CN114372693A - 一种基于云模型和改进ds证据理论的变压器故障诊断方法 - Google Patents
一种基于云模型和改进ds证据理论的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN114372693A CN114372693A CN202111666478.4A CN202111666478A CN114372693A CN 114372693 A CN114372693 A CN 114372693A CN 202111666478 A CN202111666478 A CN 202111666478A CN 114372693 A CN114372693 A CN 114372693A
- Authority
- CN
- China
- Prior art keywords
- fault
- transformer
- cloud model
- improved
- evidence theory
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 239000008186 active pharmaceutical agent Substances 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 33
- 239000007789 gas Substances 0.000 claims description 29
- 239000006185 dispersion Substances 0.000 claims description 13
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000004215 Carbon black (E152) Substances 0.000 claims description 3
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 3
- 239000005977 Ethylene Substances 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 229930195733 hydrocarbon Natural products 0.000 claims description 3
- 150000002430 hydrocarbons Chemical class 0.000 claims description 3
- 150000002431 hydrogen Chemical class 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 2
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 2
- 238000013021 overheating Methods 0.000 claims 3
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000803 paradoxical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于云模型和改进DS证据理论的变压器故障诊断方法,包括:步骤1、获取变压器油中溶解气故障样本,建立变压器的故障样本集;步骤2、采用故障样本集建立各类型故障的故障标准云模型;步骤3、计算待诊断样本与故障标准云模型间的最终隶属度矩阵;步骤4、根据最终隶属度矩阵确定不同故障下的基本概率分配;步骤5、利用Pignistic概率距离构建相似度并对基本概率分配进行修正,引入平均支持度加权优化证据融合规则,并使用改进D‑S证据理论对基本概率分配进行融合,以得到最终融合结果;步骤6、在最终融合结果中,选取基本概率最大值对应的变压器状态作为诊断结果。本发明有效地提高了变压器智能诊断方法的准确率。
Description
技术领域
本发明涉及电气设备技术领域,尤其涉及一种基于云模型和改进DS证据理论的变压器故障诊断方法。
背景技术
在油浸式变压器故障诊断中,油中溶解气分析法是目前常用的方法之一,基于油中溶解气分析法的传统诊断方法,如IEC比值法、改良三比值法、Duval三角法等,上述方法使用简单、诊断快速,经常运用于工程现场,但是存在编码不完备、诊断边界过于绝对化的问题,导致其识别率不高。
随着人工智能在电网中广泛应用,学者们将智能诊断方法引入变压器故障诊断领域。由于变压器故障与其特征之间对应关系存在模糊性的问题,所以常规智能诊断方法应用在变压器故障诊断上效果不明显。支持向量机、相关向量机和神经网络等不能表示除诊断结果以为的故障信息,因此上述方法在表达变压器各个故障的模糊性和不确定性存在不足。
发明内容
本发明所要解决的技术问题在于,提供一种基于云模型和改进DS证据理论的变压器故障诊断方法,以解决由于变压器故障与其特征之间对应关系存在模糊性,而导致变压器智能诊断方法准确率不高的问题。
为了解决上述技术问题,本发明提供了一种基于云模型和改进DS证据理论的变压器故障诊断方法,包括:
步骤1、获取变压器油中溶解气故障样本,建立变压器的故障样本集D;
步骤2、采用所述故障样本集D建立各类型故障的故障标准云模型;
