CN115169506A - 一种供变电关键设备故障快速诊断方法及系统 - Google Patents
一种供变电关键设备故障快速诊断方法及系统 Download PDFInfo
- Publication number
- CN115169506A CN115169506A CN202211082625.8A CN202211082625A CN115169506A CN 115169506 A CN115169506 A CN 115169506A CN 202211082625 A CN202211082625 A CN 202211082625A CN 115169506 A CN115169506 A CN 115169506A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- fault
- training
- fault diagnosis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000009466 transformation Effects 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 76
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000003860 storage Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 38
- 230000006854 communication Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 21
- 238000012360 testing method Methods 0.000 description 18
- 238000005259 measurement Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004804 winding Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种供变电关键设备故障快速诊断方法及系统，包括以下步骤：获取供变电设备的历史数据，采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本；采用支持向量机对历史数据样本进行训练，得到支持向量机训练模型，并划分设备运行状态；选取划分设备运行状态后的数据样本，训练协同式生成对抗网络，生成虚拟设备故障数据集；汇总数据样本和虚拟设备故障数据集，得到设备故障诊断数据集，进行深度学习，得到训练后的故障诊断模型；基于支持向量机训练模型和训练后的故障诊断模型，快速诊断运行设备实时运行状态和故障类型。采用协同式生成对抗网络扩展设备故障数据样本，提高故障诊断模型的准确率。
Description
技术领域
本发明属于供电设备故障诊断技术领域，更具体地，涉及一种供变电关键设备故障快速诊断方法及系统。
背景技术
牵引变电所为铁路牵引供电系统的核心设施，负责将三相的110KV(或220KV)高压交流电变换为两个单相的27.5KV的交流电，然后向铁路上、下行两个方向的接触网(额定电压为27.5KV)供电。
牵引变电所把区域电力系统送来的电能，根据电力牵引对电流和电压的不同要求，转变为适用于电力牵引的电能，然后分别送到沿铁路线上空架设的接触网，为电力机车供电，或者送到地下铁道等城市交通所需的供电系统，为地铁电动车辆或电车供电。一条电气化铁路沿线设有多个牵引变电所，相邻变电所间的距离约为40-50公里。在长的电气化铁路中，为了把高压输电线分段以缩小故障范围，一般每隔200-250公里还设有支柱牵引变电所，它除了完成一般变电所的功能外，还把高压电网送来的电能，通过它的母线和输电线分配给其他中间变电所。
分区亭设置于两个牵引变电所的中间，可使两相邻的接触网供电区段（同一供电臂的上、下行或两相邻变电所的两供电臂）实现并联或单独工作。如果分区厅两侧的某一区段接触网发生短路故障，可由供电的牵引变电所馈电线断路器及分区享断路器，在继电保护的作用下自动跳闸，将故障段接触网切除，而非故障段的接触网仍照常工作，从而使事故范围缩小一半。
目前铁路牵引供电设备运维检修和健康管理是铁路交通领域存在的研究痛点；大量现场运维和试验等繁杂冗重的工作量，导致配网故障监测生产效率落后以及经济效益低下等问题。
作为高速列车的唯一动力来源牵引供电系统，它属于电力系统的一级负荷，其安全性和可靠性至关重要，必须确保其处于良好的运行状态以持续稳定供电。牵引供变电系统由牵引变电所和牵引网构成。牵引变电所内装设各类牵引供电设备，其核心设备是牵引变压器。高速铁路对牵引供电设备运行可靠性要求更高，如何对高速铁路牵引供电设备开展更为有效的维修维护工作，是一项研究热点问题。
与普速铁路牵引供电设备相比，高速铁路牵引供电设备较为普遍地装设各类智能在线监测装置，可实时采集设备各类运行状态数据。然而，现阶段对各类监测和试验数据缺乏有效整合和利用，仍较多地采用较为原始的数据存储方式。在数据分析的过程中，大多利用单一途径来源的信息数据。对智能牵引供电系统主要设备的各项运行数据进行整合，是基于大数据驱动的故障预测与健康管理工作的基础。
在此背景下，供变电设备运行状态快速判断以及出现可能故障后进行故障快速诊断至关重要，不仅可以快速定位故障设备，并能快速排除故障，缩短故障检修时间。
传统的故障诊断手段模式单一，时间成本和人力成本较高。数据驱动模式便成为可行的快速诊断技术路线，但数据驱动的基础是海量数据，设备历史数据的数据量并不足以支撑大数据技术进行数据驱动的快速诊断。
因此，如何有效地扩大设备运行数据和故障数据规模，并建立可行的数据驱动设备故障诊断体系便成为亟待解决的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种供变电关键设备故障快速诊断方法及系统，基于历史运行数据得到支持向量机模型划分运行状态，采用协同式生成对抗网络扩展设备故障数据样本，结合深度学习得到故障诊断模型，基于支持向量机模型和故障诊断模型快速诊断设备状态和故障类型，实现数据驱动的设备故障诊断体系，解决传统手段的时间成本和人力成本过高的问题；采用协同式生成对抗网络扩展设备故障数据样本，提高数据利用率并解决训练数据驱动模型面临的设备故障数据不足的问题，提高故障诊断模型的准确率。
为实现上述目的，按照本发明的一方面，提供一种供变电关键设备故障快速诊断方法，包括以下步骤：
S100获取供变电设备的历史数据，采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本；
S200采用支持向量机对历史数据样本进行训练，得到支持向量机训练模型，并划分设备运行状态；
