CN114492675B - 一种电容式电压互感器故障原因智能诊断方法 - Google Patents
一种电容式电压互感器故障原因智能诊断方法 Download PDFInfo
- Publication number
- CN114492675B CN114492675B CN202210335507.7A CN202210335507A CN114492675B CN 114492675 B CN114492675 B CN 114492675B CN 202210335507 A CN202210335507 A CN 202210335507A CN 114492675 B CN114492675 B CN 114492675B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- training
- data set
- transformer
- 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
Links
- 239000003990 capacitor Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 241000283153 Cetacea Species 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000008030 elimination Effects 0.000 claims abstract description 3
- 238000003379 elimination reaction Methods 0.000 claims abstract description 3
- 230000015556 catabolic process Effects 0.000 claims description 22
- 238000009736 wetting Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000013016 damping Methods 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 5
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- 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
- 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
- G06N3/045—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
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电容式电压互感器故障原因智能诊断方法，包括：采集数据生成训练集D；训练集D为输入数据集X映射到输出数据集Y的键值对数据，输入数据集X为误差评估值数据，输出数据集Y为互感器故障原因数据；基于LOF（Local Outlier Factor，局部异常因子）算法对训练集中的输入数据集X进行异常错误数据剔除的预处理；基于预处理后的训练集进行WOA（Whale Optimization Algorithm，鲸鱼优化）算法参数调优的RNN模型训练；基于训练完成的RNN模型训练进行电容式电压互感器故障原因预测；有助于运维人员及时发现互感器的超差原因，并针对性进行维修，提高了现场运维效率，减轻运维人员工作量，显著降低运维成本。
Description
技术领域
本发明涉及智能电网技术领域，尤其涉及一种电容式电压互感器故障原因智能诊断方法。
背景技术
作为电能计量装置的重要组成部分，互感器计量性能的准确可靠直接关系到电能贸易结算的公平公正。电容式电压互感器是由串联电容器分压，再经电磁式互感器降压和隔离。和常规的电磁式电压互感器相比，电容式电压互感器除了具有冲击绝缘强度高、制造简单、体积小、重量轻等优点外，在经济和安全上还有很多优越之处。随着电容式电压互感器被广泛应用的同时出现了多种故障或缺陷，常见的故障包括高压电容击穿，中压电容击穿，电磁单元击穿，渗漏油，高压电容受潮，低压电容受潮，阻尼装置劣化等。故障持续发展将严重威胁设备安全。当前主流的方法是在变电站停电检修时，或互感器发生超差等状况时，将互感器由技术人员人工判断故障原因，并进行维修，但停电检修耗费人力物力大，需要一种快捷方便的互感器故障原因诊断方法。
发明内容
本发明针对现有技术中存在的技术问题，提供一种电容式电压互感器故障原因智能诊断方法，利用在线误差数据，采用深度学习算法智能判断CVT故障原因，相较于人工现场判断，可提前又便捷地获得故障原因有关信息，并提前做出判断尽早发现互感器存在的问题，有助于运维人员及时发现互感器的超差原因，并针对性进行维修，提高了现场运维效率，减轻运维人员工作量，显著降低运维成本。
根据本发明的第一方面，提供了一种电容式电压互感器故障原因智能诊断方法，包括：步骤1，采集数据生成训练集D；所述训练集D为输入数据集X映射到输出数据集Y的字典，所述输入数据集X为误差评估值数据，所述输出数据集Y为互感器故障原因数据；
步骤2，基于局部异常因子算法对所述训练集中的所述输入数据集X进行异常错误数据剔除的预处理；
步骤3，基于预处理后的所述训练集进行鲸鱼优化算法参数调优的RNN模型训练；