步骤3、计算待诊断样本与所述故障标准云模型间的最终隶属度矩阵;
步骤4、根据所述最终隶属度矩阵确定不同故障下的基本概率分配;
步骤5、利用Pignistic概率距离构建相似度Sim并对所述基本概率分配进行修正,引入平均支持度加权优化证据融合规则,并使用改进D-S证据理论对所述基本概率分配进行融合,以得到最终融合结果;
步骤6、在所述最终融合结果中,选取基本概率最大值对应的变压器状态作为诊断结果。
在一些实施方式中,所述故障样本集D包含有多种变压器故障类型的油色谱样本,所述油色谱样本由多种特征气体的含量特征构成。
在一些实施方式中,所述步骤2包括:
步骤21、针对所述故障样本集D,对原始数据进行归一化处理;
步骤22、通过分析所述故障样本集D计算变压器各状态下,各故障特征值的期望Ex、标准差En和离散程度He,进而构建所述故障标准云模型。
在一些实施方式中,所述步骤3包括:
步骤31、根据故障特征值的期望Ex、标准差En和离散程度He,计算所述待诊断样本的第i个故障特征下第j类故障的隶属度μij;
步骤32、所述待诊断样本的各特征与故障标准云模型间的隶属度值构建隶属度矩阵μij=[μi1,μi2,…,μin],其中n为变压器故障类型总数;
步骤33、计算第i个故障特征对应的不确定性隶属度φi=1-max(μij);计算所述待诊断样本的所有特征下各类故障的隶属度和对应的不确定隶属度,构建最终隶属度矩阵μm×(n+1)。
在一些实施方式中,所述步骤4包括:
步骤41、将所述最终隶属度矩阵每一行进行归一化处理,得到所述待诊断样本的所述基本概率分配Tm×(n+1)。
在一些实施方式中,所述步骤5包括:
步骤51、基于Pignistic概率函数构建相似度Sim,并将所述基本概率分配Tm×(n+1)与对应的所述相似度Sim相乘,以对所述基本概率分配进行修正;
步骤52、基于平均支持度加权方法对D-S证据理论Dempster融合规则进行优化;
步骤53、使用优化后的融合规则对修正后的所述基本概率分配进行信息融合,得到所述最终融合结果。
在一些实施方式中,所述步骤6包括:
步骤61、采用最大值规则来确定最终融合结果,即是选择最大基本概率分配函数值作为决策结果。
在一些实施方式中,所述多种特征气体为氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2),所述多种变压器故障类型包括正状态(N)、低温过热(T1)、中温过热(T2)、高温过热(T3)、局部放电(PD)、低能放电(D1)和高能放电(D2)。
在一些实施方式中,所述步骤21中采用百分比归一化方法,计算公式如下所示:
式中,Xi表示第i个特征气体占所有特征气体的百分比;xi表示第i个特征气体含量;THC表示总烃气体含量;H2表示氢气气体含量。
在一些实施方式中,所述步骤22中各故障特征值的期望Ex、标准差En和离散程度He,具体计算方法如下:
设xijk为某一变压器故障状态下的油中溶解气数据,表示在第i个特征的第j类故障,有k个样本,则第i个特征的第j类故障下期望Ex,计算公式如下所示:
则第i个特征的第j类故障下标准差En,计算公式如下所示:
离散程度He取值0.01。
在一些实施方式中,所述步骤31中隶属度μij计算方法,如下所示:
式中,Enij′是En和He产生的一个正态随机数。
在一些实施方式中,所述步骤51中相似度Sim计算方法如下:
取多种变压器故障类型为辨识框架U,取m表示识别框架U中的基本概率分配函数,Pignistic概率函数BetPm(ω)是从U到[0,1]的映射关联函数,计算公式如下所示:
式中,|A|表示子集A的基数;
基于Pignistic概率函数BetPm(ω)计算事件A的两证据体m1和m2之间的差值矩阵DifBet,计算公式如下所示:
基本概率分配函数值在[0,1]上,且DifBet可表示证据体m1和m2之间差异性,所以定义两证据体m1和m2之间相似度Sim,计算公式如下所示:
通过基本概率分配Tm×(n+1)与相应相似度Sim相乘,完成对所述基本概率分配的修正。
在一些实施方式中,所述步骤52中优化证据理论融合规则,计算方法如下:
采用证据之间的平均支持度加权值进行融合规则优化,融合规则如下所示:
式中,f(A)为平均支持度加权值,计算公式所示:
f(A)=K×q(A)
式中,K为Dempster规则中的证据冲突,计算公式如下所示:
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案,本发明一种基于云模型和改进DS证据理论的变压器故障诊断方法可达到相当的技术进步性及实用性,并具有产业上的广泛利用价值,其至少具有下列优点:
本发明的一种基于云模型和改进D-S证据理论的变压器故障诊断方法,利用云模型表示变压器故障类型与其对应故障特征之间的关系,再使用改进D-S证据理论得出决策结果。云模型能有效解决存在模糊性和随机性的问题;证据理论在处理不确定信息时具有明显优势,两者结合在解决变压器故障类型与其对应故障特征之间的模糊性问题具有明显效果。同时,该方法相比支持向量机和神经网络等方法不需要预设初始参数,解决了无法寻找最优初始参数的问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1示出了本发明一实施例的基于云模型和改进DS证据理论的变压器故障诊断方法的流程示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于云模型和改进DS证据理论的变压器故障诊断方法的具体实施方式及其功效,详细说明如后。