S300选取划分设备运行状态后的数据样本，训练协同式生成对抗网络，生成虚拟设备故障数据集；
S400汇总S300选取的划分设备运行状态后的数据样本和虚拟设备故障数据集，得到设备故障诊断数据集，基于设备故障诊断数据集进行深度学习，得到训练后的故障诊断模型；
S500基于支持向量机训练模型和训练后的故障诊断模型，快速诊断目前运行设备的运行状态和故障类型。
进一步地，所述S300中训练协同式生成对抗网络，生成虚拟设备故障数据集，包括：
S301构建多个生成器网络，其训练的目标函数为：
式中，z为输入的虚拟数据集，获取方式为随机采样获取，G1、G2和G3为生成器网络，λ为协同控制常数，根据生成器网络G1、G2和G3性能差异调整训练模型的训练协同程度；协同距离L采用二范数来计算G1、G2和G3之间的结果和性能差异； D为判别器网络，用于判别数据的真伪；E为数学期望；
S302构建判别器网络，其训练的目标函数为：
式中，x为真实数据集，即分类为异常状态和严重故障状态的数据样本，z为输入的虚拟数据集，获取方式为随机采样获取，G1、G2和G3为生成器网络； D为判别器网络，用于判别数据的真伪；E为数学期望；
S303设置协同惩罚权；
S304同步训练生成器网络和判别器网络，并由训练好的生成器网络生成虚拟设备故障数据集。
进一步地，所述S301中生成器网络优选为3个。
进一步地，所述S200中设备运行状态包括：正常运行状态、故障预警状态、异常状态和严重故障状态；所述S300中选取划分设备运行状态后的数据样本为：选取异常状态和严重故障状态的数据样本。
进一步地，所述S400中基于设备故障诊断数据集进行深度学习，得到训练后的故障诊断模型，具体为：
S401采用长短时记忆网络（Long Short-Term Memory Neural Network， LSTM）进行学习，构建LSTM的故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；
S402对设备故障诊断数据集进行特征提取和降维作为输入值，训练故障诊断模型。
进一步地，所述S100中采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本，包括：
S101基于历史数据中表征各设备运行状态的特征，建立评判因素集；
S102基于各设备运行状态的可能情况，建立评判等级集
；
S103对表征各设备运行状态的特征赋予权重系数，建立权重集；
S104构建模糊评判矩阵，对历史数据中各设备运行状态进行模糊综合评判。
进一步地，所述S500具体包括：
S501获取运行设备的实时运行数据，采用支持向量机训练模型判别设备状态；
S502若为异常状态或严重故障状态，训练后的故障诊断模型基于实时运行数据，获取故障类型。
按照本发明的第二方面，提供一种供变电关键设备故障快速诊断系统，包括：
数据采集与处理模块，用于获取供变电设备的历史数据，采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本；
支持向量机划分模块，用于采用支持向量机对历史数据样本进行训练，得到支持向量机训练模型，并划分设备运行状态；
对抗网络扩充模块，选取划分设备运行状态后的数据样本，训练协同式生成对抗网络，生成虚拟设备故障数据集；
故障诊断模型获取模块，用于汇总S300选取的划分设备运行状态后的数据样本和虚拟设备故障数据集，得到设备故障诊断数据集，基于设备故障诊断数据集进行深度学习，得到训练后的故障诊断模型；
快速诊断模块，用于基于支持向量机训练模型和训练后的故障诊断模型，快速诊断目前运行设备的运行状态和故障类型。
按照本发明的第三方面，提供一种电子设备，包括：
至少一个中央处理器；
以及与中央处理器通信连接的至少一个存储器，
其中：所述存储器存储有可被中央处理器执行的程序指令，所述中央处理器调用程序指令，能够执行所述的方法。
按照本发明的第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使计算机执行所述的方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明的故障快速诊断方法，基于历史运行数据得到支持向量机模型划分运行状态，采用协同式生成对抗网络扩展设备故障数据样本，结合深度学习得到故障诊断模型，基于支持向量机模型和故障诊断模型快速诊断设备状态和故障类型，实现数据驱动的设备故障诊断体系，解决传统手段的时间成本和人力成本过高的问题。
2.本发明的故障快速诊断方法，采用协同式生成对抗网络扩展设备故障数据样本，提高数据利用率并解决训练数据驱动模型面临的设备故障数据不足的问题，提高故障诊断模型的准确率。
附图说明
图1为本发明实施例一种供变电关键设备故障快速诊断方法流程图；
图2为本发明实施例在线监测数据的上传路径示意图；
图3为本发明的电子设备示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供一种供变电关键设备故障快速诊断方法，包括以下步骤：
S100获取供变电设备的历史数据，采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本；
S200采用支持向量机对历史数据样本进行训练，得到支持向量机训练模型，并划分设备运行状态；
S300选取划分设备运行状态后的数据样本，训练协同式生成对抗网络，生成虚拟设备故障数据集；
S400汇总S300选取的划分设备运行状态后的数据样本和虚拟设备故障数据集，得到设备故障诊断数据集，基于设备故障诊断数据集进行深度学习，得到训练后的故障诊断模型；
S500基于支持向量机训练模型和训练后的故障诊断模型，快速诊断运行设备实时运行状态和故障类型。
基于上述实施例，作为一个可选的实施例，所述S100中获取供变电设备的历史数据，数据来源为设备的资产管理单位和生产运行单位，数据的类型主要有基础数据、动态数据和故障检修数据。
其中，基础数据包括：设备铭牌参数、设备台账、设备投运前的实验数据；
动态数据包括：设备在线监测数据、设备运行数据、设备巡检数据、带电监测数据；
故障检修数据包括：故障缺陷记录数据，故障检修记录数据，故障预警记录数据。
本发明采用PHM平台进行监测，监测对象包括：牵引变压器（IB，2B，3B，4B），220kV高压侧三相断路器（101，102），单相（对地）27.5kV高压电缆、GIS（SF6全封闭组合电器，共10台，编号为201-204，211-214，2711-2712）、避雷器（IBL-6BL）、电压互感器（IYH-4YH）、电流互感器（ILH-10LH）。
1.1.1. 牵引变压器的采集数据
PHM平台选取牵引变压器的遥测量数据、离线试验数据、履历信息数据、维修记录信息进行采集，作为软件界面显示量和PHM算法程序输入量。
（1）遥测量数据