步骤4，基于训练完成的所述RNN模型训练进行电容式电压互感器故障原因预测。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述输入数据集X为由数据种类、数据组个数n和数据集时长范围构成的三维数组；
所述输入数据集X的数据种类包括：互感器误差评估值的比差Xf和角差Xφ；
所述输出数据集Y为由互感器故障原因构成的1维数组，所述互感器故障原因包括：高压电容击穿、中压电容击穿、渗漏油、高压电容受潮、低压电容受潮和阻尼装置劣化。
可选的，所述步骤1中获取所述输入数据集D的过程包括：
在变电站开展电容式电压互感器故障诊断，计算电容式电压互感器误差评估值，将该误差评估值代替误差真值，搜寻设定时间范围内该变电站的维修情况，采集所述数据集时长范围对应的所述比差Xf和所述角差Xφ作为故障数据组；
搜寻与所述故障数据组数量对应的正常状态下互感器误差评估值作为正常数据组；
所述故障数据组与所述正常数据组的个数和记作n；
记录所述故障数据组的各组数对应的故障原因，生成所述输入数据集D。
可选的，所述步骤2包括：
将所述输入数据集X中每个序列数据，按时间序列和误差数值作二维平面计算离群因子，离群因子计算式为：
其中，m为待测对象与由近及远点的数量，o'是待测对象的邻域点，Nm (o)为待测对象o的第m距离邻域；Ird为局部可达密度函数；
将输入数据集X的一个数据组中每一个数据点进行离群因子值的计算，选择离群因子最大的两个点作为离群点进行剔除。
可选的，所述步骤3包括：
步骤301，初始化鲸鱼优化算法的种群和RNN模型的参数，所述参数包括隐含层节点数n、学习率ɛ和迭代次数iter，将初始化后的(n,ɛ,iter）值作为待优化的参数输入到鲸鱼优化算法中；
步骤303，建立判断效果评分的真值表，所述真值表为真实故障的各个种类与预测故障的各个种类对应的评分；
步骤302，将鲸鱼优化算法优化后的参数作为最初的历史最优值赋值给所述RNN模型并训练，依次将每天的比差Xf和角差Xφ数据输入所述RNN模型进行训练，在每天的数据训练完成后通过鲸鱼优化算法对所述(n,ɛ,iter）值进行优化；
步骤303，基于所述真值表的评分计算经过鲸鱼优化算法的所述RNN模型的训练损失值T1；所述训练损失值T1小于设定的最低要求T0时，输出参数值(n0,ɛ0,iter0)和预测模型M；所述训练损失值T1大于等于T0或者未到迭代次数时，更新参数并且重新进行训练。
可选的，所述真值表包括：
真实故障与预测故障的种类相同时，对应的评分为100分；
真实故障与预测故障的种类不同但类型相同时，对应的评分为50分；类型相同的故障种类为高压电容击穿和中压电容击穿以及高压电容受潮和低压电容受潮；
真实故障的种类与预测故障的种类不同且类型相同时，对应的评分为0分。
可选的，所述训练损失值T1计算式为
；
ny为预测样本数，ti为每一组数据在所述真值表中的对应评分。
可选的，所述步骤4包括：将设定时间范围内的每天采集的比差和角差数据导入训练完成的所述RNN模型，通过所述RNN模型的输出来判断电容式电压互感器的故障原因；
将故障数据加入所述训练集D，并定时加入正常数据进入所述训练集D；
使用lightGBM框架进行增量训练。
本发明提供的一种电容式电压互感器故障原因智能诊断方法，在变电站采集有故障的CVT故障原因及其前设定时长（例如30天）的误差评估值，作为训练数据，使用LOF算法对该数据进行清洗，使用WOA鲸鱼算法用于参数寻优，因为RNN参数难以确定，比差角差两个时间序列作为输入故障原因作为输出使用RNN进行训练，lightGBM框架实现增量训练，使用训练完成的模型用于发生故障的互感器，提前得知故障原因。
附图说明
图1为本发明实施例提供的一种电容式电压互感器故障原因智能诊断的示意图；
图2为本发明实施例提供的RNN模型训练的示意图；
图3为本发明实施例提供的利用训练完成的RNN模型进行电容式电压互感器故障原因预测的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
目前技术人员人工判断故障原因检查耗费人力物力大，效率低，如果互感器故障维修不及时会导致持续超差，损害电力结算公平甚至电网安全，因此需要一种快捷方便的互感器故障原因诊断方法，本发明通过在线数据智能判断CVT故障原因，有助于运维人员及时发现互感器的故障原因，又能提高现场运维效率，提前做出判断尽早发现互感器存在的故障，避免错误诊断或未及时的发现故障导致更恶劣的后果损害电网安全。该发明具有较高的工程应用价值，适应当前电力系统高供电可靠性的要求。
图1为本发明提供的一种电容式电压互感器故障原因智能诊断方法的示意图，如图1所示，该智能诊断方法包括：
步骤1，采集数据生成训练集D；训练集D为输入数据集X映射到输出数据集Y的字典，输入数据集X为误差评估值数据，输出数据集Y为互感器故障原因数据。
步骤2，基于局部异常因子算法对训练集中的输入数据集X进行异常错误数据剔除的预处理。
步骤3，基于预处理后的训练集进行鲸鱼优化算法参数调优的RNN模型训练。
步骤4，基于训练完成的RNN模型训练进行电容式电压互感器故障原因预测。
本发明提供的一种电容式电压互感器故障原因智能诊断方法，利用在线误差数据，采用深度学习算法智能判断CVT故障原因，相较于人工现场判断，可提前又便捷地获得故障原因有关信息，并提前做出判断尽早发现互感器存在的问题，有助于运维人员及时发现互感器的超差原因，并针对性进行维修，提高了现场运维效率，减轻运维人员工作量，显著降低运维成本。
实施例1
本发明提供的实施例1为本发明提供的一种电容式电压互感器故障原因智能诊断的实施例，结合图2可知，该实施例包括：