本发明实施例提供了一种基于云模型和改进DS证据理论的变压器故障诊断方法,请参阅图1所示:本发明为一种基于云模型和改进D-S证据理论的变压器故障诊断方法,诊断方法包括以下步骤:
步骤1、收集并整理变压器油中溶解气故障样本,建立变压器的故障样本集D;
步骤2、利用故障样本集D建立各类型故障的标准云模型;
步骤3、计算待诊断样本与故障标准云模型间的最终隶属度矩阵;
步骤4、根据最终隶属度矩阵确定不同故障下的基本概率分配;
步骤5、利用Pignistic概率距离构建相似度Sim并对基本概率分配进行修正,再引入平均支持度加权优化证据融合规则,并通过改进D-S证据理论对基本概率分配进行融合,以得到最终融合结果;
步骤6、在最终融合结果中,选取基本概率最大值对应的变压器状态作为诊断结果。
在一实施例中,步骤1中故障样本集D包括多种变压器故障类型的油色谱样本,油色谱样本由多种特征气体含量组成。
优选地,变压器故障类型为7种,特征气体为5种。其中,5种特征气体为氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2),7种变压器故障类型包括正状态(N)、低温过热(T1)、中温过热(T2)、高温过热(T3)、局部放电(PD)、低能放电(D1)和高能放电(D2)。
在一实施例中,步骤2包括以下步骤:
步骤21、针对所建立的故障样本集D,对原始数据进行归一化处理,其目的是消除样本之间量纲不一致的影响。
进一步地,步骤21中采用的百分比归一方法,计算公式如下所示:
式中,Xi表示第i个特征气体占所有特征气体的百分比;xi表示第i个特征气体含量;THC表示总烃气体含量;H2表示氢气气体含量。
步骤22、通过分析故障样本集D计算变压器各状态下,各故障特征值的期望Ex、标准差En和离散程度He,进而构建起故障标准云模型。
进一步地,步骤22中各故障特征值的期望Ex、标准差En和离散程度He,具体计算方法如下:
设xijk为某一变压器故障状态下的油中溶解气数据,表示在第i个特征的第j类故障,有k个样本。则第i个特征的第j类故障下期望Ex,计算公式如下所示:
则第i个特征的第j类故障下标准差En,计算公式如下:
根据相关学术期刊离散程度He通常取值0.01。
在一实施例中,步骤3包括以下步骤:
步骤31、根据故障特征值的期望Ex、标准差En和离散程度He,计算待诊断样本的第i个故障特征下第j类故障的隶属度μij。
进一步地,其中,步骤31中隶属度μij计算方法如下所示:
式中,Enij′是En和He产生的一个正态随机数。
步骤32、待诊断样本的各特征与故障标准云间的隶属度值构建隶属度矩阵μij=[μi1,μi2,…,μin],其中n为变压器故障类型总数;
步骤33、计算第i个故障特征对应的不确定性隶属度φi=1-max(μij),其中不确定性隶属度表示诊断过程中的数据误差、外界干扰等原因,引起的不确定性。计算待诊断样本所有特征下各类故障的隶属度和对应的不确定隶属度后,最终隶属度矩阵μm×(n+1),如下所示:
式中,m为待诊断样本的特征总数。最终隶属度矩阵μm×(n+1)中每行分别表示变压器的各个故障特征,每列表示各个故障状态。
在一实施例中,步骤4包括以下步骤:
步骤41、将隶属度矩阵每一行进行归一化处理,得到待诊断样本的基本概率分配Tm×(n+1),如下所示:
在一实施例中,步骤5包括以下步骤:
步骤51、基于Pignistic概率函数构建相似度Sim,并使用基本概率分配Tm×(n+1)与对应相似度Sim相乘,完成对基本概率分配修正。
进一步地,步骤51中相似度Sim计算方法如下:
取7种变压器故障类型为辨识框架U,取m表示识别框架U中的基本概率分配函数,Pignistic概率函数BetPm(ω)是从U到[0,1]的映射关联函数,计算公式如下所示:
式中,|A|表示子集A的基数。
基于Pignistic概率函数BetPm(ω)计算事件A的两证据体m1和m2之间的差值矩阵DifBet,计算公式如下所示:
因为基本概率分配函数值在[0,1]上,且DifBet可表示证据体m1和m2之间差异性,所以定义两证据体m1和m2之间相似度Sim,计算公式如下所示:
通过基本概率分配Tm×(n+1)与相应相似度Sim相乘,完成对基本概率分配修正。
步骤52、基于平均支持度加权方法对D-S证据理论Dempster融合规则进行优化。
进一步地,步骤52中优化证据理论融合规则,计算方法如下:
由于经典证据理论的融合规则是Dempster规则,在高冲突的情况下会导致出现有悖常理的决策结果,因此为得到合理的决策结果,本方法采用证据之间的平均支持度加权值进行融合规则优化,融合规则如下所示:
式中,f(A)为平均支持度加权值,计算公式所示:
f(A)=K×q(A)
式中K为Dempster规则中的证据冲突,计算公式如下所示:
在一实施例中,步骤6包括以下步骤:
步骤61、采用最大值规则来确定最终融合结果,即是选择最大基本概率分配函数值作为决策结果。
通过上述步骤,即可完成对变压器故障样本的诊断,为检修人员提供可靠的诊断信息,减少变压器检修的盲目性。
在一具体实施例中,以变压器低温过热故障(T1)的油中溶解气样本进行说明。
