CN115527172A - 基于联合神经网络的变电站变压器故障识别方法 - Google Patents
基于联合神经网络的变电站变压器故障识别方法 Download PDFInfo
- Publication number
- CN115527172A CN115527172A CN202211332982.5A CN202211332982A CN115527172A CN 115527172 A CN115527172 A CN 115527172A CN 202211332982 A CN202211332982 A CN 202211332982A CN 115527172 A CN115527172 A CN 115527172A
- Authority
- CN
- China
- Prior art keywords
- transformer
- neural network
- layer
- fault identification
- data
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 24
- 239000007789 gas Substances 0.000 claims description 22
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 15
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 12
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 12
- 239000005977 Ethylene Substances 0.000 claims description 12
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 12
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 12
- 229910052739 hydrogen Inorganic materials 0.000 claims description 12
- 239000001257 hydrogen Substances 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 9
- 150000002431 hydrogen Chemical class 0.000 claims description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 8
- 238000013021 overheating Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 150000001335 aliphatic alkanes Chemical class 0.000 claims description 4
- 238000010891 electric arc Methods 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了基于联合神经网络的变电站变压器故障识别方法，涉及变压器故障识别技术领域，识别方法包括以下步骤：步骤一：对变电站变压器故障数据进行收集整理；步骤二：对故障数据信息进行预处理；步骤三：构建基于联合神经网络的变压器故障识别模型；步骤四：利用卷联合神经网络提取图形数据特征和时序数据特征，增加重要特征的权重占比和结果影响；步骤五：最后由联合神经网络输出识别结果。该基于联合神经网络的变电站变压器故障识别方法，提高变压器故障识别的准确率，同时提高了电网的智能化水平，将变压器一维参数数据和二维图像数据作为输入，输入到联合神经网络中，实现变压器的故障识别。
Description
技术领域
本发明涉及变压器故障识别技术领域，具体为基于联合神经网络的变电站变压器故障识别方法。
背景技术
变压器作为电力系统中调节和控制电能质量的枢纽节点，其正常稳定运行对电力系统具有重要意义。传统的变压器检查依赖于人工经验，不能及时发现变压器异常，容易造成变压器寿命缩短。
目前，针对故障预测研究大多基于数据驱动的检测方法，常用的变压器故障识别方法主要有：聚类算法、分类方法和状态估计方法。K-means聚类算法对收集到的电力数据进行处理，但K-means聚类算法随机性的特点，导致实验结果存在不一致的问题，难以准确识别变压器故障，]基于指标加权的变压器故障分析模型，通过指标加权分析可以得到变压器运行状态，但变压器数据中存在的错误数据或空白数据影响用户变压器故障的准确定位，并且该方法依赖于专家库的构建。且通过专家的知识和工作经验进行变压器故障识别判定，存在主观性强的缺点，所以在实际使用时效果不佳，支持向量机针对大规模训练样本时计算速度慢，对噪声数据比较敏感，难以准确定位故障。上述算法在都取得一定的成效，但存在需要人工构造样本、信息挖掘能力不强和变压器故障识别准确率低的问题。
