CN114781573A - 一种基于改进灰狼算法优化的变压器故障诊断方法 - Google Patents
一种基于改进灰狼算法优化的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN114781573A CN114781573A CN202210265736.6A CN202210265736A CN114781573A CN 114781573 A CN114781573 A CN 114781573A CN 202210265736 A CN202210265736 A CN 202210265736A CN 114781573 A CN114781573 A CN 114781573A
- Authority
- CN
- China
- Prior art keywords
- wolf
- vector
- fault diagnosis
- optimization
- transverse
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000282461 Canis lupus Species 0.000 claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 21
- 230000000739 chaotic effect Effects 0.000 claims description 13
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 7
- 239000007789 gas Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于故障诊断技术领域,公开了一种基于改进灰狼算法优化的变压器故障诊断方法,包括如下步骤:获取电力变压器的历史故障数据集,并对历史故障数据集进行预处理,得到预处理后故障数据集;根据预处理后故障数据集基于改进灰狼算法优化的Elman神经网络建立变压器故障诊断模型;获取电力变压器的实时故障数据,并将实时故障数据输入变压器故障诊断模型,得到故障类别。本发明解决了现有技术存在的神经网络受初值影响较大、收敛速度慢以及容易陷入局部最优值,模型诊断的效率和准确率低下的问题。
Description
技术领域
本发明属于故障诊断技术领域,具体涉及一种基于改进灰狼算法优化的变压器故障诊断方法。
背景技术
电力变压器作为变电环节的重要设备,虽然在我们身边不经常接触,但却对我们的生活产生了巨大的作用。在国内电力系统中还在使用的电力变压器中,有很大一部分已经具备了长时间的使用年限,存在着绝缘材料劣化等安全隐患,这些电力变压器一旦出现事故将会照成严重的影响,因此对电力变压器的故障情况做出精准的诊断具有非常重要的意义。
利用变压器故障时产生的气体(DGA)对变压器进行故障诊断在国内外已经成为了重要的手段。由于现代智能技术的快速发展,基于智能的诊断方法也逐渐取代了传统的方法。其中智能诊断的方法主要包括模糊理论、专家系统、神经网络、支持向量机(SVM)等,现有的这些智能诊断方法提高了变压器故障诊断准确率。
现有技术存在的问题:
现有的故障诊断模型往往基于BP神经网络或SVM建立,BP神经网络受初值影响较大、收敛速度慢以及容易陷入局部最优值,并且本身的训练无记忆性,增加新的训练数据时会破坏己经调整完成的权值和阈值信息,导致其诊断的效率和稳定性差,SVM本身的结构较简单,特征学习能力较弱,使得对变压器故障诊断的精确度比其他智能算法较低,稳定性略差。根据上述问题导致电力变压器故障诊断的效率和准确率低下。
发明内容
为了解决现有技术存在的神经网络受初值影响较大、收敛速度慢以及容易陷入局部最优值,模型诊断的效率和准确率低下的问题,本发明目的在于提供一种基于改进灰狼算法优化的变压器故障诊断方法。
本发明所采用的技术方案为:
一种基于改进灰狼算法优化的变压器故障诊断方法,包括如下步骤:
获取电力变压器的历史故障数据集,并对历史故障数据集进行预处理,得到预处理后故障数据集;
根据预处理后故障数据集基于改进灰狼算法优化的Elman神经网络建立变压器故障诊断模型;
获取电力变压器的实时故障数据,并将实时故障数据输入变压器故障诊断模型,得到故障类别。
进一步地,预处理包括依次进行的归一化处理和降维处理;