步骤10、收集并整理变压器故障样本集D共1400条,其中7种变压器故障类型每类200条样本。实际待测样本X=[141.19,199.39,40.38,21.96,0],其中X的数值依次代表H2、CH4、C2H6、C2H4和C2H2的故障气体含量,单位是ppm;已知其故障类型为T1。
步骤20、基于已建立的变压器故障样本集合D,随机选取1260条样本(每类样本180条)作为训练集,实际待测样本X为测试集。根据训练集建立各类型故障的标准云参数,即计算各故障特征值的期望Ex、标准差En和离散程度He,其中离散程度He=0.01,不同变压器状态下的标准云参数,如表1所示。
表1 不同变压器状态下的标准云参数
步骤30、根据待诊断样本S计算所有特征下各类故障的隶属度(包括不确定度隶属度),如表2所示:
表2 各个故障特征的隶属度矩阵
步骤40、将隶属度矩阵(即最终隶属度矩阵)每一行进行归一化处理,得到待诊断样本的基本概率分配,如表3所示:
表3 各个故障特征的基本概率分配
步骤50、基于Pignistic概率函数构建相似度Sim并对所建立的基本概率分配进行修正。其中,各个故障特征的相似度Sim,如表4所示;基本概率分配Tm×(n+1)与对应相似度Sim相乘后,得到修正后各个故障特征的基本概率分配,如表5所示。
表4 各个故障特征的相似度Sim
表5 修正后各个故障特征的基本概率分配
步骤60、最终融合结果如表6所示,选取基本概率最大值0.219对应的变压器状态T1作为诊断结果,与该待诊断样本固有标签一致。
表6 样本S的故障诊断融合结果
本发明的一种基于云模型和改进D-S证据理论的变压器故障诊断方法,利用云模型表示变压器故障类型与其对应故障特征之间的关系,再使用改进D-S证据理论得出决策结果。云模型能有效解决存在模糊性和随机性的问题;证据理论在处理不确定信息时具有明显优势,两者结合在解决变压器故障类型与其对应故障特征之间的模糊性问题具有明显效果。同时,该方法相比支持向量机和神经网络等方法不需要预设初始参数,解决了无法寻找最优初始参数的问题。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (12)
1.一种基于云模型和改进DS证据理论的变压器故障诊断方法,其特征在于,包括:
步骤1、获取变压器油中溶解气故障样本,建立变压器的故障样本集;
步骤2、采用所述故障样本集建立各类型故障的故障标准云模型;
步骤3、计算待诊断样本与所述故障标准云模型间的最终隶属度矩阵;
步骤4、根据所述最终隶属度矩阵确定不同故障下的基本概率分配;
步骤5、利用Pignistic概率距离构建相似度并对所述基本概率分配进行修正,引入平均支持度加权优化证据融合规则,并使用改进D-S证据理论对所述基本概率分配进行融合,以得到最终融合结果;
步骤6、在所述最终融合结果中,选取基本概率最大值对应的变压器状态作为诊断结果。
2.根据权利要求1所述的基于云模型和改进DS证据理论的变压器故障诊断方法,其特征在于,所述故障样本集包含有多种变压器故障类型的油色谱样本,所述油色谱样本由多种特征气体的含量特征构成。
3.根据权利要求1所述的基于云模型和改进DS证据理论的变压器故障诊断方法,其特征在于,所述步骤2包括:
步骤21、针对所述故障样本集,对原始数据进行归一化处理;
步骤22、通过分析所述故障样本集计算变压器各状态下,各故障特征值的期望、标准差和离散程度,进而构建所述故障标准云模型。
4.根据权利要求3所述的基于云模型和改进DS证据理论的变压器故障诊断方法,其特征在于,所述步骤3包括:
步骤31、根据故障特征值的期望、标准差和离散程度,计算所述待诊断样本的第i个故障特征下第j类故障的隶属度;
步骤32、所述待诊断样本的各特征与故障标准云模型间的隶属度值构建隶属度矩阵μij=[μi1,μi2,…,μin],其中n为变压器故障类型总数;
步骤33、计算第i个故障特征对应的不确定性隶属度φi=1-max(μij);计算所述待诊断样本的所有特征下各类故障的隶属度和对应的不确定隶属度,构建最终隶属度矩阵。
5.根据权利要求4所述的基于云模型和改进DS证据理论的变压器故障诊断方法,其特征在于,所述步骤4包括:
步骤41、将所述最终隶属度矩阵每一行进行归一化处理,得到所述待诊断样本的所述基本概率分配。
6.根据权利要求5所述的基于云模型和改进DS证据理论的变压器故障诊断方法,其特征在于,所述步骤5包括:
步骤51、基于Pignistic概率函数构建相似度,并将所述基本概率分配与对应的所述相似度相乘,以对所述基本概率分配进行修正;
步骤52、基于平均支持度加权方法对D-S证据理论Dempster融合规则进行优化;
步骤53、使用优化后的融合规则对修正后的所述基本概率分配进行信息融合,得到所述最终融合结果。
7.根据权利要求2-6中任一项所述的基于云模型和改进DS证据理论的变压器故障诊断方法,其特征在于,所述多种特征气体为氢气、甲烷、乙烷、乙烯和乙炔,所述多种变压器故障类型包括正状态、低温过热、中温过热、高温过热、局部放电、低能放电和高能放电。
11.根据权利要求6所述的基于云模型和改进DS证据理论的变压器故障诊断方法,其特征在于,所述步骤51中相似度Sim计算方法如下:
取多种变压器故障类型为辨识框架,取m表示识别框架中的基本概率分配函数,Pignistic概率函数BetPm(ω)是从辨识框架到[0,1]的映射关联函数,计算公式如下所示:
式中,|A|表示子集的基数;