于是，有鉴于此，针对现有的结构及缺失予以研究改良，提出基于联合神经网络的变电站变压器故障识别方法。
发明内容
针对现有技术的不足，本发明提供了基于联合神经网络的变电站变压器故障识别方法，解决了上述背景技术中提出的问题。
为实现以上目的，本发明通过以下技术方案予以实现：基于联合神经网络的变电站变压器故障识别方法，识别方法包括以下步骤：
步骤一：对变电站变压器故障数据进行收集整理，通过变电站的监控设备仪器以及利用检测故障方法对变电站变压器的故障数据进行收集；
步骤二：对故障数据信息进行预处理，通过格拉姆角对变压器的故障数据进行图像二维化处理得到图像二维数据，且图像二维数据与变压器的故障数据为输入值；
步骤三：构建基于联合神经网络的变压器故障识别模型；
步骤四：利用卷积神经网络和双向长短时记忆网络组成的联合神经网络提取图形数据特征和时序数据特征，并采用注意力机制对联合神经网络的特征进行权重分配，增加重要特征的权重占比和结果影响；
步骤五：最后由联合神经网络输出识别结果。
进一步的，所述步骤一中变电站的监控设备仪器包括变电站中的监控系统，通过监控系统收集变压器四周的图像信息，并生成图像数据。
进一步的，所述步骤一中检测故障方法为油中溶解气体分析法，且油中溶解气体分析法分析出的气体包括：甲烷、乙烷、乙烯、一氧化碳、二氧化碳、氢气和乙炔。
进一步的，所述基于联合神经网络的变压器故障识别模型中的神经元为i，且故障数据分别为u1，u2...ux，且u1，u2...ux为输入层神经元的值，W1i，W2i，...Wxi为输入层各个神经元与第i个神经元之间的权值，f为非线性函数，称为激励函数，yi为神经元i的输出。
进一步的，所述基于联合神经网络的变压器故障识别模型中f的计算公式为：
激发函数为：
进一步的，所述步骤四中卷积神经网络模型采用一个卷积层和采样层，卷积层为特征提取层，卷积层上的每一个神经元与前一层的局部感受野相连，卷积层的输出为提取到的特征，其中将骤一中检测的气体占比作为输入量，格式如下：
式中
分别代表氢气、甲烷、乙烷、乙烯和乙炔的含量，
代表气体总含量，
代表烷烃类气体的总含量。
进一步的，所述步骤四中联合神经网络中的网络中输入节点等于模式的维数，通过氢气、甲烷、乙烷、一氧化碳、二氧化碳、乙烯和乙炔的含量数据作为输入向量来判定变压器发生故障的类型，输出向量采用一般过热、严重过热、局部放电、火花放电和电弧放电五个输出神经元。
进一步的，所述步骤四中单个输入样本为x，卷积核个数为n，每个卷积核大小为m×1，每个卷积核对应的输出特征大小为(6-m)×1，其中卷积层与输入层之间的连接数为(6-m)×(m+1)×n，可训练的参数数目为(m+1)×n，其中卷积层第k种卷积核的输出结果为：
式中，aC1，i，k表示第k中卷积核输出的第i个元素，
表示第k中卷积核的第j个元素，bk表示第k中卷积核的偏置，f表示卷积层所采用的激活函数；
所述采样层采用均值采样操作，采样宽度为p×1，每个特征对应的采样输出大小为((6-m)/p)×1，第k个卷积核对应的采样层S2的输出结果为：
式中aS2，i，k表示第k种卷积核对应采样层的第j个输出。
本发明提供了基于联合神经网络的变电站变压器故障识别方法，具备以下有益效果：
1.该基于联合神经网络的变电站变压器故障识别方法，利用联合神经网络对原始用电序列和基于格拉姆角场转换预处理后的二维用电图像进行特征提取，进一步提高变压器故障识别的准确率，同时提高了电网的智能化水平，将变压器一维参数数据和二维图像数据作为输入，输入到联合神经网络中，实现变压器的故障识别。
2.该基于联合神经网络的变电站变压器故障识别方法，利用卷积神经网络和双向长短时记忆网络组成的联合神经网络提取图形数据特征和时序数据特征，并采用注意力机制对联合神经网络的特征进行权重分配，增加重要特征的权重占比和结果影响。
附图说明
图1为本发明基于联合神经网络的变电站变压器故障识别方法的整体流程示意图；
图2为本发明基于联合神经网络的变电站变压器故障识别方法的基于联合神经网络的变压器故障识别模型示意图；
图3为本发明基于联合神经网络的变电站变压器故障识别方法的联合神经网络模型示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
如图1-图3所示，本发明提供技术方案：基于联合神经网络的变电站变压器故障识别方法，识别方法包括以下步骤：
步骤一：对变电站变压器故障数据进行收集整理，通过变电站的监控设备仪器以及利用检测故障方法对变电站变压器的故障数据进行收集；
步骤二：对故障数据信息进行预处理，通过格拉姆角对变压器的故障数据进行图像二维化处理得到图像二维数据，且图像二维数据与变压器的故障数据为输入值；
步骤三：构建基于联合神经网络的变压器故障识别模型；
步骤四：利用卷积神经网络和双向长短时记忆网络组成的联合神经网络提取图形数据特征和时序数据特征，并采用注意力机制对联合神经网络的特征进行权重分配，增加重要特征的权重占比和结果影响；