步骤1，采集数据生成训练集D；训练集D为输入数据集X映射到输出数据集Y的字典，输入数据集X为误差评估值数据，输出数据集Y为互感器故障原因数据。
在一种可能的实施例方式中，输入数据集X为由数据种类、数据组个数n和数据集时长范围构成的三维数组。
输入数据集X的数据种类包括：互感器误差评估值的比差Xf和角差Xφ。
输出数据集Y为由互感器故障原因构成的1维数组，互感器故障原因包括：高压电容击穿、中压电容击穿、渗漏油、高压电容受潮、低压电容受潮和阻尼装置劣化。
具体实施中，列举变电站中互感器故障原因构建互感器故障原因集作为输出数据集Y，输出数据集Y可以为一个个数为6的1维数组，Y={高压电容击穿，中压电容击穿，渗漏油，高压电容受潮，低压电容受潮，阻尼装置劣化}。因此，训练集D是从X映射到Y的字典，将用于后续的训练步骤。
在一种可能的实施例方式中，步骤1中获取输入数据集D的过程包括：
在变电站开展电容式电压互感器故障诊断，通过算法计算由二次电压幅值等电参量获得的电容式电压互感器误差评估值，将该误差评估值代替误差真值，搜寻设定时间范围内（例如五年）该变电站的维修情况，采集数据集时长范围（例如为之前30天）对应的比值差相位差数据，即比差Xf和角差Xφ作为故障数据组。
搜寻与故障数据组数量对应的正常状态下互感器误差评估值作为正常数据组。
故障数据组与正常数据组的个数和记作n。
记录故障数据组的各组数对应的故障原因，生成输入数据集D。
具体实施中，数据种类为比差Xf和角差Xφ2个，数据组个数为n，每组数据包含30天的误差评估值数据，因此输入数据集X为一个2*n*30的3维数组。
步骤2，基于局部异常因子算法对训练集中的输入数据集X进行异常错误数据剔除的预处理。
在一种可能的实施例方式中，由于存在环境突变人工因素等影响，会出现一些异常错误数据，需将其剔除，使用LOF局部离群因子检测方法进行数据预处理，这是一种基于密度的离群点检测方法，方法是使用对象和其邻近对象的相对密度表示对象的离群程度。
在一种可能的实施例方式中，步骤2包括：
将输入数据集X中每个序列数据，具体实施中，输入数据集X中有2n个代表历史30天比差/角差的序列数据，按时间序列和误差数值作二维平面计算离群因子，离群因子计算式为：
其中，m为待测对象与由近及远点的数量，o'是待测对象的邻域点，Nm (o)为待测对象o的第m距离邻域；Ird为局部可达密度函数。
待测对象o的离群因子（LOF）得分在[1-x,1+y]范围内时，x、y为设定值，该范围表示近似为1，待测对象o的密度与其邻域点密度属于同一种模式。
待测对象o的离群因子得分小于1-x时，表示数据点p处在一个相对密集的区域，不属一个异常点。
待测对象o的离群因子得分大于1+y时，表明数据点p跟其他点比较疏远，是一个异常点。
将输入数据集X的一个数据组中每一个数据点进行离群因子值的计算，选择离群因子最大于1的两个点作为离群点进行剔除。
将清洗完毕后的数据集用于模型训练。由于RNN循环神经网络的参数是通过经验或者多次实验确定的，这种确定方法不一定科学，因此引入WOA鲸鱼优化算法，对深度学习中的隐藏层神经元节点数、迭代次数和学习率三个参数进行网络参数寻优。鲸鱼优化算法是通过模拟鲸鱼猎物捕食机制来表示算法的寻优过程。
步骤3，基于预处理后的训练集进行鲸鱼优化算法参数调优的RNN模型训练。
在一种可能的实施例方式中，循环神经网络RNN是反馈神经网络的一种，特点是本层的输出会继续输入到下一层节点，适合如比差角差这种存在时间序列的数据，上一日的数据可以继续传送给今日。具体的，步骤3包括：
步骤301，初始化鲸鱼优化算法的种群和RNN模型的参数，参数包括隐含层节点数n、学习率ɛ和迭代次数iter，将初始化后的(n,ɛ,iter）值作为待优化的参数输入到鲸鱼优化算法中。
步骤303，建立判断效果评分的真值表，真值表为真实故障的各个种类与预测故障的各个种类对应的评分。
由于同类型的故障不应认为是完全判断错误，于是制定真值表用于判断效果评分，具体实施中，该真值表包括：
真实故障与预测故障的种类相同时，对应的评分为100分。
真实故障与预测故障的种类不同但类型相同时，对应的评分为50分；类型相同的故障种类为高压电容击穿和中压电容击穿以及高压电容受潮和低压电容受潮。
真实故障的种类与预测故障的种类不同且类型相同时，对应的评分为0分。
具体的，真值表为：
具体的，步骤302，将鲸鱼优化算法优化后的参数作为最初的历史最优值赋值给RNN模型并训练，依次将每天的比差Xf和角差Xφ数据按时序输入RNN模型进行训练，在每天的数据训练完成后通过鲸鱼优化算法对(n,ɛ,iter）值进行优化，如图2所示为本发明实施例提供的RNN模型训练示意图。
步骤303，基于真值表的评分计算经过鲸鱼优化算法的RNN模型的训练损失值T1；训练损失值T1小于设定的最低要求T0时，则满足要求，输出参数值(n0,ɛ0,iter0)和预测模型M；训练损失T1大于等于T0或者未到迭代次数时，更新参数并且重新进行训练，直到T1小于T0。
具体实施中，该训练损失T1计算式可以为
。
ny为预测样本数，ti为每一组数据在真值表中的对应评分。
步骤4，基于训练完成的RNN模型训练进行电容式电压互感器故障原因预测。
如图3所示为本发明实施例提供的利用训练完成的RNN模型进行电容式电压互感器故障原因预测的示意图，结合图3可知，在一种可能的实施例方式中，步骤4包括：将设定时间范围内的每天采集的比差和角差数据导入训练完成的RNN模型M，通过RNN模型的输出来判断电容式电压互感器的故障原因。
将故障数据加入训练集D，并定时加入正常数据进入训练集D。