基于Pignistic概率函数BetPm(ω)计算事件的两证据体m1和m2之间的差值矩阵DifBet,计算公式如下所示:
基本概率分配函数值在[0,1]上,且DifBet可表示证据体m1和m2之间差异性,所以定义两证据体m1和m2之间相似度,计算公式如下所示:
通过基本概率分配与相应相似度相乘,完成对所述基本概率分配的修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111666478.4A CN114372693B (zh) | 2021-12-31 | 2021-12-31 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111666478.4A CN114372693B (zh) | 2021-12-31 | 2021-12-31 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114372693A true CN114372693A (zh) | 2022-04-19 |
CN114372693B CN114372693B (zh) | 2024-05-14 |
Family
ID=81142040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111666478.4A Active CN114372693B (zh) | 2021-12-31 | 2021-12-31 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372693B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951263A (zh) * | 2023-03-13 | 2023-04-11 | 广东工业大学 | 一种牵引系统主回路接地故障诊断方法 |
CN117171710A (zh) * | 2023-11-02 | 2023-12-05 | 四川乐电新能源科技有限公司 | 一种电力系统的故障诊断方法及故障诊断装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN103592595A (zh) * | 2013-09-16 | 2014-02-19 | 中机国能电力工程有限公司 | 一种开关电流电路故障诊断方法 |
CN104850727A (zh) * | 2015-01-27 | 2015-08-19 | 厦门大学 | 基于云重心理论的分布式大数据系统风险评估方法 |
CN105510729A (zh) * | 2014-10-11 | 2016-04-20 | 国家电网公司 | 一种变压器过热故障诊断方法 |
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 |
CN109726770A (zh) * | 2019-02-19 | 2019-05-07 | 金陵科技学院 | 一种模拟电路故障测试诊断方法 |
CN110533291A (zh) * | 2019-07-25 | 2019-12-03 | 广西电网有限责任公司电力科学研究院 | 一种基于风险评估的中压配电网薄弱环节辨识方法 |
EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
CN111832939A (zh) * | 2020-07-13 | 2020-10-27 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种特高压直流输电系统主设备检修质量评价方法 |
-
2021
- 2021-12-31 CN CN202111666478.4A patent/CN114372693B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN103592595A (zh) * | 2013-09-16 | 2014-02-19 | 中机国能电力工程有限公司 | 一种开关电流电路故障诊断方法 |
CN105510729A (zh) * | 2014-10-11 | 2016-04-20 | 国家电网公司 | 一种变压器过热故障诊断方法 |
CN104850727A (zh) * | 2015-01-27 | 2015-08-19 | 厦门大学 | 基于云重心理论的分布式大数据系统风险评估方法 |
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 |
EP3695783A1 (en) * | 2019-02-15 | 2020-08-19 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
CN109726770A (zh) * | 2019-02-19 | 2019-05-07 | 金陵科技学院 | 一种模拟电路故障测试诊断方法 |
CN110533291A (zh) * | 2019-07-25 | 2019-12-03 | 广西电网有限责任公司电力科学研究院 | 一种基于风险评估的中压配电网薄弱环节辨识方法 |
CN111832939A (zh) * | 2020-07-13 | 2020-10-27 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种特高压直流输电系统主设备检修质量评价方法 |
Non-Patent Citations (5)
Title |
---|
NING YANG等: "Reseach on fault diagnosis methods for the reactor coolant system of nuclear power plant based on D-S evidence theory", 《ANNALS OF NUCLEAR ENERGY》, vol. 112, 28 February 2018 (2018-02-28), pages 395 - 399, XP085289050, DOI: 10.1016/j.anucene.2017.10.026 * |
尹东亮等: "基于云模型和改进D-S证据理论的目标识别决策方法", 《航空学报》, 4 December 2020 (2020-12-04), pages 299 - 310 * |
张宽等: "基于云模型和改进D⁃S 证据理论的变压器故障诊断", 《高压电器》, vol. 58, no. 4, 16 April 2022 (2022-04-16), pages 196 - 204 * |
王俊松等: "⁃S证据理论改进方案综述", 《信息化研究》, vol. 37, no. 6, 31 December 2011 (2011-12-31), pages 4 - 7 * |
阳小丽等: "基于云模型和证据距离的城镇住宅用地评估", 《计算机与现代化》, 15 March 2013 (2013-03-15), pages 192 - 195 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951263A (zh) * | 2023-03-13 | 2023-04-11 | 广东工业大学 | 一种牵引系统主回路接地故障诊断方法 |
CN117171710A (zh) * | 2023-11-02 | 2023-12-05 | 四川乐电新能源科技有限公司 | 一种电力系统的故障诊断方法及故障诊断装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114372693B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
CN112327219B (zh) | 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法 | |
CN107590247B (zh) | 一种基于群体知识诊断的智能组卷方法 | |
CN111311400A (zh) | 基于gbdt算法的评分卡模型的建模方法及其系统 | |
CN114372693A (zh) | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 | |
CN103810101A (zh) | 一种软件缺陷预测方法和软件缺陷预测系统 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN110515931B (zh) | 一种基于随机森林算法的电容型设备缺陷预测方法 | |
CN113052218A (zh) | 工业过程的多尺度残差卷积与lstm融合性能评估方法 | |
CN110197222A (zh) | 一种基于多分类支持向量机变压器故障诊断的方法 | |
CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
CN108830006B (zh) | 基于线性评价因子的线性-非线性工业过程故障检测方法 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
CN114139639B (zh) | 一种基于自步邻域保持嵌入的故障分类方法 | |
CN115881238A (zh) | 模型训练方法、变压器故障诊断方法及相关装置 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN106650769A (zh) | 基于线性表示多视图鉴别字典学习的分类方法 | |
CN112699229A (zh) | 基于深度学习模型的自适应推题方法 | |
CN114118292B (zh) | 一种基于线性判别邻域保持嵌入的故障分类方法 | |
CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
CN114595788B (zh) | 一种变压器故障诊断方法、装置及设备 | |
CN116756939A (zh) | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN113191556A (zh) | 一种核电Loca事件故障预测与诊断方法 | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 |
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 |