牵引变压器遥测量数据由在线数据监测柜采集，配备GTM-800变压器智能组件柜和OGMA-PAS变压器油光声光谱在线监测系统，其遥测量点表如表1所示。
表 1牵引变压器遥测量
| 序号 | 调度地址 | 信息点名称 | 单位 |
| 1 | 16737 | 铁芯电流 | mA |
| 2 | 16738 | 夹件电流 | mA |
| 3 | 16739 | 氢气浓度 | % |
| 4 | 16740 | 一氧化碳浓度 | % |
| 5 | 16741 | 二氧化碳浓度 | % |
| 6 | 16742 | 甲烷浓度 | % |
| 7 | 16743 | 乙烯浓度 | % |
| 8 | 16744 | 乙炔浓度 | % |
| 9 | 16745 | 乙烷浓度 | % |
| 10 | 16746 | 微水浓度 | % |
| 11 | 16747 | T线圈温度 | ℃ |
| 12 | 16748 | F线圈温度 | ℃ |
| 13 | 16749 | 高压线圈温度 | ℃ |
| 14 | 16750 | 铁心温度 | ℃ |
| 15 | 16751 | 备用T线圈温度 | ℃ |
| 16 | 16752 | 备用F线圈温度 | ℃ |
| 17 | 16753 | 备用高压线圈温度 | ℃ |
| 18 | 16754 | 备用铁心温度 | ℃ |
注：表中，调度地址仅列出1#牵引变压器调度地址，在该牵引变电所内，2#、3#、4#牵引变压器调度地址从16755开始依次递增，在线监测采集数据量一致。线圈由绕组组成，线圈温度可反映绕组温度。
（2）离线数据信息
牵引变压器离线试验数据采集变电所日常试验报告单中进行离线试验和日常巡检项目，主要包含服役时长、绝缘电阻、绕组直流电阻、变比误差、绕组连同套管介质损耗正切值、绝缘油电气强度、工频耐压、绕组连同套管泄漏电流等。
履历信息中的出厂数据，可以作为试验数据分析比对的基准参数。牵引变压器履历信息采集额定电压、额定容量、空载损耗、空载电流、短路损耗、阻抗、高低压侧在各分接位置的额定电压和电流等。
牵引变压器维修记录信息采集以文本方式录入的修前状态、维修措施、修后结语、修程、承修班组、检修人、互检人。
1.1.2. 其他设备的采集数据
（1）GIS开关
某牵引变电所采用SF6全封闭组合电器（GIS）把27.5kV低压侧的控制和保护电器断路器、隔离开关、接地开关、避雷器、母线、储能电机）全部封装在接地的金属壳体内，壳内充以压力为0.2-0.5Mpa的SF6气体，作为相间和对地的绝缘。某牵引变电所GIS共有10台，编号为201-204、211-214、2711-2712.
PHM平台选取GIS的遥信量和遥测量进行采集，作为软件界面显示量。遥信量采集GIS开关柜内断路器、隔离开关、接地开关的分合闸状态以及储能电机储能状态。遥测量采集GIS开关柜内仪表室温湿度、断路器分合闸参数（次数、行程、速度、线圈电流）、隔离开关与接地开关相关参数（分合闸次数、电机电流）、（T极、F极）避雷器洲漏电流与放电次数、（断路器、母线、分支母线）气室SF气体参数（密度、温度、压力）、储能电机电压电流。
（2）三相断路器
220kV高压侧三相断路器（101、102）在电路正常工作和发生故障（如短路）时关合和开断高压进线电路。PHM平台选取三相断路器的部分遥信量（分合闸状态）、遥测量、离线试验数据、履历信息数据进行采集，作为软件界面显示量和PHM算法程序输入量。
遥测量采集三相断路器带电运行时间、储能电机参数（累积运行时间、启动电流值、运行最大电流值）、跳圈1（操作跳闸）功率、跳圈2（保护跳闸）功率、合圈功率、跳圈1最大电流值、跳圈2最大电流值、合圈最大电流值、合闸时间、跳闸时间、合闸速度、跳闸速度以及分合闸振动信号。
离线试验数据采集牵引变电所日常试验报告单中进行离线试验和日常巡检项目，主要包含绝缘电阻、导电回路电阻、分合闸时间同期性等。履历信息数据采集额定电压、额定电流、额定短路开断电流等。
（3）避雷器
避雷器是用来限制电路中出现过电压的限制电器，在某牵引变电所中，T极避雷器、F极避雷器装设在GIS中，其余避雷器（IBL-6BL）单独安装，设置在线监测装置.PHM平台选取单独安装避雷器的遥测量数据和离线试验数据进行采集，作为软件界面显示量。其中，采集的遥测量数据包括温度、湿度、泄漏电流、阻性电流、容性电流、阻容比、落雷时间、动作次数。离线试验数据采集绝缘电阻、直流参考电压及泄漏电流等。
（4）互感器
互感器是用来变换电路中的电压和电流，使之便于安全检测的电器，互感器分为电压互感器（IYH-4YH）、电流互感器（ILH-10LH）.PHM平台选取所有互感器实时测量值，以及在GIS外单独安装的互感器（IYH，2YH、ILH，2LH）的离线试验数据、履历信息数据进行采集，作为软件界面的显示量。
实时测量值包含电压互感器测量的电压值、电流互感器测量的电流值。PHM平台采集综自系统共享的互感器实时测量数据，在软件主界面上进行显示。离线试验数据采集绝缘电阻、绕组直流电阻、一次绕组同套管介质损耗正切值、交流耐压试验结果等。履历信息数据采集额定电压、额定输出功率、极限输出功率、额定变比等。
（5）高压电缆
高压电缆输入电缆热路模型的各层热阻、热容参数、运行时间、电缆外表皮实时温度、运行实时电流；对电缆局部放电信号进行特征提取，电缆局部放电特征量有放电幅值、放电相位、放电次数、重复率。
数据采集方式
PHM平台中各类离线信息数据通过离线信息录入界面采集，直接存入PHM平台数据库中。在线监测数据的上传路径设计如图 2所示，各类在线监测数据通过装设在牵引供电设备中的监测装置（传感器网络）采集，经站端监测单元处理和转发，上传到PHM平台数据库服务器中，用于数据库访问程序进行调用。
站端监测单元
站端监测单元是PHM平台在线监测数据的直接来源，也是变电所智能辅助系统的一部分，负责所内所有监测装置的接入、数据处理及转发，并具有对各类在线监测数据信息的实时更新显示功能，同时还为广域保护测控系统、运维系统等提供基础数据、告警信号以及设备运行工况等信息。
PHM平台在线监测数据采集功能的实现依靠站端监测单元的监测单元、通信管理单元、站端监测单元接口。监测单元是综合应用服务器的功能单元，负责所内所有在线监测数据的获取、处理及转发。通信管理单元负责与监测装置进行通信，获取监测数据并进行标准化建模，通过基于DL/T860的通信协议向监测单元传送标准化数据。DL/T860通信协议是关于智能电网的行业标准，等同于IEC61850通信标准。为实现不同类型的在线监测数据有效上传，站端监测单元设计三类接口：10接口是监测装置与通信管理单元接口，如未配置通信管理单元则可以不设置此接口；I1接口是通信管理单元或支持DL/T860的监测设备与综合应用服务器之间的接口；I2接口是综合应用服务器与PHM平台或运维系统主站之间的接口。
PHM平台与站端监测单元的数据通信
