CN114139449A - 基于间隔分布机的超特高压换流阀故障检测方法及系统 - Google Patents

基于间隔分布机的超特高压换流阀故障检测方法及系统 Download PDF

Info

Publication number
CN114139449A
CN114139449A CN202111434706.5A CN202111434706A CN114139449A CN 114139449 A CN114139449 A CN 114139449A CN 202111434706 A CN202111434706 A CN 202111434706A CN 114139449 A CN114139449 A CN 114139449A
Authority
CN
China
Prior art keywords
variable
fault detection
voltage converter
converter valve
high voltage
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.)
Granted
Application number
CN202111434706.5A
Other languages
English (en)
Other versions
CN114139449B (zh
Inventor
熊富强
唐明珠
唐俊
王智弘
瞿旭
蒋久松
颜勋奇
潘伟健
张超峰
赵鹏
张阳
毛志平
李佐胜
王晓
刘源
王巍
姚月
丁含怡
周展帆
于艺盛
蒋智军
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Maintenance Co of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Maintenance Co of State Grid Hunan Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Maintenance Co of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111434706.5A priority Critical patent/CN114139449B/zh
Publication of CN114139449A publication Critical patent/CN114139449A/zh
Application granted granted Critical
Publication of CN114139449B publication Critical patent/CN114139449B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于间隔分布机的超特高压换流阀故障检测方法，包括获取超特高压换流阀的历史工作数据并处理得到样本数据集；构建基于最优权值间隔分布机的故障检测原始模型；采用样本数据集对故障检测原始模型进行训练和优化得到故障检测模型；采用故障检测模型对实际工作中的超特高压换流阀进行实时故障检测。本发明还公开了一种实现所述基于间隔分布机的超特高压换流阀故障检测方法的系统。本发明减少了故障检测过程的时间，提高了检测效率；而且解决了超特高压换流阀故障检测方法的故障样本类别不平衡、分布复杂的问题，提高了检测的准确性，而且本发明方法可靠性高、精确性好且实施简单方便。