当其存在故障并进行运维处理时，将相关数据导入原模型进行更新，并定时加入互感器正常时的误差序列数据。
为减轻训练时间、内存压力，使用lightGBM框架进行增量训练，LightGBM是个快速的，分布式的，高性能的基于决策树算法的梯度提升框架，常态使用时可保留原有模型，使用较小内存较短时间实现对新误差数据的导入和互感器故障原因预测模型的更新。
本发明实施例提供的一种电容式电压互感器故障原因智能诊断方法，在变电站采集有故障的CVT故障原因及其前设定时长（例如30天）的误差评估值，作为训练数据，使用LOF算法对该数据进行清洗，使用WOA鲸鱼算法用于参数寻优，因为RNN参数难以确定，比差角差两个时间序列作为输入故障原因作为输出使用RNN进行训练，lightGBM框架实现增量训练，使用训练完成的模型用于发生故障的互感器，提前得知故障原因。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (6)
1.一种电容式电压互感器故障原因智能诊断方法，其特征在于，所述智能诊断方法包括：
步骤1，采集数据生成训练集D；所述训练集D为输入数据集X映射到输出数据集Y的键值对数据，所述输入数据集X为误差评估值数据，所述输出数据集Y为互感器故障原因数据；
步骤2，基于局部异常因子算法对所述训练集中的所述输入数据集X进行异常错误数据剔除的预处理；
步骤3，基于预处理后的所述训练集进行鲸鱼优化算法参数调优的RNN模型训练；
步骤4，基于训练完成的所述RNN模型训练进行电容式电压互感器故障原因预测；
所述输入数据集X为由数据种类、数据组个数和数据集时长范围构成的三维数组；
所述输入数据集X的数据种类包括：互感器误差评估值的比差Xf和角差Xφ；
所述输出数据集Y为由互感器故障原因构成的1维数组，所述互感器故障原因包括：高压电容击穿、中压电容击穿、渗漏油、高压电容受潮、低压电容受潮和阻尼装置劣化；
所述步骤1中获取所述输入数据集D的过程包括：
在变电站开展电容式电压互感器故障诊断，计算电容式电压互感器误差评估值，将该误差评估值代替误差真值，搜寻设定时间范围内该变电站的维修情况，采集所述数据集时长范围对应的所述比差Xf和所述角差Xφ作为故障数据组；
搜寻与所述故障数据组数量对应的正常状态下互感器误差评估值作为正常数据组；
所述故障数据组与所述正常数据组的个数和记作ns，ns≥10；
记录所述故障数据组的各组数对应的故障原因，生成所述输入数据集D。
2.根据权利要求1所述的智能诊断方法，其特征在于，所述步骤2包括：
将所述输入数据集X中每个序列数据，按时间序列和误差数值作二维平面计算离群因子，离群因子计算式为：
其中，m为待测对象与由近及远点的数量，o'是待测对象的邻域点，Nm (o)为待测对象o的第m距离邻域；Ird为局部可达密度函数；
将输入数据集X的一个数据组中每一个数据点进行离群因子值的计算，选择离群因子最大的两个点作为离群点进行剔除。
3.根据权利要求1所述的智能诊断方法，其特征在于，所述步骤3包括：
步骤301，初始化鲸鱼优化算法的种群和RNN模型的参数，所述参数包括隐含层节点数n、学习率ɛ和迭代次数iter，将初始化后的(n,ɛ,iter）值作为待优化的参数输入到鲸鱼优化算法中；
步骤303，建立判断效果评分的真值表，所述真值表为真实故障的各个种类与预测故障的各个种类对应的评分；
步骤302，将鲸鱼优化算法优化后的参数作为最初的历史最优值赋值给所述RNN模型并训练，依次将每天的比差Xf和角差Xφ数据输入所述RNN模型进行训练，在每天的数据训练完成后通过鲸鱼优化算法对所述(n,ɛ,iter）值进行优化；
步骤303，基于所述真值表的评分计算经过鲸鱼优化算法的所述RNN模型的训练损失值T1；所述训练损失值T1小于设定的最低要求T0时，输出参数值(n0,ɛ0,iter0)和预测模型M；所述训练损失值T1大于等于T0或者未到迭代次数时，更新参数并且重新进行训练。
4.根据权利要求3所述的智能诊断方法，其特征在于，所述真值表包括：
真实故障与预测故障的种类相同时，对应的评分为100分；
真实故障与预测故障的种类不同但类型相同时，对应的评分为50分；类型相同的故障种类为高压电容击穿和中压电容击穿以及高压电容受潮和低压电容受潮；
真实故障的种类与预测故障的种类不同且类型相同时，对应的评分为0分。
5.根据权利要求4所述的智能诊断方法，其特征在于，所述训练损失值T1计算式为
；
ny为预测样本数，ti为每一组数据在所述真值表中的对应评分。
6.根据权利要求1所述的智能诊断方法，其特征在于，所述步骤4包括：将设定时间范围内的每天采集的比差和角差数据导入训练完成的所述RNN模型，通过所述RNN模型的输出来判断电容式电压互感器的故障原因；
将故障数据加入所述训练集D，并定时加入正常数据进入所述训练集D；
使用lightGBM框架进行增量训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210335507.7A CN114492675B (zh) | 2022-04-01 | 2022-04-01 | 一种电容式电压互感器故障原因智能诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210335507.7A CN114492675B (zh) | 2022-04-01 | 2022-04-01 | 一种电容式电压互感器故障原因智能诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114492675A CN114492675A (zh) | 2022-05-13 |