实现PHM平台数据库服务器与综合应用服务器之间的数据通信，是PHM平台搭建过程中的重要工作。PHM平台与站端监测单元的数据通信过程遵循EC60870-5-104通信规约13-50（简称104规约），设计将已经开发的104规约通信相关操作程序封装为DLL动态链接库（DLL对外只提供简单的初始化、读取遥信和遥测等接口函数），在程序开发过程中不关心规约的实现细节，通过DLL即可得到104规约通信收到的数据。
数据的存储：
数据库中的设备类型统计如表2所示：
表2数据库中的设备类型统计
数据的存储方式：
（1）在线监测数据的存储方式
不同类别在线监测数据上传的周期不同，为满足在线监测数据实时更新显示的要求同时又合理使用系统存储空间，设计PHM平台在线监测数据采集和存储方式如下：
（a）设置某类（遥测、遥信、SCADA）信息的某一类设备的数据存储周期。
（b）每一存储周期开始时，数据库生成某类（遥测、遥信、SCADA）信息的某一个设备的数据表单，并进行保存。表单中各字段的初始值为上一周期结束时各指标参数的取值，表单中的“时间”字段设为该周期结束时的时刻（未来某时刻）。
（c）在一个存储周期内，当有最新的在线监测数据上传时，数据库相应字段“新值”
替换“1旧值”，若某项在线监测数据多次上传，则数据库中该字段多次被替换。
（d）每一存储周期结束时，数据库再次保存表单中各字段的最新取值数据。进入新周期时，再重新生成新的数据表单。
这种数据的采集和存储方式，保证了系统在调取最近“时间”字段对应的数据表单中的各监测值都是最新的采样值，同时又控制了系统的数据存储量，简化了数据存储的方式。需要指出的是，数据库表单中“时间”字段记录的时刻，只有在历史在线数据查询和调用时才表征相应数据的采集时间。
（2）离线信息数据的存储方式
离线信息数据以单台设备的离线试验信息数据表单、履历信息数据表单、维修维护信息数据表单的形式存储，表单中的字段内容对应存入相应数据库的字段内容中。
（3）PHM评估结果的存储方式
为满足PHM评估结果实时更新显示的要求，同时又合理使用系统存储空间，设计其存储方式如下：
（a）某类PHM评估结果的存储周期为对应“系统周期自动评估”方式的评估周期。
（b）每一存储周期开始时，数据库生成某个设备PHM评估结果数据表单，并进行保存。表单中的“评估结果”显示上一评估周期的评估结果，表单中的“时间”字段设为该周期结束时的时刻（未来某时刻）。
（c）在一个存储周期内，当有系统条件触发评估结果和手动触发评估结果产生时，新产生的评估结果替换原来存储的评估结果值，若多次执行“立即评估”操作，则数据库中评估结果多次被替换。
（d）对于系统条件触发评估产生的评估结果和手动触发评估产生的非正常评估结果，每产生一次，评估结果单独生成表单，存入PHM评估结果数据库中，时间字段采用评估触发时刻的时间。
（e）每一存储周期结束时，PHM评估算法程序将按照默认评估周期内的输入数据重新进行一次评估运算，并将计算结果替换数据库里暂时保存的PHM评估结果值，进行最终保存。进入新周期时，再重新生成新的数据表单。
（f）若更改评估周期（永久更改），则从下一个评估周期开始变更数据存储周期，本周期内的数据存储方式保持不变。
这种数据的存储方式，保证了PHM评估界面在调取最近“时间”字段对应的PHM评估结果时，能根据用户需求实时显示不同评估方式下的PHM程序执行结果，又避免数据在存储和调用过程出现混乱。需要指出的是，数据库表单中“时间”字段记录的时刻，只有在历史PHM评估结果查询和调用时才表征相应数据的采集时间。
（4）公告栏信息的存储方式
系统每产生一条公告栏信息，便存入相应数据库表单字段中。
数据的存储空间：
系统数据的年存储空间大小主要由牵引供电设备数量以及各类设备在线监测数据量、离线试验数据量的大小及其存储周期决定，理论存储空间大小s计算方法如下：
其中，
为某类数据上传1次所占存储空间，Ti为该数据的存储周期。同时，需考虑
数据库存储数据时产生的冗余、日志、备份等，对数据的存储空间留有余量，一般为理论存
储空间大小s的三倍。配置非易失存储设备，用于历史数据存储，各类数据保持2年的存储时
间，配置足够容量的硬盘，有效防止数据溢出。
模糊综合评价法是一种基于模糊数学的综合评估方法。该方法是根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。
基于上述实施例，作为一个可选的实施例，所述S100中采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本，包括：
S101基于历史数据中表征各设备运行状态的特征，建立评判因素集；
所述评判因素集为：
其中，
代表表征各设备运行状态的特征，i=1，……，n，n为特征总数；
S102基于各设备运行状态的可能情况，建立评判等级集
；
S103对表征各设备运行状态的特征赋予权重系数，建立权重集；
具体而言，权重系数为
，其中i=1，……，n，n为特征总数；因素权重集
；权重系数满足
；
S104构建模糊评判矩阵，对历史数据中各设备运行状态进行模糊综合评判。
具体而言，以评判因素集中各表征各设备运行状态的特征的隶属度为行组成的矩阵：
其中，对评判对象按因素集中第
个因素
进行评判，对应评价等级集中第
个
元素
的隶属程度为
；
根据最大隶属度原则，确定各设备运行状态的评判等级。
可选地，所述S200中设备运行状态包括：正常运行状态、故障预警状态、异常状态和严重故障状态。
具体而言，所述S300中选取划分设备运行状态后的数据样本为：选取异常状态和严重故障状态的数据样本。
基于上述实施例，作为一个可选的实施例，所述S300中训练协同式生成对抗网络，生成虚拟设备故障数据集，包括：
S301构建多个生成器网络，其训练的目标函数为：
式中，z为输入的虚拟数据集，获取方式为随机采样获取，G1、G2和G3为生成器网络，λ为协同控制常数，根据生成器网络G1、G2和G3性能差异调整训练模型的训练协同程度；协同距离L采用二范数来计算G1、G2和G3之间的结果和性能差异； D为判别器网络，用于判别数据的真伪；E为数学期望；
可选的，所述S301中生成器网络为3个。
S302构建判别器网络，其训练的目标函数为：
式中，x为真实数据集，即分类为异常状态和严重故障状态的数据样本，z为输入的虚拟数据集，获取方式为随机采样获取，G1、G2和G3为生成器网络； D为判别器网络，用于判别数据的真伪；E为数学期望；
S303设置协同惩罚权；
具体而言，所述S303中设置协同惩罚权的目的是，保证各生成器网络的训练进度基本一致，不存在极大的性能差异，从而达到协同训练的目的。
S304同步训练生成器网络和判别器网络，并由训练好的生成器网络生成虚拟设备故障数据集。
基于上述实施例，作为一个可选的实施例，所述S400中基于设备故障诊断数据集进行深度学习，得到训练后的故障诊断模型，具体为：
S401采用长短时记忆网络（Long Short-Term Memory Neural Network， LSTM）进行学习，构建LSTM的故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；
S402对设备故障诊断数据集进行特征提取和降维作为输入值，训练故障诊断模型。
LSTM的记忆单元每个时刻不同门的计算公式如下：
式中，
、
、
分别为输入门、遗忘门、输出门的状态；
为当前时刻的输入；
和 
分别为上一时刻和当前时刻记忆单元的状态；ht和
分别为上一时刻和当前
时刻隐藏的状态；
、
、
、分别为输入门、遗忘门和输出门与输入之间的权重矩阵；
，
，
分别为输入门、遗忘门和输出门与上一时刻隐层状态之间的权重矩阵；
、
，
，分别对应为输入门、遗忘门和输出门的偏置；
、
、
分别为记忆单元与
输入、隐藏状态之间的权重矩阵、记忆单元的偏置；φ表示激活函数，tanh表示tanh激活函
数；
表示运算符按元素相乘。
LSTM 的信息流和门结构的控制依据及数据的更新来源于当前输入 
和上一时
刻
的隐藏状态。历史信息依靠记忆单元来累积，通过输入门来限制新时刻信息，通过遗
忘门来限制上一时刻记忆单元的信息，通过输出门过滤得到当前时刻的隐藏状态。LSTM将
大量历史信息累积建立在门结构及记忆单元的控制上，有效限制了数据流动，降低了训练
过程中不必要的数据量，进而提高了网络利用效率。
S500基于支持向量机训练模型和训练后的故障诊断模型，快速诊断目前运行设备的运行状态和故障类型。
具体而言，所述S500具体包括：
S501获取运行设备的实时运行数据，采用支持向量机训练模型判别设备状态；
S502若为异常状态或严重故障状态，采用训练后的故障诊断模型基于实时运行数据，获取故障类型。
本发明的方法，基于历史数据训练得到支持向量机训练模型，采用协同式生成对抗网络扩展设备故障数据样本，进行深度学习，得到训练后的故障诊断模型，基于支持向量机训练模型和训练后的故障诊断模型，快速诊断目前运行设备的运行状态和故障类型；本发明采用协同式生成对抗网络扩展设备故障数据样本，提高数据利用率并解决训练数据驱动模型面临的设备故障数据不足的问题，提高故障诊断模型的准确率，采用数据驱动，降低了人工成本，实现设备故障的快速诊断。
本发明各个实施例的实现基础是通过具有中央处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种供变电关键设备故障快速诊断系统，该装置设备用于执行上述方法实施例中的一种供变电关键设备故障快速诊断方法。包括：
数据采集与处理模块，用于获取供变电设备的历史数据，采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本；
支持向量机划分模块，用于采用支持向量机对历史数据样本进行训练，得到支持向量机训练模型，并划分设备运行状态；
对抗网络扩充模块，选取划分设备运行状态后的数据样本，训练协同式生成对抗网络，生成虚拟设备故障数据集；
故障诊断模型获取模块，用于汇总S300选取的划分设备运行状态后的数据样本和虚拟设备故障数据集，得到设备故障诊断数据集，基于设备故障诊断数据集进行深度学习，得到训练后的故障诊断模型；
快速诊断模块，用于基于支持向量机训练模型和训练后的故障诊断模型，快速诊断目前运行设备的运行状态和故障类型。
需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个中央处理器(Central processor)、通信接口(Communications Interface)、至少一个存储器(Memory)和通信总线，其中，至少一个中央处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个中央处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的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或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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。基于这种认识，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，所述模块、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方式中，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，两个连续的方框实际上可以基本并行地执行，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动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。
在本专利中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种供变电关键设备故障快速诊断方法，其特征在于，包括以下步骤：
S100获取供变电设备的历史数据，采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本；
S200采用支持向量机对历史数据样本进行训练，得到支持向量机训练模型，并划分设备运行状态；
S300选取划分设备运行状态后的数据样本，训练协同式生成对抗网络，生成虚拟设备故障数据集；
S400汇总S300选取的划分设备运行状态后的数据样本和虚拟设备故障数据集，得到设备故障诊断数据集，基于设备故障诊断数据集进行深度学习，得到训练后的故障诊断模型；
S500基于支持向量机训练模型和训练后的故障诊断模型，快速诊断目前运行设备的运行状态和故障类型。
2.根据权利要求1所述的一种供变电关键设备故障快速诊断方法，其特征在于，所述S300中训练协同式生成对抗网络，生成虚拟设备故障数据集，包括：
S301构建多个生成器网络，其训练的目标函数为：
式中，z为输入的虚拟数据集，获取方式为随机采样获取，G1、G2和G3为生成器网络，λ为协同控制常数，根据生成器网络G1、G2和G3性能差异调整训练模型的训练协同程度；协同距离L采用二范数来计算G1、G2和G3之间的结果和性能差异； D为判别器网络，用于判别数据的真伪；E为数学期望；
S302构建判别器网络，其训练的目标函数为：
式中，x为真实数据集，即分类为异常状态和严重故障状态的数据样本，z为输入的虚拟数据集，获取方式为随机采样获取，G1、G2和G3为生成器网络； D为判别器网络，用于判别数据的真伪；E为数学期望；
S303设置协同惩罚权；
S304同步训练生成器网络和判别器网络，并由训练好的生成器网络生成虚拟设备故障数据集。