Description

基于间隔分布机的超特高压换流阀故障检测方法及系统
技术领域
本发明属于电气自动化领域，具体涉及一种基于间隔分布机的超特高压换流阀故障检测方法及系统。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保证电能的稳定可靠运行，就成为了电力系统最重要的任务之一。
换流站是电力系统的重要组成部分；换流站设备的安全、稳定运行对提高整个电力变换系统的可靠性具有重要的影响。换流阀是换流站的核心部件，其承担着整流、逆变功能以及交直流转换和功率输送。因此对换流阀的状态监测和可靠性分析也变得越来越重要。
针对换流阀故障率高、实时检测难度高和故障定位困难等问题，目前的检故障检测还是依赖于人工检测的方式：巡检人员人工对换流阀进行检测，或者工作人员根据换流阀的工作状态参数依据个人经验进行预测和判断。但是，明显的，现有的人工检测方式不仅成本较高，而且可靠性和精确性均较差。
发明内容
本发明的目的之一在于提供一种可靠性高、精确性好且实施简单方便的基于间隔分布机的超特高压换流阀故障检测方法。
本发明的目的之二在于提供一种实现所述基于间隔分布机的超特高压换流阀故障检测方法的检测系统。
本发明提供的这种基于间隔分布机的超特高压换流阀故障检测方法，包括如下步骤：
S1.获取超特高压换流阀的历史工作数据；
S2.对步骤S1获取的历史工作数据进行处理，从而得到样本数据集；
S3.构建基于最优权值间隔分布机的故障检测原始模型；
S4.采用步骤S2得到的样本数据集对步骤S3构建的故障检测原始模型进行训练和优化，从而得到故障检测模型；
S5.采用步骤S4得到的故障检测模型，对实际工作中的超特高压换流阀进行实时故障检测。
步骤S2所述的对步骤S1获取的历史工作数据进行处理，从而得到样本数据集，具体包括如下步骤：
A.对获取的超特高压换流阀的历史工作数据进行数据清洗，得到清洗后工作数据；
B.对步骤A得到的清洗后工作数据进行分析，选定一组工作参数作为第一运行参数；
C.计算相关系数：计算第一工作参数与剩余各组工作参数之间的相关系数；
D.根据步骤C得到的相关系数，在剩余各组工作参数中，选取与第一工作参数的相关系数大于第一设定值的工作参数作为第二运行参数；
E.计算相关系数：再次计算第一运行参数与第二运行参数之间的相关系数；
F.根据步骤E得到的相关系数，在第二运行参数中，选取与第一运行参数的相关系数小于第二设定值的第二运行参数作为第三运行参数；
G.将步骤F得到的第三运行参数作为样本数据；
H.将样本数据标记为正常状态样本数据和故障状态样本数据，并将标记后的样本数据分为训练集和测试集，从而得到样本数据集。
步骤B所述的选定一组工作参数作为第一运行参数，具体为选定超特高压换流阀的机组输出功率作为第一运行参数。
步骤C和步骤E所述的计算相关系数，具体为采用Pearson相关系数分析法计算相关系数。
所述的采用Pearson相关系数分析法计算相关系数，具体包括如下步骤：
采用如下算式计算变量X和变量Y之间的Pearson相关系数ρX,Y：
Figure BDA0003381231300000031
式中cov(X,Y)为变量X和变量Y之间的协方差；μX为变量X的均值；μY为变量Y的均值；σX为变量X的方差；σY为变量Y的方差；E()为数学期望函数；
当变量X和变量Y的样本量均为n时，则采用如下算式计算Pearson相关系数rX,Y：
Figure BDA0003381231300000032
式中
Figure BDA0003381231300000033
为变量X的平均值，
Figure BDA0003381231300000034
为变量Y的平均值，Xi为变量Xi的具体值，Yi为变量Yi的具体值；
Pearson相关系数rX,Y用于描述变量X和变量Y之间的线性相关的强弱程度，且存在：
若0＜r＜1时，变量X和变量Y正相关，且r越接近1，变量X和变量Y之间的正相关性越大；
若-1＜r＜0时，变量X和变量Y负相关，且r越接近-1，变量X和变量Y之间的负相关性越大；
若|r|＝1，则变量X和变量Y完全线性相关；
若|r|＝0，则变量X和变量Y完全线性无关。
步骤S3所述的构建基于最优权值间隔分布机的故障检测原始模型，具体包括如下步骤：
设一个特征的集合为X＝[x1,x2,...,xk]，对应的类别标签为Y＝[K]＝{1,2,...,k}；给定一个训练集S＝{(x1,y1),(x2,y2),...,(xm,ym)}；定义一个映射函数
Figure BDA0003381231300000041
通过核函数KK将样本集映射至高维空间
Figure BDA0003381231300000042
对应权向量为ω1,ω2,...,ωl,...,ωk；对每个权向量ωl定义一个记分函数
Figure BDA0003381231300000043
每个样本的特征值和对应的标签，会使得对应样本的积分函数值达到最大，
Figure BDA0003381231300000044