| CN114492675B true CN114492675B (zh) | 2022-07-12 |
Family
ID=81488473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210335507.7A Active CN114492675B (zh) | 2022-04-01 | 2022-04-01 | 一种电容式电压互感器故障原因智能诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114492675B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114814501B (zh) * | 2022-06-30 | 2022-09-16 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电容式电压互感器电容击穿故障在线诊断方法 |
| CN115008818B (zh) * | 2022-08-05 | 2022-11-08 | 金成技术股份有限公司 | 可促进钣金结构件生产效率的冲压工序优化方法 |
| CN116125361B (zh) * | 2023-02-03 | 2023-07-18 | 华中科技大学 | 电压互感器误差评估方法、系统、电子设备及存储介质 |
| CN117849558A (zh) * | 2024-03-06 | 2024-04-09 | 武汉格蓝若智能技术股份有限公司 | 电容式电压互感器主电容击穿故障在线监测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015184252A1 (en) * | 2014-05-29 | 2015-12-03 | Blacklight Power, Inc. | Electrical power generation systems and methods regarding same |
| CN113899968A (zh) * | 2021-09-23 | 2022-01-07 | 成都高斯电子技术有限公司 | 一种电压互感器监测方法 |
| CN113987294A (zh) * | 2021-11-10 | 2022-01-28 | 国网上海市电力公司 | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 |
| CN114062995A (zh) * | 2021-11-15 | 2022-02-18 | 通号（长沙）轨道交通控制技术有限公司 | 基于电气量多特征融合的互感器故障诊断方法、设备及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112327218B (zh) * | 2020-10-21 | 2022-12-30 | 华北电力大学 | 一种变压器在线监测与故障诊断方法 |
| CN113777552B (zh) * | 2021-11-09 | 2022-03-11 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器计量误差的预测方法及系统 |
-
2022
- 2022-04-01 CN CN202210335507.7A patent/CN114492675B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015184252A1 (en) * | 2014-05-29 | 2015-12-03 | Blacklight Power, Inc. | Electrical power generation systems and methods regarding same |
| CN113899968A (zh) * | 2021-09-23 | 2022-01-07 | 成都高斯电子技术有限公司 | 一种电压互感器监测方法 |
| CN113987294A (zh) * | 2021-11-10 | 2022-01-28 | 国网上海市电力公司 | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 |
| CN114062995A (zh) * | 2021-11-15 | 2022-02-18 | 通号（长沙）轨道交通控制技术有限公司 | 基于电气量多特征融合的互感器故障诊断方法、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| A Hybrid SVM-WOA Approach for Intelligent Fault Diagnosis Applications;Utku Kose;《2019 Innovations in Intelligent Systems and Application Conference (ASYU)》;20200102;第1-6页 * |
| 互感器故障分析与综合诊断分析技术的研究;李继承;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20190131(第1期);全文 * |