3.根据权利要求2所述的一种供变电关键设备故障快速诊断方法，其特征在于，所述S301中生成器网络优选为3个。
4.根据权利要求1所述的一种供变电关键设备故障快速诊断方法，其特征在于，所述S200中设备运行状态包括：正常运行状态、故障预警状态、异常状态和严重故障状态；所述S300中选取划分设备运行状态后的数据样本为：选取异常状态和严重故障状态的数据样本。
5.根据权利要求1所述的一种供变电关键设备故障快速诊断方法，其特征在于，所述S400中基于设备故障诊断数据集进行深度学习，得到训练后的故障诊断模型，具体为：
S401采用长短时记忆网络进行学习，构建LSTM的故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；
S402对设备故障诊断数据集进行特征提取和降维作为输入值，训练故障诊断模型。
6.根据权利要求1所述的一种供变电关键设备故障快速诊断方法，其特征在于，所述S100中采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本，包括：
S101基于历史数据中表征各设备运行状态的特征，建立评判因素集；
S102基于各设备运行状态的可能情况，建立评判等级集
；
S103对表征各设备运行状态的特征赋予权重系数，建立权重集；
S104构建模糊评判矩阵，对历史数据中各设备运行状态进行模糊综合评判。
7.根据权利要求1所述的一种供变电关键设备故障快速诊断方法，其特征在于，所述S500具体包括：
S501获取运行设备的实时运行数据，采用支持向量机训练模型判别设备状态；
S502若为异常状态或严重故障状态，训练后的故障诊断模型基于实时运行数据，获取故障类型。
8.一种供变电关键设备故障快速诊断系统，其特征在于，包括：
数据采集与处理模块，用于获取供变电设备的历史数据，采用模糊综合评价法对历史数据的特征进行量化表征，得到历史数据样本；
支持向量机划分模块，用于采用支持向量机对历史数据样本进行训练，得到支持向量机训练模型，并划分设备运行状态；
对抗网络扩充模块，选取划分设备运行状态后的数据样本，训练协同式生成对抗网络，生成虚拟设备故障数据集；
故障诊断模型获取模块，用于汇总S300选取的划分设备运行状态后的数据样本和虚拟设备故障数据集，得到设备故障诊断数据集，基于设备故障诊断数据集进行深度学习，得到训练后的故障诊断模型；
快速诊断模块，用于基于支持向量机训练模型和训练后的故障诊断模型，快速诊断目前运行设备的运行状态和故障类型。
9.一种电子设备，其特征在于，包括：
至少一个中央处理器；
以及与中央处理器通信连接的至少一个存储器，
其中：所述存储器存储有可被中央处理器执行的程序指令，所述中央处理器调用程序指令，能够执行权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211082625.8A CN115169506A (zh) | 2022-09-06 | 2022-09-06 | 一种供变电关键设备故障快速诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211082625.8A CN115169506A (zh) | 2022-09-06 | 2022-09-06 | 一种供变电关键设备故障快速诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169506A true CN115169506A (zh) | 2022-10-11 |
Family
ID=83481103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211082625.8A Pending CN115169506A (zh) | 2022-09-06 | 2022-09-06 | 一种供变电关键设备故障快速诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169506A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116911201A (zh) * | 2023-09-06 | 2023-10-20 | 江苏省特种设备安全监督检验研究院 | 一种基于深度生成对抗网络算法的模拟电机能效检测系统 |
| CN117669388A (zh) * | 2024-01-30 | 2024-03-08 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
| CN117669388B (zh) * | 2024-01-30 | 2024-05-31 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400310A (zh) * | 2013-08-08 | 2013-11-20 | 华北电力大学（保定） | 考虑历史数据趋势预测的配电网电气设备状态评估方法 |
| CN103699668A (zh) * | 2013-12-30 | 2014-04-02 | 贵州电力试验研究院 | 基于数据断面一致性的配电网电气设备组合状态评估方法 |
| CN109993359A (zh) * | 2019-03-26 | 2019-07-09 | 华南理工大学 | 一种基于先进机器学习的态势预测方法 |
| CN110161343A (zh) * | 2019-06-12 | 2019-08-23 | 中南大学 | 一种智能列车外部受电装置的非侵入式实时动态监测方法 |
| CN110427015A (zh) * | 2019-08-02 | 2019-11-08 | 广东职业技术学院 | 一种锅炉余热爆炸故障诊断分析方法 |
| CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
| CN111638449A (zh) * | 2020-06-03 | 2020-09-08 | 国网北京市电力公司 | 一种配电自动化开关故障诊断方法、设备及可读存储介质 |
| CN112149986A (zh) * | 2020-09-17 | 2020-12-29 | 西安工程大学 | 基于多层次模糊综合评判的高压开关柜评估方法 |
| CN112326276A (zh) * | 2020-10-28 | 2021-02-05 | 北京航空航天大学 | 一种基于生成对抗网络的高铁转向系统故障检测lstm方法 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
| CN113191429A (zh) * | 2021-04-29 | 2021-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器套管故障诊断方法及装置 |