从而得到间隔定义：
Figure BDA0003381231300000045
当分类器进行分类时，计算产生一个负间隔时分类错误；
用
Figure BDA0003381231300000046
表示间隔的平均值，最优权值间隔分布机表示如下：
Figure BDA0003381231300000047
约束条件：
Figure BDA0003381231300000048
Figure BDA0003381231300000049
其中Ω(ω)为正则项，η和λ为平衡参数，ξj为间隔rh(xj,yj)与间隔均值
Figure BDA00033812313000000410
的正偏差，εj间隔rh(xj,yj)与间隔均值
Figure BDA00033812313000000411
的负偏差，
Figure BDA00033812313000000412
为方差；
对ω进行缩放，间隔均值设定为1，样本(xj,yj)与间隔均值的偏差为|rh(xj,yj)-1|；最优权值间隔分布机改写为：
Figure BDA0003381231300000051
约束条件：rh(xj,yj)≥1-θ-ξj
Figure BDA0003381231300000052
其中θ为零损失参数且θ∈[0,1)，用于控制支持向量的个数；
将正则项
Figure BDA0003381231300000053
结合间隔定义，mcODM表达式如下：
Figure BDA0003381231300000054
约束条件：
Figure BDA0003381231300000055
Figure BDA0003381231300000056
其中η和λ为平衡参数；
参数采用网格搜索算法选取，λ从序列[下限1,上限1]中确定，Cj1、Cj2和θ从[下限2,上限2]中确定。
本发明还公开了一种实现所述基于间隔分布机的超特高压换流阀故障检测方法的检测系统，包括历史数据获取模块、样本数据处理模块、模型构建模块、训练模块、检测模块和实时数据获取模块；历史数据获取模块、样本数据处理模块和训练模块依次串联；模型构建模块的输出端连接训练模块；训练模块的输出端连接检测模块；实时数据获取模块连接检测模块；历史数据获取模块用于获取超特高压换流阀的历史工作数据，并上传样本数据处理模块；样本数据处理模块用于对接收的历史工作数据进行处理，得到样本数据集，并上传训练模块；模型构建模块用于构建基于最优权值间隔分布机的故障检测原始模型，并将原始模型上传训练模块；训练模块用于采用样本数据集对故障检测原始模型进行训练和优化，得到故障检测模型，并上传检测模块；实时数据获取模块用于实时获取实际工作中的超特高压换流阀的工作数据，并上传检测模块；检测模块用于实时接收实际工作中的超特高压换流阀的工作数据，并根据得到的故障检测模型对超特高压换流阀进行实时故障检测。
本发明提供的这种基于间隔分布机的超特高压换流阀故障检测方法及系统，通过相关系数的方式进行数据的筛选，从而减少了故障检测过程的时间，提高了检测效率；而且构建、训练并得到基于最优权值间隔分布机的故障检测模型，解决了超特高压换流阀故障检测方法的故障样本类别不平衡、分布复杂的问题，提高了检测的准确性，而且本发明方法可靠性高、精确性好且实施简单方便。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明系统的系统功能模块图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种基于间隔分布机的超特高压换流阀故障检测方法，包括如下步骤：
S1.获取超特高压换流阀的历史工作数据；
S2.对步骤S1获取的历史工作数据进行处理，从而得到样本数据集；具体包括如下步骤：
A.对获取的超特高压换流阀的历史工作数据进行数据清洗，得到清洗后工作数据；
B.对步骤A得到的清洗后工作数据进行分析，选定一组工作参数作为第一运行参数；优选方案为选定超特高压换流阀的机组输出功率作为第一运行参数；
C.计算相关系数：计算第一工作参数与剩余各组工作参数之间的相关系数；
D.根据步骤C得到的相关系数，在剩余各组工作参数中，选取与第一工作参数的相关系数大于第一设定值的工作参数作为第二运行参数；
E.计算相关系数：再次计算第一运行参数与第二运行参数之间的相关系数；
F.根据步骤E得到的相关系数，在第二运行参数中，选取与第一运行参数的相关系数小于第二设定值的第二运行参数作为第三运行参数；
G.将步骤F得到的第三运行参数作为样本数据；
H.将样本数据标记为正常状态样本数据和故障状态样本数据，并将标记后的样本数据分为训练集和测试集，从而得到样本数据集；
具体实施时，步骤C和步骤E中的计算相关系数，具体为采用Pearson相关系数分析法计算相关系数；具体包括如下步骤：
采用如下算式计算变量X和变量Y之间的Pearson相关系数ρX,Y：
Figure BDA0003381231300000071
式中cov(X,Y)为变量X和变量Y之间的协方差；μX为变量X的均值；μY为变量Y的均值；σX为变量X的方差；σY为变量Y的方差；E()为数学期望函数；
