CN115079052A - 一种变压器故障诊断方法和系统 - Google Patents
一种变压器故障诊断方法和系统 Download PDFInfo
- Publication number
- CN115079052A CN115079052A CN202210862889.9A CN202210862889A CN115079052A CN 115079052 A CN115079052 A CN 115079052A CN 202210862889 A CN202210862889 A CN 202210862889A CN 115079052 A CN115079052 A CN 115079052A
- Authority
- CN
- China
- Prior art keywords
- hilbert
- feature extraction
- partial discharge
- training
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- 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
-
- 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
Abstract
本发明涉及变压器检测技术领域中的一种变压器故障诊断方法和系统,包括以下步骤:采集变压器的局部放电信号训练样本,并对局部放电信号训练样本进行预处理,得到第一特征提取数据;基于第一特征提取数据和果蝇算法优化神经网络,生成神经网络优化模型;采集变压器的局部放电信号测试样本,并对局部放电信号测试样本进行预处理,得到第二特征提取数据;将第二特征提取数据输入神经网络优化模型,得到故障诊断结果,解决了变压器在故障诊断过程中,其特征提取能量损失,不能客观反应出正式的信号特性的问题。
Description
技术领域
本发明涉及变压器检测技术领域,具体涉及一种变压器故障诊断方法和系统。
背景技术
局部放电故障类型是评估高压电力设备绝缘状态的重要技术指标之一,不仅反映绝缘状 态水平,还可估算电力设备绝缘的使用寿命。因此对变压器局部放电故障识别算法的研究显 得尤为重要。
近年来,对放电信号的处理分析大多由傅里叶变换转换为能够进行时频局域化分析的小 波变换,这两种方法对平稳信号都有良好的处理效果,但是,这些算法不能随信号本身时间 和频率的变化由自身做出调整,不能客观反映出真实的信号特性。BP神经网络存在收敛速度 慢、易陷入局部极小点等问题难以避免,同时支持向量机并不适合用于大样本多分类的问题。
发明内容
本发明针对现有技术中的缺点,提供了一种变压器故障诊断方法和系统,,解决了变压器 在故障诊断过程中,其特征提取能量损失,不能客观反应出正式的信号特性的问题。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种变压器故障诊断方法,包括以下步骤:
采集变压器的局部放电信号训练样本,并对所述局部放电信号训练样本进行预处理,得 到第一特征提取数据;
基于所述第一特征提取数据和果蝇算法优化神经网络,生成神经网络优化模型;
采集变压器的局部放电信号测试样本,并对所述局部放电信号测试样本进行预处理,得 到第二特征提取数据;
将所述第二特征提取数据输入神经网络优化模型,得到故障诊断结果。
可选的,对所述局部放电信号训练样本进行预处理,得到第一特征提取数据,包括以下 步骤:
获取所述局部放电信号训练样本的信号时间序列一,并进行希尔伯特-黄变换,得到希尔 伯特训练谱;
基于所述希尔伯特训练谱,进行数据聚类计算,得到第一特征提取数据。
可选的,获取所述局部放电信号训练样本的信号时间序列一,并进行希尔伯特-黄变换, 得到希尔伯特训练谱,包括以下步骤:
将所述信号时间序列一进行经验模态分解,得到若干个固有模态训练函数;
将若干个所述固有模态训练函数进行希尔伯特变换,并计算瞬时频率,生成若干个希尔 伯特训练谱。
可选的,进行数据聚类计算,得到第一特征提取数据,包括以下步骤:
汇总若干所述希尔伯特训练谱,得到训练边际谱;
将所述训练边际谱根据指数进行数据聚类,并结合希尔伯特能量谱计算得到第一特征提 取数据。
可选的,基于所述第一特征提取数据和果蝇算法优化神经网络,生成神经网络优化模型, 包括以下步骤:
构建神经网络,将所述第一特征提取数据生成特征矩阵并输入神经网络进行训练;
使用果蝇算法获取神经网络权值和阈值的集合的最优值,得到神经网络优化模型。
可选的,所述第一特征提取数据生成特征矩阵并输入神经网络进行训练,包括以下步骤:
将所述第一特征数据生成第一特征向量数据,并将所述第一特征向量数据进行归一化处 理,得到特征矩阵,并输入神经网络。
可选的,采集变压器的局部放电信号测试样本,并对所述局部放电信号测试样本进行预 处理,得到第二特征提取数据,包括以下步骤:
获取所述局部放电信号测试样本的信号时间序列二,并进行希尔伯特-黄变换,得到希尔 伯特测试谱;
基于所述希尔伯特测试谱,进行数据聚类计算和特征向量化,得到第二特征提取数据。
可选的,获取所述局部放电信号测试样本的信号时间序列二,并进行希尔伯特-黄变换, 得到希尔伯特测试谱,包括以下步骤:
将所述信号时间序列二进行经验模态分解,得到若干个固有模态测试函数;
将若干个所述固有模态测试函数进行希尔伯特变换,并计算瞬时频率,生成若干个希尔 伯特测试谱。
可选的,基于所述希尔伯特测试谱,进行数据聚类计算和特征向量化,得到第二特征提 取数据,包括以下步骤:
汇总若干所述希尔伯特测试谱,得到测试边际谱;
将所述测试边际谱根据指数进行数据聚类,并结合希尔伯特能量谱计算得到希尔伯特能 量值,并进行特征向量化,得到第二特征提取数据。
一种变压器故障诊断系统,包括第一预处理单元、优化单元、第二预处理单元和诊断单 元;
所述第一预处理单元用于采集变压器的局部放电信号训练样本,并对所述局部放电信号 训练样本进行预处理,得到第一特征提取数据;