使用核熵成分分析方法对归一化后故障数据集进行敏感特征提取和降维处理,得到预处理后故障数据集。
进一步地,使用改进灰狼横纵多维混沌寻优算法优化Elman神经网络,包括如下步骤:
初始化Elman神经网络,并使用Circle混沌映射获取灰狼种群的初始位置;
输入预处理后故障数据集对Elman神经网络进行迭代训练,并计算灰狼种群的适应度值;
进行横纵双向多维寻优和动态反向学习更新灰狼种群的位置,并根据适应度值进行比较得到人工灰狼的最优解的位置;
若种群迭代次数大于最大迭代次数或适应度值小于预设阈值时,则结束迭代训练,并返回最优解的位置对应的Elman神经网络的最优的初始权值和阈值,否则继续进行迭代训练。
进一步地,Circle混沌映射的公式为:
式中,x(t+1)、x(t)分别为第t+1次、第t次迭代的粒子位置;t为指示量。
进一步地,横纵双向多维寻优的公式为:
式中,Xh(t+1)、Xh(t)、Xv(t+1)、Xv(t)分别为第t+1次、第t次迭代的人工灰狼在空间横向向量上和纵向向量上进行猎捕活动移动的位置;Xhj、Xvj分别为最优领导者狼α、β、δ在空间横向向量上和纵向向量上的位置;Dhj、Dvj为人工灰狼到α、β、δ狼的横向距离和纵向距离;Ahj、Aω均为收敛影响系数向量;W1、W2均为位置定位系数;Xω为随机狼ω在当前向量上的位置;j为指示量。
进一步地,位置定位系数的公式为:
式中,w为位置定位因子;r为[0,1]之间的随机数;tanh(*)为双曲正切函数;t、T分别为当前迭代次数和迭代总次数;wmax、wmin分别为位置定位因子的最大值和最小值;λ、k均为调节参数。
进一步地,动态反向学习的公式为:
式中,X'hbest(t)、X'vbest(t)分别为横向向量上和纵向向量上的灰狼最优解的反向解;Xhbest(t)、Xvbest(t)分别为横向向量上和纵向向量上的灰狼最优解;γ为递减惯性系数,γ=0.9-0.5t/T;Lmax、Lmin分别为向量最大值和向量最小值。
进一步地,进行横纵双向多维寻优和动态反向学习更新人工灰狼种群的位置,包括如下步骤:
对父代的灰狼种群进行横向多维寻优,得到子代的灰狼个体在空间横向向量上的位置,并选取父代与子代中适应度值最好的灰狼个体的位置作为横向向量上的最优解的位置;
对横向多维寻优得到的横向向量上的最优解进行动态反向学习,得到对应的反向解,并选取最优解和反向解中适应度值最好的灰狼个体的位置更新横向向量上的最优解的位置;
对父代的灰狼种群进行纵向多维寻优,得到子代的灰狼个体在空间纵向向量上的位置,并选取父代与子代中适应度值最好的灰狼个体的位置作为纵向向量上的最优解的位置;
对横向多维寻优得到的纵向向量上的最优解进行动态反向学习,得到对应的反向解,并选取最优解和反向解中适应度值最好的灰狼个体的位置更新纵向向量上的最优解的位置;
基于贪婪保留策略选取纵向向量上的最优解和纵向向量上的最优解中适应度值最好的灰狼个体的位置作为人工灰狼的最优解的位置。
进一步地,根据预处理后故障数据集基于改进灰狼算法优化的Elman神经网络建立变压器故障诊断模型,包括如下步骤:
根据最优的初始权值和阈值优化Elman神经网络的相关参数;
将预处理后故障数据集分为训练样本集和测试样本集;
将训练样本集输入优化后的Elman神经网络进行迭代训练,得到初始的变压器故障诊断模型;
将测试样本集输入初始的变压器故障诊断模型进行迭代优化;
若优化迭代次数大于最大迭代次数或变压器故障诊断模型的误差值小于误差阈值,则结束迭代优化,并返回最优的变压器故障诊断模型,否则继续进行迭代优化。
进一步地,故障类别包括无故障状态、高温过热、中温过热、低温过热、高能放电、低能放电以及局部放电。
本发明的有益效果:
本发明基于Elman神经网络建立变压器故障诊断模型,具有动态处理数据及对历史数据敏感的能力,能够有效地分辨不同故障类型的故障数据,因此适用于电力变压器的故障诊断,改进灰狼横纵多维混沌寻优算法ICGWO中,引入了混沌序列、横纵双向寻优机制以及动态反向学习策略,提高了寻优算法的求解精度、效率和稳定性;使用ICGWO对Elman神经网络的初始权值和阈值进行优化,解决了Elman神经网络受初值影响较大、收敛速度慢以及容易陷入局部最优值的问题;最终提高了对电力变压器故障诊断的效率和准确率。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中基于改进灰狼算法优化的变压器故障诊断方法的方法流程图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1:
通过DGA数据能够识别与判断的油浸式变压器故障主要分为无故障状态、高温过热、中温过热、低温过热、高能放电、低能放电以及局部放电,当变压器出现故障时,设备绝缘油中会产生以H2、CH4、C2H6、C2H4和C2H2这5种气体为主的特征气体。同时,故障类型与特征气体间具有对应关系,这对判断与识别电力变压器内部故障具有重要意义。
如图1所示,本实施例提供一种基于改进灰狼算法优化的变压器故障诊断方法,包括如下步骤:
获取电力变压器的历史故障数据集,并对历史故障数据集进行预处理,得到预处理后故障数据集,预处理包括依次进行的归一化处理和降维处理;
归一化处理的公式为:
式中,qi_new为归一化后第i个样本数据;qi为归一化前第i个样本数据;i为指示量;qmax、qmin分别为第i个样本数据的最大值和最小值;
使用核熵成分分析方法对归一化后故障数据集进行敏感特征提取和降维处理,包括如下步骤:
根据归一化后故障数据集和故障类型数量基于高斯核函数构建基核矩阵;
根据基核矩阵构建目标函数,并获取目标函数的非线性方程组;
使用BFGS拟牛顿法求解非线性方程组得到各故障类型对应的权重值;
将优化后的自适应核矩阵进行特征分解,得到预处理后故障数据集的若干特征值和对应的特征向量;
根据瑞利熵贡献值大小对若干特征值和对应的特征向量进行降序排序;
根据预设累计贡献值选取前若干个特征值和对应的特征向量作为当前故障数据的低维敏感特征,
获取归一化后故障数据集中所有故障数据的低维敏感特征,构成历史主元故障数据集,即预处理后故障数据集;
采用核熵成分分析方法提取历史故障数据集的敏感特征,获得故障数据高效低维表达,提高诊断精度;
根据预处理后故障数据集基于改进灰狼算法优化的Elman神经网络建立变压器故障诊断模型,包括如下步骤:
根据最优的初始权值和阈值优化Elman神经网络的相关参数;
将预处理后故障数据集分为训练样本集和测试样本集;
将训练样本集输入优化后的Elman神经网络进行迭代训练,得到初始的变压器故障诊断模型;
将测试样本集输入初始的变压器故障诊断模型进行迭代优化;
若优化迭代次数大于最大迭代次数或变压器故障诊断模型的误差值小于误差阈值,则结束迭代优化,并返回最优的变压器故障诊断模型,否则继续进行迭代优化;
获取电力变压器的实时故障数据,并将实时故障数据输入变压器故障诊断模型,得到故障类别。
作为优选,使用改进灰狼横纵多维混沌寻优算法ICGWO优化Elman神经网络,包括如下步骤:
初始化Elman神经网络,并使用Circle混沌映射获取灰狼种群的初始位置;
Elman神经网络的输入层的神经元个数为5,输出层的神经元个数为7,隐含层和承接层的的神经元个数相同,一般设置为9-20,经过实际样本训练,将隐含层和承接层的的神经元个数为16;ICGWO的灰狼种群的数量为30,最大迭代次数为1000,适应度值的预设阈值为0.01,误差期望值为10-3;
Circle混沌映射的公式为:
式中,x(t+1)、x(t)分别为第t+1次、第t次迭代的粒子位置;t为指示量;
输入预处理后故障数据集对Elman神经网络进行迭代训练,并计算灰狼种群的适应度值;
进行横纵双向多维寻优和动态反向学习更新灰狼种群的位置,并根据适应度值进行比较得到人工灰狼的最优解的位置,包括如下步骤:
对父代的灰狼种群进行横向多维寻优,得到子代的灰狼个体在空间横向向量上的位置,并选取父代与子代中适应度值最好的灰狼个体的位置作为横向向量上的最优解的位置;
对横向多维寻优得到的横向向量上的最优解进行动态反向学习,得到对应的反向解,并选取最优解和反向解中适应度值最好的灰狼个体的位置更新横向向量上的最优解的位置;
对父代的灰狼种群进行纵向多维寻优,得到子代的灰狼个体在空间纵向向量上的位置,并选取父代与子代中适应度值最好的灰狼个体的位置作为纵向向量上的最优解的位置;
对横向多维寻优得到的纵向向量上的最优解进行动态反向学习,得到对应的反向解,并选取最优解和反向解中适应度值最好的灰狼个体的位置更新纵向向量上的最优解的位置;
基于贪婪保留策略选取纵向向量上的最优解和纵向向量上的最优解中适应度值最好的灰狼个体的位置作为人工灰狼的最优解的位置;
横纵双向多维寻优的公式为:
式中,Xh(t+1)、Xh(t)、Xv(t+1)、Xv(t)分别为第t+1次、第t次迭代的人工灰狼在空间横向向量上和纵向向量上进行猎捕活动移动的位置;Xhj、Xvj分别为最优领导者狼α、β、δ在空间横向向量上和纵向向量上的位置;Dhj、Dvj为人工灰狼到α、β、δ狼的横向距离和纵向距离;Ahj、Aω均为收敛影响系数向量;W1、W2均为位置定位系数;Xω为随机狼ω在当前向量上的位置;j为指示量;
位置定位系数的公式为:
式中,w为位置定位因子;r为[0,1]之间的随机数;tanh(*)为双曲正切函数;t、T分别为当前迭代次数和迭代总次数;wmax、wmin分别为位置定位因子的最大值和最小值;λ、k均为调节参数;
动态反向学习的公式为:
式中,X'hbest(t)、X'vbest(t)分别为横向向量上和纵向向量上的灰狼最优解的反向解;Xhbest(t)、Xvbest(t)分别为横向向量上和纵向向量上的灰狼最优解;γ为递减惯性系数,γ=0.9-0.5t/T;Lmax、Lmin分别为向量最大值和向量最小值;
若种群迭代次数大于最大迭代次数或适应度值小于预设阈值时,则结束迭代训练,并返回最优解的位置对应的Elman神经网络的最优的初始权值和阈值,否则继续进行迭代训练。
本发明基于Elman神经网络建立变压器故障诊断模型,具有动态处理数据及对历史数据敏感的能力,能够有效地分辨不同故障类型的故障数据,因此适用于电力变压器的故障诊断,改进灰狼横纵多维混沌寻优算法ICGWO中,引入了混沌序列、横纵双向寻优机制以及动态反向学习策略,提高了寻优算法的求解精度、效率和稳定性;使用ICGWO对Elman神经网络的初始权值和阈值进行优化,解决了Elman神经网络受初值影响较大、收敛速度慢以及容易陷入局部最优值的问题;最终提高了对电力变压器故障诊断的效率和准确率。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种基于改进灰狼算法优化的变压器故障诊断方法,其特征在于:包括如下步骤:
获取电力变压器的历史故障数据集,并对历史故障数据集进行预处理,得到预处理后故障数据集;
根据预处理后故障数据集基于改进灰狼算法优化的Elman神经网络建立变压器故障诊断模型;
获取电力变压器的实时故障数据,并将实时故障数据输入变压器故障诊断模型,得到故障类别。
2.根据权利要求1所述的基于改进灰狼算法优化的变压器故障诊断方法,其特征在于:所述的预处理包括依次进行的归一化处理和降维处理;
使用核熵成分分析方法对归一化后故障数据集进行敏感特征提取和降维处理,得到预处理后故障数据集。
3.根据权利要求1所述的基于改进灰狼算法优化的变压器故障诊断方法,其特征在于:使用改进灰狼横纵多维混沌寻优算法优化Elman神经网络,包括如下步骤:
初始化Elman神经网络,并使用Circle混沌映射获取灰狼种群的初始位置;
输入预处理后故障数据集对Elman神经网络进行迭代训练,并计算灰狼种群的适应度值;
进行横纵双向多维寻优和动态反向学习更新灰狼种群的位置,并根据适应度值进行比较得到人工灰狼的最优解的位置;
若种群迭代次数大于最大迭代次数或适应度值小于预设阈值时,则结束迭代训练,并返回最优解的位置对应的Elman神经网络的最优的初始权值和阈值,否则继续进行迭代训练。
8.根据权利要求3所述的基于改进灰狼算法优化的变压器故障诊断方法,其特征在于:进行横纵双向多维寻优和动态反向学习更新人工灰狼种群的位置,包括如下步骤:
对父代的灰狼种群进行横向多维寻优,得到子代的灰狼个体在空间横向向量上的位置,并选取父代与子代中适应度值最好的灰狼个体的位置作为横向向量上的最优解的位置;
对横向多维寻优得到的横向向量上的最优解进行动态反向学习,得到对应的反向解,并选取最优解和反向解中适应度值最好的灰狼个体的位置更新横向向量上的最优解的位置;
对父代的灰狼种群进行纵向多维寻优,得到子代的灰狼个体在空间纵向向量上的位置,并选取父代与子代中适应度值最好的灰狼个体的位置作为纵向向量上的最优解的位置;
对横向多维寻优得到的纵向向量上的最优解进行动态反向学习,得到对应的反向解,并选取最优解和反向解中适应度值最好的灰狼个体的位置更新纵向向量上的最优解的位置;
基于贪婪保留策略选取纵向向量上的最优解和纵向向量上的最优解中适应度值最好的灰狼个体的位置作为人工灰狼的最优解的位置。