| 互感器故障诊断人工神经网络法;阎子勤;《计算机仿真》;20031231(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114492675A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114492675B (zh) | 一种电容式电压互感器故障原因智能诊断方法 | |
| Ma et al. | Ultra-short-term wind generation forecast based on multivariate empirical dynamic modeling | |
| CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN112270439B (zh) | 超短期风电功率预测方法、装置、电子设备及存储介质 | |
| Su | Analysis of optimisation method for online education data mining based on big data assessment technology | |
| CN112200038A (zh) | 一种基于cnn的电力系统振荡类型的快速辨识方法 | |
| CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
| CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策系统 | |
| Ding et al. | A big data based cost prediction method for remanufacturing end-of-life products | |
| CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN116821610A (zh) | 一种利用大数据优化风力发电效率的方法 | |
| CN109800866B (zh) | 一种基于GA-Elman神经网络的可靠性增长预测方法 | |
| CN113919162B (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 | |
| CN116225752A (zh) | 基于故障模式库的微服务系统故障根因分析方法及系统 | |
| Zhang et al. | Gas pipeline corrosion prediction based on modified support vector machine and unequal interval model | |
| CN107102543A (zh) | 一种能量路由器抗干扰控制器的形成方法及装置 | |
| Cao et al. | An improved cuckoo search algorithm for semiconductor final testing scheduling | |
| Jadhav et al. | Forecasting energy consumption using machine learning | |
| CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
| Bubnicki | Learning process in a class of computer integrated manufacturing systems with parametric uncertainties | |
| Prasad et al. | A Hybrid Time Series Rainfall Prediction Model Using Neural Prophet and LS TM | |
| Dang | Development of Structural Damage Detection Method Working with Contaminated Vibration Data via Autoencoder and Gradient Boosting |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Patentee after: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Patentee before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An intelligent diagnosis method for fault reason of capacitive voltage transformer Effective date of registration: 20221230 Granted publication date: 20220712 Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Registration number: Y2022420000404 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220712 Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Registration number: Y2022420000404 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |