变压器油色谱判断方法,其特征在于:该方法包括以下步骤:
S1:建立类别差异程度数据库;
S2:原始油色谱数据被稀疏自编码器映射至高维空间;
S3:构造误差修正决策单元和基于该误差修正决策单元的多级可控误差修正模型;
S4:对模型计算的准确性能进行评估。
3.根据权利要求2所述的一种自主纠偏的电力变压器油色谱判断方法,其特征在于:所述S2中,采用稀疏自编码器的维度变换方法,将原始油色谱数据映射至高维空间中后计算不同故障类型在高维空间中的关联程度,并将该关联程度作为模型修正的重要依据应用于故障建模过程中,其目标函数Jsparse(wc,q)如下:
式中:JM为AE的损失函数;wc为网络权重矩阵;q为网络偏置矩阵,且为单位阵;ρ称为稀疏性系数;β称为惩罚因子权重;Dkl(ρ||ρj)为隐藏层第j个神经元的k-l散度值,其数学表达式为:
式中:ρj为隐含层第j个神经元的平均活跃度;若可视层包含d个神经元,则平均活跃度的表达式为:
式中:σ为神经元的激活函数;Of为上层神经元的输出值。
5.根据权利要求4所述的一种自主纠偏的电力变压器油色谱判断方法,其特征在于:所述S4中,所述的误差修正策略包括短期损失函数变化率和长期损失函数变化率。
6.根据权利要求5所述的一种自主纠偏的电力变压器油色谱判断方法,其特征在于:利用所述短期损失函数变化率,监测模型的发散趋势,若模型存在发散趋势,则及时终止原迭代过程,并采用随机性方法使迭代跳出局部最优。
8.根据权利要求7所述的一种自主纠偏的电力变压器油色谱判断方法,其特征在于:所述误差修正决策单元的具体工作流程为:
1)判断训练次数是否小于基础训练次数,若小于,则使用基于数值误差修正方法进行误差修正,否则跳转第2)步;
2)判断模型分类结果与实际标签是否相同,若相同,则将误差神经元置0,本次迭代不进行误差修正,否则跳转第3)步;
3)基于短期损失函数变化率和长期损失函数变化率判断模型是否具有发散趋势和收敛能力,若判断为具有发散趋势或收敛能力较差,则进行基于故障类别差异的修正过程,否则进行基于数值误差的修正过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233226.2A CN114035431A (zh) | 2021-10-22 | 2021-10-22 | 一种自主纠偏的电力变压器油色谱判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233226.2A CN114035431A (zh) | 2021-10-22 | 2021-10-22 | 一种自主纠偏的电力变压器油色谱判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114035431A true CN114035431A (zh) | 2022-02-11 |
Family
ID=80135181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111233226.2A Pending CN114035431A (zh) | 2021-10-22 | 2021-10-22 | 一种自主纠偏的电力变压器油色谱判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114035431A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958292A (zh) * | 2017-10-19 | 2018-04-24 | 山东科技大学 | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 |
CN112070128A (zh) * | 2020-08-24 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的变压器故障诊断方法 |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN112327149A (zh) * | 2020-10-19 | 2021-02-05 | 西安工程大学 | 基于ssd-srae的高压断路器故障诊断方法 |
-
2021
- 2021-10-22 CN CN202111233226.2A patent/CN114035431A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958292A (zh) * | 2017-10-19 | 2018-04-24 | 山东科技大学 | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN112070128A (zh) * | 2020-08-24 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的变压器故障诊断方法 |
CN112327149A (zh) * | 2020-10-19 | 2021-02-05 | 西安工程大学 | 基于ssd-srae的高压断路器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
齐波等: "基于自决策主动纠偏的电力变压器油色谱诊断模型", 《高压电技术》, pages: 23 - 32 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN110579709B (zh) | 一种有轨电车用质子交换膜燃料电池故障诊断方法 | |
CN111539515A (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN111798095A (zh) | 一种基于神经网络电力电缆状态评价方法 | |
CN114742102B (zh) | 一种nlos信号识别方法及系统 | |
CN111638707A (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN113887729A (zh) | 一种低压电力线载波通信系统故障诊断方法 | |
CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN113884807B (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
CN112613227B (zh) | 基于混合机器学习的航空发动机剩余使用寿命预测模型 | |
Liu et al. | Research on the strategy of locating abnormal data in IOT management platform based on improved modified particle swarm optimization convolutional neural network algorithm | |
CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN117096871A (zh) | 一种基于时空分布的风电功率概率密度的预测方法 | |
CN114035431A (zh) | 一种自主纠偏的电力变压器油色谱判断方法 | |
CN113742860B (zh) | 一种基于DBN-Bayes算法的涡轴发动机功率估计方法 | |
CN115758259A (zh) | 一种基于特征融合的多源域泛化设备故障诊断方法 | |
CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
Zou et al. | Fault diagnosis of shield machine based on SOM-BP neural network fusion |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220211 |