9.根据权利要求3所述的基于改进灰狼算法优化的变压器故障诊断方法,其特征在于:根据预处理后故障数据集基于改进灰狼算法优化的Elman神经网络建立变压器故障诊断模型,包括如下步骤:
根据最优的初始权值和阈值优化Elman神经网络的相关参数;
将预处理后故障数据集分为训练样本集和测试样本集;
将训练样本集输入优化后的Elman神经网络进行迭代训练,得到初始的变压器故障诊断模型;
将测试样本集输入初始的变压器故障诊断模型进行迭代优化;
若优化迭代次数大于最大迭代次数或变压器故障诊断模型的误差值小于误差阈值,则结束迭代优化,并返回最优的变压器故障诊断模型,否则继续进行迭代优化。
10.根据权利要求1所述的基于改进灰狼算法优化的变压器故障诊断方法,其特征在于:所述的故障类别包括无故障状态、高温过热、中温过热、低温过热、高能放电、低能放电以及局部放电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210265736.6A CN114781573A (zh) | 2022-03-17 | 2022-03-17 | 一种基于改进灰狼算法优化的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210265736.6A CN114781573A (zh) | 2022-03-17 | 2022-03-17 | 一种基于改进灰狼算法优化的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781573A true CN114781573A (zh) | 2022-07-22 |
Family
ID=82424488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210265736.6A Pending CN114781573A (zh) | 2022-03-17 | 2022-03-17 | 一种基于改进灰狼算法优化的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781573A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970774A (zh) * | 2022-07-29 | 2022-08-30 | 国网经济技术研究院有限公司 | 一种智能变压器故障预测方法和装置 |
CN115277354A (zh) * | 2022-07-29 | 2022-11-01 | 南京信息工程大学 | 一种面向指挥控制网络管理系统的故障检测方法 |
CN115311883A (zh) * | 2022-08-09 | 2022-11-08 | 杭州中威电子股份有限公司 | 一种基于机器学习的智慧停车系统及其方法 |
CN115407053A (zh) * | 2022-08-19 | 2022-11-29 | 山东科技大学 | 征兆优选方法、计算机设备以及可读存储介质 |
CN115859196A (zh) * | 2023-01-31 | 2023-03-28 | 北京智芯微电子科技有限公司 | 基于scgwo-df的智能电表故障诊断方法与系统 |
CN115936166A (zh) * | 2022-09-28 | 2023-04-07 | 海南电网有限责任公司 | 一种电能表检定误差分析预测方法 |
-
2022
- 2022-03-17 CN CN202210265736.6A patent/CN114781573A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970774A (zh) * | 2022-07-29 | 2022-08-30 | 国网经济技术研究院有限公司 | 一种智能变压器故障预测方法和装置 |
CN115277354A (zh) * | 2022-07-29 | 2022-11-01 | 南京信息工程大学 | 一种面向指挥控制网络管理系统的故障检测方法 |
CN115277354B (zh) * | 2022-07-29 | 2023-06-16 | 南京信息工程大学 | 一种面向指挥控制网络管理系统的故障检测方法 |
CN115311883A (zh) * | 2022-08-09 | 2022-11-08 | 杭州中威电子股份有限公司 | 一种基于机器学习的智慧停车系统及其方法 |
CN115407053A (zh) * | 2022-08-19 | 2022-11-29 | 山东科技大学 | 征兆优选方法、计算机设备以及可读存储介质 |
CN115407053B (zh) * | 2022-08-19 | 2024-03-15 | 山东科技大学 | 征兆优选方法、计算机设备以及可读存储介质 |
CN115936166A (zh) * | 2022-09-28 | 2023-04-07 | 海南电网有限责任公司 | 一种电能表检定误差分析预测方法 |
CN115936166B (zh) * | 2022-09-28 | 2024-06-04 | 海南电网有限责任公司 | 一种电能表检定误差分析预测方法 |
CN115859196A (zh) * | 2023-01-31 | 2023-03-28 | 北京智芯微电子科技有限公司 | 基于scgwo-df的智能电表故障诊断方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781573A (zh) | 一种基于改进灰狼算法优化的变压器故障诊断方法 | |
CN108596212B (zh) | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
CN106548230B (zh) | 基于改进粒子群优化神经网络的变压器故障诊断方法 | |
CN110009529B (zh) | 一种基于堆栈降噪自动编码器的暂态频率获取方法 | |
CN109842373A (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
CN106770939A (zh) | 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 | |
CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN113705082B (zh) | 一种基于改进bp神经网络的变压器热点温度预测方法 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN112395737A (zh) | 一种基于生成对抗网络高速列车量测数据缺失重建的方法 | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN110879373A (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
CN112365009A (zh) | 一种基于深度学习网络的二次设备异常诊断方法 | |
CN116383650A (zh) | 一种基于lstm模型的集中器电功率异常诊断方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN109214500A (zh) | 一种基于混合智能算法的变压器故障识别方法 | |
CN113591960A (zh) | 一种基于改进生成对抗网络的电压暂降事件类型辨识方法 | |
CN116562169A (zh) | 一种基于深度学习的电力变压器故障诊断方法 | |
Ye et al. | Fault classification of high voltage transmission line based on convolutional neural network | |
CN112990593A (zh) | 基于cso-ann-el算法的变压器故障诊断及状态预测方法 | |
Liang et al. | Dissolved gas analysis of transformer oil based on Deep Belief Networks | |
CN116756939A (zh) | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 | |
CN116755000A (zh) | 一种变压器故障快速识别装置及方法 |
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 |