所述优化单元用于基于所述第一特征提取数据和果蝇算法优化神经网络,生成神经网络 优化模型;
所述第二预处理单元用于采集变压器的局部放电信号测试样本,并对所述局部放电信号 测试样本进行预处理,得到第二特征提取数据;
所述诊断单元用于将所述第二特征提取数据输入神经网络优化模型,得到故障诊断结果。
采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
通过希尔伯特谱分析局部放电信号的信号特点,并提出希尔伯特能量聚类算法,提高了 特征值自身的可分性,使局部放电故障分类效果更加明显,另一方面,还结合PNN神经网 络作为局部放电故障识别的分类器,具有更快的运算识别速度和更高的识别率,同时有着较 好的扩展性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术 描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一 些实施例,对于本领域谱通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这 些附图获得其他的附图。
图1为本实施例一提出的一种变压器故障诊断方法的流程图;
图2为本实施例一提出的采用概率神经网络拓扑结构的示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明 并不局限于以下实施例。
实施例一
如图1所示,一种变压器故障诊断方法,包括以下步骤:采集变压器的局部放电信号训 练样本,并对局部放电信号训练样本进行预处理,得到第一特征提取数据,具体的,包括以 下步骤:获取局部放电信号训练样本的信号时间序列一,并进行希尔伯特-黄变换,得到希尔 伯特训练谱;基于希尔伯特训练谱,进行数据聚类计算,得到第一特征提取数据。
首先通过传感器获取变压器的局部放电信号,具体地,利用高频局部放电信号采集装置 采集油中悬浮放电、油中沿面放电、油中气隙放电和空气中针板放电四种典型的局部放电缺 陷信号,然后将这四种局部放电信号的信号时间序列一F(t)进行希尔伯特黄变换,具体的, 将信号时间序列一进行经验模态分解,得到若干个固有模态训练函数;将若干个固有模态训 练函数进行希尔伯特变换,并计算瞬时频率,生成若干个希尔伯特训练谱。
单一的希尔伯特变换会过滤掉信号中的谐波,因此,结合经验模态分解从原始信号中筛 选出满足条件的固有模态训练函数,其中,对若干个固有模态训练函数进行希尔伯特变换的 公式为:且Y(t)是X(t)与的卷积,PV为柯西主值,通过这 个定义,F(t)和Y(t)组成了一个共轭复数对,于是可以得到一个解析信号Z(t),具体 如下:
Z(t)=F(t)+iY(t)=a(t)eiθ(t);
计算出瞬时频率后,原始函数即可用时频函数表示,表示公式为:其中X为原始信号,对原始信号分解成n个固有模态训练函数,对满足条件的模态训练函数希尔波特变换得到Z,Z是关于频率和时间的复数函数,因此重新得到X需要对多个模态训练函数的时间积分后再累加,这样X因变量,频率和时间为自变量,从而将局部放电信号进一步表示为幅值a、瞬时频率ω和时间t的函数,即希尔伯特训练谱H(ω,t)。
然后基于希尔伯特训练谱,进行数据聚类计算,得到第一特征提取数据,具体的,包括 以下步骤:汇总若干希尔伯特训练谱,得到训练边际谱;将训练边际谱根据指数进行数据聚 类,并结合希尔伯特能量谱计算得到第一特征提取数据。
将希尔伯特训练谱汇总为训练边际谱,计算方法是将希尔伯特谱在时间轴上进行积分, 描述的是幅值或能量在频率轴上的分布,然后对具有时频信息的训练边际谱按照频率从低到 高的指数幂进行分裂,再结合希尔伯特能量谱的计算公式,即希尔伯特能量聚类算法,则有:其中,H(ω,t)为离散信号,对H(ω,t)进行平 方计算后再对时间进行积分可表示为H2(ω,t)的离散数据点的累加,这样就去掉了时间变量, 需要说明的是,ES表示的能量值仅和频率有关,而能量值就是电信号的幅值,ES(ω)为希尔 伯特能量值,采样后对离散的点进行求和聚类,同时结合希尔伯特能量谱,实现对希尔伯特 训练谱按指数分布族提取能量特征值,即第一特征提取数据。
然后基于第一特征提取数据和果蝇算法优化神经网络,生成神经网络优化模型,具体的, 构建神经网络,将第一特征提取数据生成特征矩阵并输入神经网络进行训练,即为将第一特 征数据生成第一特征向量数据,并将第一特征向量数据进行归一化处理,得到特征矩阵,并 输入神经网络,利用Matlab中的newpnn函数构建PNN神经网络,该函数调用格式为net=newpnn(P,T,spread),其中P为输入矩阵,T为目标矩阵,spread为扩展速度,net为训练 的神经网络模型。
如图2所示,进一步的,将第一特征提取数据均使用特征向量方式表示,然后将所有的 特征向量构成特征矩阵Xmn作为神经网络的输入,m为特征值维数,对应输入层有m个神 经元,n为输入样本的个数,需要说明的是,模式层的核心是基于欧氏距离下的高斯核函数, 将输入特征样本与训练样本的距离通过高斯核函数的径向基非线性映射后得到输出量,是实 现PNN非线性算法高精度特性的一个重要步骤,表达式如下:其中,δj为平滑因子,决定钟形曲线的不同形状;Wj可以看做是输入层到模式层连接的权值,
另一方面,求和层即对模式层输出的同一类别的样本进行概率归总,因此,求和层神经 元数目对应训练样本故障类别k,每个类别汇总采用Parzen窗的概率密度函数为:其中,fkn即为求和层概率汇总,nk为第K类样本的数目;Xmi是第i个输人向量;Xkj是故障模式k的第j个训练向量。
竞争层的神经元个数l取决于输出分类的种类或组合,竞争层将求和层得出的最大后验 概率密度的一组种类作为网络的最终输出。
例如,设置油中悬浮放电、油中沿面放电、油中气隙放电和空气中针板放电的类别向量, (1,0,0,0)对应油中悬浮放电状态,(0,1,0,0)对应油中沿面放电状态,(0,0,1, 0)对应油中气隙放电状态,(0,0,0,1)对应空气中针板放电状态,然后将这四组状态的 特征向量构成输入矩阵I,将相应的类别向量构成目标矩阵T,选取训练样本对PNN神经网 络进行训练。
使用果蝇算法获取神经网络权值和阈值的集合的最优值,得到神经网络优化模型,具体 的,设定果蝇群体规模,优化代数,飞行距离Fr随机初始化果蝇群体位置(Init X_axis,Y_axis), 果蝇的群体位置为PNN神经网络中当前迭代中的权值和阈值的集合,然后赋予果蝇个体利用 嗅觉搜寻食物的随机方向与距离,计算表达式为:其中, Xj为果蝇个体利用嗅觉寻优食物随机方向的横坐标方向移动距离,Yj为果蝇个体利用嗅觉寻 优食物随机方向的纵坐标方向移动距离。
由于无法得知食物位置,因此先估计与原点之间的距离(D),再计算味道浓度判定值(Si), 公式如下:然后将味道浓度判定值(Si)代入味道浓度判定函数(Fitness function)以求出该果蝇个体位置的味道浓度(smelli),公式如下smelli=Function(Si),再找出 此群果蝇群体中的味道浓度最高的果蝇,保留最佳味道浓度值与x,y坐标,此时果蝇群体 利用视觉向该位置飞去,形成新的群聚位置,进入果蝇迭代寻优,重复执行获取最佳味道浓 度值的步骤,并判断味道浓度是否优于前一迭代味道浓度,若是则进行保留,对于PNN模型, 以训练样本的输出值与目标值的均方差(RMSE)作为适应度函数(fitness-function)寻找最优δ。 从而通过果蝇算法实现对PNN神经网络的优化,得到神经网络优化模型。
然后工作人员采集变压器的局部放电信号测试样本,并对局部放电信号测试样本进行预 处理,得到第二特征提取数据,具体的,获取局部放电信号测试样本的信号时间序列二,并 进行希尔伯特-黄变换,得到希尔伯特测试谱;基于希尔伯特测试谱,进行数据聚类计算和特 征向量化,得到第二特征提取数据,进一步的,将信号时间序列二进行经验模态分解,得到 若干个固有模态测试函数;将若干个固有模态测试函数进行希尔伯特变换,并计算瞬时频率, 生成若干个希尔伯特测试谱;汇总若干希尔伯特测试谱,得到测试边际谱;将测试边际谱根 据指数进行数据聚类,并结合希尔伯特能量谱计算得到希尔伯特能量值,并进行特征向量化, 得到第二特征提取数据。
需要说明的是,对于局部放电信号测试样本的预处理,与局部放电信号测试样本的预处 理方法相同,在此处不做详细说明,然后将第二特征提取数据输入神经网络优化模型,得到 故障诊断结果,通过本实施例的方法,在变压器故障诊断过程中,避免了特征提取过程中能 量的损失,提高了特征值的分辨性,同时计算速度快,提高了局部放电故障识别的速度和精 度。
实施例二
一种变压器故障诊断系统,包括第一预处理单元、优化单元、第二预处理单元和诊断单 元;第一预处理单元用于采集变压器的局部放电信号训练样本,并对局部放电信号训练样本 进行预处理,得到第一特征提取数据;优化单元用于基于第一特征提取数据和果蝇算法优化 神经网络,生成神经网络优化模型;第二预处理单元用于采集变压器的局部放电信号测试样 本,并对局部放电信号测试样本进行预处理,得到第二特征提取数据;诊断单元用于将第二 特征提取数据输入神经网络优化模型,得到故障诊断结果,需要说明的是,本实施例的变压 器故障诊断系统可用于执行实施例一所说的变压器故障诊断方法。
一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理 器执行时,执行实施例一所说的一种变压器故障诊断方法。
计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线段的电连 接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程 只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、 磁存储器件、或者上述的任意合适的组合。
在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以 被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号 介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序 代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任 意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读 介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用 或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输, 包括但不限于:无线段、电线段、光缆、RF等等,或者上述的任意合适的组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的 方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块、模组或单元 的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元、模 组或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。
所述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单 元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际 的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个 单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以 采用硬件的形式实现,也可以采用软件功能单元的形式实现。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软 件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上 的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例 中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在 该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。需要说明 的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或 者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红 外线段、或半导体的系统、装置或器件,或者任意以上的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品 的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个 模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实 现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的 功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基 本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是, 框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功 能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本 发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的 保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种变压器故障诊断方法,其特征在于,包括以下步骤:
采集变压器的局部放电信号训练样本,并对所述局部放电信号训练样本进行预处理,得到第一特征提取数据;
基于所述第一特征提取数据和果蝇算法优化神经网络,生成神经网络优化模型;
采集变压器的局部放电信号测试样本,并对所述局部放电信号测试样本进行预处理,得到第二特征提取数据;
将所述第二特征提取数据输入神经网络优化模型,得到故障诊断结果。
2.根据权利要求1所述的一种变压器故障诊断方法,其特征在于,对所述局部放电信号训练样本进行预处理,得到第一特征提取数据,包括以下步骤:
获取所述局部放电信号训练样本的信号时间序列一,并进行希尔伯特-黄变换,得到希尔伯特训练谱;
基于所述希尔伯特训练谱,进行数据聚类计算,得到第一特征提取数据。
3.根据权利要求2所述的一种变压器故障诊断方法,其特征在于,获取所述局部放电信号训练样本的信号时间序列一,并进行希尔伯特-黄变换,得到希尔伯特训练谱,包括以下步骤:
将所述信号时间序列一进行经验模态分解,得到若干个固有模态训练函数;
将若干个所述固有模态训练函数进行希尔伯特变换,并计算瞬时频率,生成若干个希尔伯特训练谱。
4.根据权利要求2所述的一种变压器故障诊断方法,其特征在于,进行数据聚类计算,得到第一特征提取数据,包括以下步骤:
汇总若干所述希尔伯特训练谱,得到训练边际谱;
将所述训练边际谱根据指数进行数据聚类,并结合希尔伯特能量谱计算得到第一特征提取数据。
5.根据权利要求1所述的一种变压器故障诊断方法,其特征在于,基于所述第一特征提取数据和果蝇算法优化神经网络,生成神经网络优化模型,包括以下步骤:
构建神经网络,将所述第一特征提取数据生成特征矩阵并输入神经网络进行训练;
使用果蝇算法获取神经网络权值和阈值的集合的最优值,得到神经网络优化模型。
6.根据权利要求5所述的一种变压器故障诊断方法,其特征在于,所述第一特征提取数据生成特征矩阵并输入神经网络进行训练,包括以下步骤:
将所述第一特征数据生成第一特征向量数据,并将所述第一特征向量数据进行归一化处理,得到特征矩阵,并输入神经网络。
7.根据权利要求1所述的一种变压器故障诊断方法,其特征在于,采集变压器的局部放电信号测试样本,并对所述局部放电信号测试样本进行预处理,得到第二特征提取数据,包括以下步骤:
获取所述局部放电信号测试样本的信号时间序列二,并进行希尔伯特-黄变换,得到希尔伯特测试谱;
基于所述希尔伯特测试谱,进行数据聚类计算和特征向量化,得到第二特征提取数据。
8.根据权利要求7所述的一种变压器故障诊断方法,其特征在于,获取所述局部放电信号测试样本的信号时间序列二,并进行希尔伯特-黄变换,得到希尔伯特测试谱,包括以下步骤:
将所述信号时间序列二进行经验模态分解,得到若干个固有模态测试函数;
将若干个所述固有模态测试函数进行希尔伯特变换,并计算瞬时频率,生成若干个希尔伯特测试谱。
9.根据权利要求7所述的一种变压器故障诊断方法,其特征在于,基于所述希尔伯特测试谱,进行数据聚类计算和特征向量化,得到第二特征提取数据,包括以下步骤:
汇总若干所述希尔伯特测试谱,得到测试边际谱;
将所述测试边际谱根据指数进行数据聚类,并结合希尔伯特能量谱计算得到希尔伯特能量值,并进行特征向量化,得到第二特征提取数据。
10.一种变压器故障诊断系统,其特征在于,包括第一预处理单元、优化单元、第二预处理单元和诊断单元;
所述第一预处理单元用于采集变压器的局部放电信号训练样本,并对所述局部放电信号训练样本进行预处理,得到第一特征提取数据;
所述优化单元用于基于所述第一特征提取数据和果蝇算法优化神经网络,生成神经网络优化模型;
所述第二预处理单元用于采集变压器的局部放电信号测试样本,并对所述局部放电信号测试样本进行预处理,得到第二特征提取数据;
所述诊断单元用于将所述第二特征提取数据输入神经网络优化模型,得到故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210862889.9A CN115079052A (zh) | 2022-07-21 | 2022-07-21 | 一种变压器故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210862889.9A CN115079052A (zh) | 2022-07-21 | 2022-07-21 | 一种变压器故障诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115079052A true CN115079052A (zh) | 2022-09-20 |
Family
ID=83243766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210862889.9A Pending CN115079052A (zh) | 2022-07-21 | 2022-07-21 | 一种变压器故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115079052A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116203365A (zh) * | 2023-05-05 | 2023-06-02 | 南昌工程学院 | 基于野马算法优化pnn的gis设备局部放电检测方法 |
-
2022
- 2022-07-21 CN CN202210862889.9A patent/CN115079052A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116203365A (zh) * | 2023-05-05 | 2023-06-02 | 南昌工程学院 | 基于野马算法优化pnn的gis设备局部放电检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Intelligent acoustic-based fault diagnosis of roller bearings using a deep graph convolutional network | |
US11544917B2 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
CN110703057B (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
Gu et al. | Partial discharge pattern recognition of power cable joints using extension method with fractal feature enhancement | |
CN111680642B (zh) | 一种地形分类方法及装置 | |
CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN112821559A (zh) | 一种非侵入式家电负荷深度再识别方法 | |
CN115079052A (zh) | 一种变压器故障诊断方法和系统 | |
Chen et al. | Fault detection for covered conductors with high-frequency voltage signals: From local patterns to global features | |
CN113447759A (zh) | 一种多分类的rvm电网故障判别方法和系统 | |
Xi et al. | Fault detection and classification on insulated overhead conductors based on MCNN‐LSTM | |
CN112581940A (zh) | 基于边缘计算与神经网络的放电声音检测方法 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN116298735A (zh) | 一种低压配电网交流电弧故障检测方法及相关装置 | |
CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
CN114330450A (zh) | 一种多物理场融合探测识别潜航器的方法及系统 | |
CN114755529A (zh) | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 | |
CN113391172A (zh) | 一种基于时序集成的多源超声检测的局放诊断方法及系统 | |
CN117538680A (zh) | 一种输电导线故障监测方法、系统、设备和介质 | |
CN112748320B (zh) | 一种特高频局部放电故障类型检测方法及系统 | |
CN113884761B (zh) | 一种提高测频精度的方法、装置、设备及介质 | |
CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及系统 |
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 |