当变量X和变量Y的样本量均为n时，则采用如下算式计算Pearson相关系数rX,Y：
Figure BDA0003381231300000081
式中
Figure BDA0003381231300000082
为变量X的平均值，
Figure BDA0003381231300000083
为变量Y的平均值，Xi为变量Xi的具体值，Yi为变量Yi的具体值；
Pearson相关系数rX,Y用于描述变量X和变量Y之间的线性相关的强弱程度，且存在：
若0＜r＜1时，变量X和变量Y正相关，且r越接近1，变量X和变量Y之间的正相关性越大；
若-1＜r＜0时，变量X和变量Y负相关，且r越接近-1，变量X和变量Y之间的负相关性越大；
若|r|＝1，则变量X和变量Y完全线性相关；
若|r|＝0，则变量X和变量Y完全线性无关；
S3.构建基于最优权值间隔分布机的故障检测原始模型；具体包括如下步骤：
设一个特征的集合为X＝[x1,x2,...,xk]，对应的类别标签为Y＝[K]＝{1,2,...,k}；给定一个训练集S＝{(x1,y1),(x2,y2),...,(xm,ym)}；定义一个映射函数
Figure BDA0003381231300000084
通过核函数KK将样本集映射至高维空间
Figure BDA0003381231300000085
对应权向量为ω1,ω2,...,ωl,...,ωk；对每个权向量ωl定义一个记分函数
Figure BDA0003381231300000086
每个样本的特征值和对应的标签，会使得对应样本的积分函数值达到最大，
Figure BDA0003381231300000087
从而得到间隔定义：
Figure BDA0003381231300000088
当分类器进行分类时，计算产生一个负间隔时分类错误；
用
Figure BDA0003381231300000091
表示间隔的平均值，最优权值间隔分布机表示如下：
Figure BDA0003381231300000092
约束条件：
Figure BDA0003381231300000093
Figure BDA0003381231300000094
其中Ω(ω)为正则项，η和λ为平衡参数，ξj为间隔rh(xj,yj)与间隔均值
Figure BDA0003381231300000095
的正偏差，εj间隔rh(xj,yj)与间隔均值
Figure BDA0003381231300000096
的负偏差，
Figure BDA0003381231300000097
为方差；
对ω进行缩放，间隔均值设定为1，样本(xj,yj)与间隔均值的偏差为|rh(xj,yj)-1|；最优权值间隔分布机改写为：
Figure BDA0003381231300000098
约束条件：rh(xj,yj)≥1-θ-ξj
Figure BDA0003381231300000099
其中θ为零损失参数且θ∈[0,1)，用于控制支持向量的个数；
将正则项
Figure BDA00033812313000000910
结合间隔定义，mcODM表达式如下：
Figure BDA00033812313000000911
约束条件：
Figure BDA00033812313000000912
Figure BDA00033812313000000913
其中η和λ为平衡参数；
参数采用网格搜索算法选取，λ从序列[上限1,下限1]中确定，C1、C2和θ从[上限2,下限2]中确定；
S4.采用步骤S2得到的样本数据集对步骤S3构建的故障检测原始模型进行训练和优化，从而得到故障检测模型；具体实施时，将训练数据作为集合S＝{(x1,y1),(x2,y2),...,(xm,ym)}，从而对原始模型进行训练；
S5.采用步骤S4得到的故障检测模型，对实际工作中的超特高压换流阀进行实时故障检测。
如图2所示为本发明系统的系统功能模块图：本发明还公开了一种实现所述基于间隔分布机的超特高压换流阀故障检测方法的检测系统，包括历史数据获取模块、样本数据处理模块、模型构建模块、训练模块、检测模块和实时数据获取模块；历史数据获取模块、样本数据处理模块和训练模块依次串联；模型构建模块的输出端连接训练模块；训练模块的输出端连接检测模块；实时数据获取模块连接检测模块；历史数据获取模块用于获取超特高压换流阀的历史工作数据，并上传样本数据处理模块；样本数据处理模块用于对接收的历史工作数据进行处理，得到样本数据集，并上传训练模块；模型构建模块用于构建基于最优权值间隔分布机的故障检测原始模型，并将原始模型上传训练模块；训练模块用于采用样本数据集对故障检测原始模型进行训练和优化，得到故障检测模型，并上传检测模块；实时数据获取模块用于实时获取实际工作中的超特高压换流阀的工作数据，并上传检测模块；检测模块用于实时接收实际工作中的超特高压换流阀的工作数据，并根据得到的故障检测模型对超特高压换流阀进行实时故障检测。

Claims (7)

1.一种基于间隔分布机的超特高压换流阀故障检测方法，包括如下步骤：
S1.获取超特高压换流阀的历史工作数据；
S2.对步骤S1获取的历史工作数据进行处理，从而得到样本数据集；
S3.构建基于最优权值间隔分布机的故障检测原始模型；
S4.采用步骤S2得到的样本数据集对步骤S3构建的故障检测原始模型进行训练和优化，从而得到故障检测模型；
S5.采用步骤S4得到的故障检测模型，对实际工作中的超特高压换流阀进行实时故障检测。
2.根据权利要求1所述的基于间隔分布机的超特高压换流阀故障检测方法，其特征在于步骤S2所述的对步骤S1获取的历史工作数据进行处理，从而得到样本数据集，具体包括如下步骤：
A.对获取的超特高压换流阀的历史工作数据进行数据清洗，得到清洗后工作数据；
B.对步骤A得到的清洗后工作数据进行分析，选定一组工作参数作为第一运行参数；
C.计算相关系数：计算第一工作参数与剩余各组工作参数之间的相关系数；
D.根据步骤C得到的相关系数，在剩余各组工作参数中，选取与第一工作参数的相关系数大于第一设定值的工作参数作为第二运行参数；
E.计算相关系数：再次计算第一运行参数与第二运行参数之间的相关系数；
F.根据步骤E得到的相关系数，在第二运行参数中，选取与第一运行参数的相关系数小于第二设定值的第二运行参数作为第三运行参数；
G.将步骤F得到的第三运行参数作为样本数据；
H.将样本数据标记为正常状态样本数据和故障状态样本数据，并将标记后的样本数据分为训练集和测试集，从而得到样本数据集。
3.根据权利要求2所述的基于间隔分布机的超特高压换流阀故障检测方法，其特征在于步骤B所述的选定一组工作参数作为第一运行参数，具体为选定超特高压换流阀的机组输出功率作为第一运行参数。
4.根据权利要求2所述的基于间隔分布机的超特高压换流阀故障检测方法，其特征在于步骤C和步骤E所述的计算相关系数，具体为采用Pearson相关系数分析法计算相关系数。
5.根据权利要求4所述的基于间隔分布机的超特高压换流阀故障检测方法，其特征在于所述的采用Pearson相关系数分析法计算相关系数，具体包括如下步骤：
采用如下算式计算变量X和变量Y之间的Pearson相关系数ρX,Y：
Figure FDA0003381231290000021
式中cov(X,Y)为变量X和变量Y之间的协方差；μX为变量X的均值；μY为变量Y的均值；σX为变量X的方差；σY为变量Y的方差；E()为数学期望函数；
当变量X和变量Y的样本量均为n时，则采用如下算式计算Pearson相关系数rX,Y：
Figure FDA0003381231290000022
式中
Figure FDA0003381231290000023
为变量X的平均值，
Figure FDA0003381231290000024
为变量Y的平均值，Xi为变量Xi的具体值，Yi为变量Yi的具体值；
Pearson相关系数rX,Y用于描述变量X和变量Y之间的线性相关的强弱程度，且存在：
若0＜r＜1时，变量X和变量Y正相关，且r越接近1，变量X和变量Y之间的正相关性越大；
若-1＜r＜0时，变量X和变量Y负相关，且r越接近-1，变量X和变量Y之间的负相关性越大；
若|r|＝1，则变量X和变量Y完全线性相关；
若|r|＝0，则变量X和变量Y完全线性无关。
6.根据权利要求1～5之一所述的基于间隔分布机的超特高压换流阀故障检测方法，其特征在于步骤S3所述的构建基于最优权值间隔分布机的故障检测原始模型，具体包括如下步骤：
设一个特征的集合为X＝[x1,x2,...,xk]，对应的类别标签为Y＝[K]＝{1,2,...,k}；给定一个训练集S＝{(x1,y1),(x2,y2),...,(xm,ym)}；定义一个映射函数
Figure FDA0003381231290000031
通过核函数KK将样本集映射至高维空间
Figure FDA0003381231290000032
X→H，对应权向量为ω1,ω2,...,ωl,...,ωk；对每个权向量ωl定义一个记分函数
Figure FDA0003381231290000033
每个样本的特征值和对应的标签，会使得对应样本的积分函数值达到最大，
Figure FDA0003381231290000034
从而得到间隔定义：
Figure FDA0003381231290000035
当分类器进行分类时，计算产生一个负间隔时分类错误；
用
Figure FDA0003381231290000036
表示间隔的平均值，最优权值间隔分布机表示如下：
Figure FDA0003381231290000037
约束条件：
Figure FDA0003381231290000038
Figure FDA0003381231290000039
其中Ω(ω)为正则项，η和λ为平衡参数，ξj为间隔rh(xj,yj)与间隔均值
Figure FDA0003381231290000041
的正偏差，εj间隔rh(xj,yj)与间隔均值
Figure FDA0003381231290000042
的负偏差，
Figure FDA0003381231290000043
为方差；
对ω进行缩放，间隔均值设定为1，样本(xj,yj)与间隔均值的偏差为|rh(xj,yj)-1|；最优权值间隔分布机改写为：
Figure FDA0003381231290000044
约束条件：rh(xj,yj)≥1-θ-ξj
Figure FDA0003381231290000045
其中θ为零损失参数且θ∈[0,1)，用于控制支持向量的个数；
将正则项
Figure FDA0003381231290000046
结合间隔定义，mcODM表达式如下：
Figure FDA0003381231290000047
约束条件：
Figure FDA0003381231290000048
Figure FDA0003381231290000049
其中η和λ为平衡参数；
参数采用网格搜索算法选取，λ从序列[下限1,上限1]中确定，C1、C2和θ从[上限2,下限2]中确定。
7.一种实现权利要求1～6之一所述的基于间隔分布机的超特高压换流阀故障检测方法的检测系统，其特征在于包括历史数据获取模块、样本数据处理模块、模型构建模块、训练模块、检测模块和实时数据获取模块；历史数据获取模块、样本数据处理模块和训练模块依次串联；模型构建模块的输出端连接训练模块；训练模块的输出端连接检测模块；实时数据获取模块连接检测模块；历史数据获取模块用于获取超特高压换流阀的历史工作数据，并上传样本数据处理模块；样本数据处理模块用于对接收的历史工作数据进行处理，得到样本数据集，并上传训练模块；模型构建模块用于构建基于最优权值间隔分布机的故障检测原始模型，并将原始模型上传训练模块；训练模块用于采用样本数据集对故障检测原始模型进行训练和优化，得到故障检测模型，并上传检测模块；实时数据获取模块用于实时获取实际工作中的超特高压换流阀的工作数据，并上传检测模块；检测模块用于实时接收实际工作中的超特高压换流阀的工作数据，并根据得到的故障检测模型对超特高压换流阀进行实时故障检测。
CN202111434706.5A 2021-11-29 2021-11-29 基于间隔分布机的超特高压换流阀故障检测方法及系统 Active CN114139449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111434706.5A CN114139449B (zh) 2021-11-29 2021-11-29 基于间隔分布机的超特高压换流阀故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111434706.5A CN114139449B (zh) 2021-11-29 2021-11-29 基于间隔分布机的超特高压换流阀故障检测方法及系统

Publications (2)

Publication Number Publication Date
CN114139449A true CN114139449A (zh) 2022-03-04
CN114139449B CN114139449B (zh) 2024-06-14

Family

ID=80389698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111434706.5A Active CN114139449B (zh) 2021-11-29 2021-11-29 基于间隔分布机的超特高压换流阀故障检测方法及系统

Country Status (1)

Country Link
CN (1) CN114139449B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150095003A1 (en) * 2013-09-30 2015-04-02 Ypf Tecnología S.A. Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors
US20190188584A1 (en) * 2017-12-19 2019-06-20 Aspen Technology, Inc. Computer System And Method For Building And Deploying Models Predicting Plant Asset Failure
CN110766175A (zh) * 2019-10-25 2020-02-07 长沙理工大学 一种基于最优间隔分布机的变桨系统故障检测方法及装置
WO2020057252A1 (zh) * 2018-09-21 2020-03-26 全球能源互联网研究院有限公司 串联型补偿装置的绝缘配合方法及系统、存储介质和电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150095003A1 (en) * 2013-09-30 2015-04-02 Ypf Tecnología S.A. Device and method for detection and/or diagnosis of faults in a processes, equipment and sensors
US20190188584A1 (en) * 2017-12-19 2019-06-20 Aspen Technology, Inc. Computer System And Method For Building And Deploying Models Predicting Plant Asset Failure
WO2020057252A1 (zh) * 2018-09-21 2020-03-26 全球能源互联网研究院有限公司 串联型补偿装置的绝缘配合方法及系统、存储介质和电子设备
CN110766175A (zh) * 2019-10-25 2020-02-07 长沙理工大学 一种基于最优间隔分布机的变桨系统故障检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐明珠等: "基于mcODM-STA的风电机组变桨系统故障诊断", 《湖南大学学报(自然科学版)》, vol. 48, no. 06, 30 June 2021 (2021-06-30) *
陈宇韬;唐明珠;吴华伟;赵琪;匡子杰;: "基于极端随机森林的大型风电机组发电机故障检测", 湖南电力, no. 06, 25 December 2019 (2019-12-25) *

Also Published As

Publication number Publication date
CN114139449B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN106054104B (zh) 一种基于决策树的智能电表故障实时预测方法
CN109164343B (zh) 基于特征信息量化与加权knn的变压器故障诊断方法
CN106407589B (zh) 一种风机状态评估与预测方法及系统
CN108920863A (zh) 一种机器人伺服系统能耗估计模型的建立方法
CN109524982B (zh) 一种交直流电网暂态稳定风险评估方法
CN109597396B (zh) 一种基于大数据流及迁移学习的配变故障在线诊断方法
CN109799405A (zh) 一种基于时间序列-卡尔曼滤波的变压器故障预测方法
CN110472671A (zh) 基于多阶段的油浸式变压器故障数据预处理方法
CN110416995A (zh) 一种非侵入式负荷分解方法和装置
CN111856209A (zh) 一种输电线路故障分类方法及装置
CN114169254A (zh) 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN115614292A (zh) 一种立式水泵机组振动监测装置及其方法
CN114595883A (zh) 基于元学习的油浸式变压器剩余寿命个性化动态预测方法
CN114123194A (zh) 一种基于贝叶斯模型的中压配电网拓扑修正方法
CN112329868B (zh) 基于clara聚类的制造加工设备群能效状态评价方法
CN114139449A (zh) 基于间隔分布机的超特高压换流阀故障检测方法及系统
CN117294019A (zh) 一种基于物联网的绿色建筑能耗监测方法及系统
CN107944716A (zh) 基于学习结果修正的变电站电能计量周期平衡异常诊断方法
CN116068303A (zh) 一种基于数据驱动的专用变压器私自增容在线监测方法
CN116938676A (zh) 一种基于数据源分析的通信风险联合预警方法
CN116106627A (zh) 一种基于电压电流不同相错误接线异常的判断方法
CN111598420B (zh) 一种考虑用户主要设备敏感指数的区域电能质量评估方法
CN112560261B (zh) 一种基于数据驱动的氢能系统关键设备失效率预测方法
CN114325555A (zh) 一种计量设备异常在线监测模型及误差计算方法
CN111832145B (zh) 一种油浸式电力变压器的故障诊断方法及系统

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