| US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
| CN113376516A (zh) * | 2021-06-07 | 2021-09-10 | 科润智能控制股份有限公司 | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 |
| CN113505876A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于生成式对抗网络的高压断路器故障诊断方法 |
| CN113743537A (zh) * | 2021-09-26 | 2021-12-03 | 东南大学 | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 |
| CN113919763A (zh) * | 2021-12-13 | 2022-01-11 | 国网江西省电力有限公司电力科学研究院 | 一种基于模糊评判矩阵的电网灾害分析方法及装置 |
| CN113919198A (zh) * | 2021-10-09 | 2022-01-11 | 欧阳俊 | 一种基于生成对抗网络的电气火灾监测预警方法 |
| CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
| CN114326655A (zh) * | 2021-11-30 | 2022-04-12 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
| CN114444620A (zh) * | 2022-04-08 | 2022-05-06 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
| CN114692506A (zh) * | 2022-04-13 | 2022-07-01 | 浙江工业大学 | 一种基于改进TimeGAN模型的小样本故障诊断方法 |
| CN114782741A (zh) * | 2022-03-28 | 2022-07-22 | 北京化工大学 | 一种基于机理仿真与数据驱动相融合的故障诊断方法 |
| CN114895647A (zh) * | 2022-04-13 | 2022-08-12 | 哈尔滨工程大学 | 一种面向小样本船舶零件故障数据的诊断方法及可读存储介质 |
| CN114970628A (zh) * | 2022-05-26 | 2022-08-30 | 青岛酒店管理职业技术学院 | 样本不均衡下基于生成对抗网络的转动部件故障诊断方法 |
-
2022
- 2022-09-06 CN CN202211082625.8A patent/CN115169506A/zh active Pending
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400310A (zh) * | 2013-08-08 | 2013-11-20 | 华北电力大学（保定） | 考虑历史数据趋势预测的配电网电气设备状态评估方法 |
| CN103699668A (zh) * | 2013-12-30 | 2014-04-02 | 贵州电力试验研究院 | 基于数据断面一致性的配电网电气设备组合状态评估方法 |
| CN109993359A (zh) * | 2019-03-26 | 2019-07-09 | 华南理工大学 | 一种基于先进机器学习的态势预测方法 |
| CN110161343A (zh) * | 2019-06-12 | 2019-08-23 | 中南大学 | 一种智能列车外部受电装置的非侵入式实时动态监测方法 |
| CN110427015A (zh) * | 2019-08-02 | 2019-11-08 | 广东职业技术学院 | 一种锅炉余热爆炸故障诊断分析方法 |
| CN111006865A (zh) * | 2019-11-15 | 2020-04-14 | 上海电机学院 | 一种电机轴承故障诊断方法 |
| US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
| CN111638449A (zh) * | 2020-06-03 | 2020-09-08 | 国网北京市电力公司 | 一种配电自动化开关故障诊断方法、设备及可读存储介质 |
| CN112149986A (zh) * | 2020-09-17 | 2020-12-29 | 西安工程大学 | 基于多层次模糊综合评判的高压开关柜评估方法 |
| CN112326276A (zh) * | 2020-10-28 | 2021-02-05 | 北京航空航天大学 | 一种基于生成对抗网络的高铁转向系统故障检测lstm方法 |
| CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
| CN113191429A (zh) * | 2021-04-29 | 2021-07-30 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器套管故障诊断方法及装置 |
| CN113376516A (zh) * | 2021-06-07 | 2021-09-10 | 科润智能控制股份有限公司 | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 |
| CN113505876A (zh) * | 2021-06-11 | 2021-10-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于生成式对抗网络的高压断路器故障诊断方法 |
| CN113743537A (zh) * | 2021-09-26 | 2021-12-03 | 东南大学 | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 |
| CN113919198A (zh) * | 2021-10-09 | 2022-01-11 | 欧阳俊 | 一种基于生成对抗网络的电气火灾监测预警方法 |
| CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
| CN114326655A (zh) * | 2021-11-30 | 2022-04-12 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
| CN113919763A (zh) * | 2021-12-13 | 2022-01-11 | 国网江西省电力有限公司电力科学研究院 | 一种基于模糊评判矩阵的电网灾害分析方法及装置 |
| CN114782741A (zh) * | 2022-03-28 | 2022-07-22 | 北京化工大学 | 一种基于机理仿真与数据驱动相融合的故障诊断方法 |
| CN114444620A (zh) * | 2022-04-08 | 2022-05-06 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
| CN114692506A (zh) * | 2022-04-13 | 2022-07-01 | 浙江工业大学 | 一种基于改进TimeGAN模型的小样本故障诊断方法 |
| CN114895647A (zh) * | 2022-04-13 | 2022-08-12 | 哈尔滨工程大学 | 一种面向小样本船舶零件故障数据的诊断方法及可读存储介质 |
| CN114970628A (zh) * | 2022-05-26 | 2022-08-30 | 青岛酒店管理职业技术学院 | 样本不均衡下基于生成对抗网络的转动部件故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| MEI YUAN 等: "Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network", 《2016 IEEE INTERNATIONAL CONFERENCE ON AIRCRAFT UTILITY SYSTEMS (AUS)》 * |
| MENGLEILI 等: "A new generative adversarial network based imbalanced fault diagnosis method", 《MEASUREMENT》 * |
| 张玲玲等: "《柴油发动机故障诊断技术》", 31 December 2015 * |
| 张龙等: "协作式生成对抗网络", 《自动化学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116911201A (zh) * | 2023-09-06 | 2023-10-20 | 江苏省特种设备安全监督检验研究院 | 一种基于深度生成对抗网络算法的模拟电机能效检测系统 |
| CN116911201B (zh) * | 2023-09-06 | 2023-11-21 | 江苏省特种设备安全监督检验研究院 | 一种基于深度生成对抗网络算法的模拟电机能效检测系统 |
| CN117669388A (zh) * | 2024-01-30 | 2024-03-08 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
| CN117669388B (zh) * | 2024-01-30 | 2024-05-31 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10539618B2 (en) | High-voltage circuit breaker opening and closing time online monitoring apparatus, smart multi-dimensional big data analyzing expert system for high-voltage circuit breaker in power grid and method therefor | |
| CN109193446A (zh) | 配电网设备的全感知检测与巡检运维系统 | |
| CN102967780B (zh) | 一种变电站智能告警建模方法 | |
| CN201966531U (zh) | Hgis组合电器在线监测装置及集成式hgis智能组合电器 | |
| CN115149637A (zh) | 一种配电网的智能运维方法和运维、监测系统和介质 | |
| CN110299758A (zh) | 一种变电站综合在线监测及诊断系统 | |
| CN105843125B (zh) | 一种基于状态识别技术的变电站序列操作的系统和方法 | |
| CN113341272A (zh) | 基于暂态量的配电网单相接地故障区段定位系统及方法 | |
| CN115169506A (zh) | 一种供变电关键设备故障快速诊断方法及系统 | |
| CN115860321A (zh) | 一种配电网供电可靠性评估方法、系统、电子设备及介质 | |
| KR102260550B1 (ko) | 운전 중인 전력설비 내부 전기회로정수 측정에 의한 설비 건전상태 감시 방법 | |
| CN113922326B (zh) | 基于scada数据的母线/线路接地选线轮切方法 | |
| CN106841924A (zh) | 基于参数识别的配电网线路绝缘监测方法 | |
| CN203164360U (zh) | 一种变电设备绝缘在线监测系统 | |
| CN105071541A (zh) | 一种可靠性高的变电站在线监测系统 | |
| KR102419753B1 (ko) | 운전 중인 전력설비 내부 전기회로정수 측정에 의한 설비 건전상태 감시 방법 | |
| CN113917282B (zh) | 一种基于短路电流的配网故障快速定位系统 | |
| CN116169778A (zh) | 一种基于配电网异常分析的处理方法及系统 | |
| CN206353193U (zh) | 热倒母线过程中隔离开关合闸状态的便携式检测装置 | |
| CN212008850U (zh) | 智能化一二次融合柱上断路器 | |
| CN114462692A (zh) | 一种电网老旧设备技改策略优化调整方法 | |
| CN103267912A (zh) | 一种直流输电穿墙套管风险评估系统及风险评估方法 | |
| Moldoveanu et al. | Intelligent system for the on-line real time monitoring of high voltage substations | |
| CN105119367A (zh) | 一种基于动态拓扑的数字化备自投仿真方法 | |
| CN111190079A (zh) | 一种故障指示器汇集单元用绝缘耐压自动测试系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221011 |
|
| RJ01 | Rejection of invention patent application after publication |