步骤五：最后由联合神经网络输出识别结果。
步骤一中变电站的监控设备仪器包括变电站中的监控系统，通过监控系统收集变压器四周的图像信息，并生成图像数据。
步骤一中检测故障方法为油中溶解气体分析法，且油中溶解气体分析法分析出的气体包括：甲烷、乙烷、乙烯、一氧化碳、二氧化碳、氢气和乙炔。
基于联合神经网络的变压器故障识别模型中的神经元为i，且故障数据分别为u1，u2...ux，且u1，u2...ux为输入层神经元的值，W1i，W2i，...Wxi为输入层各个神经元与第i个神经元之间的权值，f为非线性函数，称为激励函数，yi为神经元i的输出。
基于联合神经网络的变压器故障识别模型中f的计算公式为：
激发函数为：
步骤四中卷积神经网络模型采用一个卷积层和采样层，卷积层为特征提取层，卷积层上的每一个神经元与前一层的局部感受野相连，卷积层的输出为提取到的特征，其中将骤一中检测的气体占比作为输入量，格式如下：
式中
分别代表氢气、甲烷、乙烷、乙烯和乙炔的含量，
代表气体总含量，
代表烷烃类气体的总含量。
步骤四中联合神经网络中的网络中输入节点等于模式的维数，通过氢气、甲烷、乙烷、一氧化碳、二氧化碳、乙烯和乙炔的含量数据作为输入向量来判定变压器发生故障的类型，输出向量采用一般过热、严重过热、局部放电、火花放电和电弧放电五个输出神经元。
步骤四中单个输入样本为x，卷积核个数为n，每个卷积核大小为m×1，每个卷积核对应的输出特征大小为(6-m)×1，其中卷积层与输入层之间的连接数为(6-m)×(m+1)×n，可训练的参数数目为(m+1)×n，其中卷积层第k种卷积核的输出结果为：
式中，aC1，i，k表示第k中卷积核输出的第i个元素，
表示第k中卷积核的第j个元素，bk表示第k中卷积核的偏置，f表示卷积层所采用的激活函数；
采样层采用均值采样操作，采样宽度为p×1，每个特征对应的采样输出大小为((6-m)/p)×1，第k个卷积核对应的采样层S2的输出结果为：
式中aS2，i，k表示第k种卷积核对应采样层的第j个输出。
综上，如图1所示，该基于联合神经网络的变电站变压器故障识别方法，使用时，识别方法包括以下步骤：
步骤一：对变电站变压器故障数据进行收集整理，通过变电站的监控设备仪器以及利用检测故障方法对变电站变压器的故障数据进行收集，变电站的监控设备仪器包括变电站中的监控系统，通过监控系统收集变压器四周的图像信息，并生成图像数据，步骤一中检测故障方法为油中溶解气体分析法，且油中溶解气体分析法分析出的气体包括：甲烷、乙烷、乙烯、一氧化碳、二氧化碳、氢气和乙炔；
步骤二：对故障数据信息进行预处理，通过格拉姆角对变压器的故障数据进行图像二维化处理得到图像二维数据，且图像二维数据与变压器的故障数据为输入值；
步骤三：构建基于联合神经网络的变压器故障识别模型，基于联合神经网络的变压器故障识别模型中的神经元为i，且故障数据分别为u1，u2...ux，且u1，u2...ux为输入层神经元的值，W1i，W2i，...Wxi为输入层各个神经元与第i个神经元之间的权值，f为非线性函数，称为激励函数，yi为神经元i的输出，
基于联合神经网络的变压器故障识别模型中f的计算公式为：
激发函数为：
步骤四：利用卷积神经网络和双向长短时记忆网络组成的联合神经网络提取图形数据特征和时序数据特征，并采用注意力机制对联合神经网络的特征进行权重分配，增加重要特征的权重占比和结果影响；卷积神经网络模型采用一个卷积层和采样层，卷积层为特征提取层，卷积层上的每一个神经元与前一层的局部感受野相连，卷积层的输出为提取到的特征，其中将骤一中检测的气体占比作为输入量，格式如下：
式中
分别代表氢气、甲烷、乙烷、乙烯和乙炔的含量，
代表气体总含量，
代表烷烃类气体的总含量，联合神经网络中的网络中输入节点等于模式的维数，通过氢气、甲烷、乙烷、一氧化碳、二氧化碳、乙烯和乙炔的含量数据作为输入向量来判定变压器发生故障的类型，输出向量采用一般过热、严重过热、局部放电、火花放电和电弧放电五个输出神经元；
步骤四中单个输入样本为x，卷积核个数为n，每个卷积核大小为m×1，每个卷积核对应的输出特征大小为(6-m)×1，其中卷积层与输入层之间的连接数为(6-m)×(m+1)×n，可训练的参数数目为(m+1)×n，其中卷积层第k种卷积核的输出结果为：
式中，aC1，i，k表示第k中卷积核输出的第i个元素，
表示第k中卷积核的第j个元素，bk表示第k中卷积核的偏置，f表示卷积层所采用的激活函数；
采样层采用均值采样操作，采样宽度为p×1，每个特征对应的采样输出大小为((6-m)/p)×1，第k个卷积核对应的采样层S2的输出结果为：
式中aS2，i，k表示第k种卷积核对应采样层的第j个输出。
步骤五：最后由联合神经网络输出识别结果。
本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (8)
1.基于联合神经网络的变电站变压器故障识别方法，其特征在于，识别方法包括以下步骤：
步骤一：对变电站变压器故障数据进行收集整理，通过变电站的监控设备仪器以及利用检测故障方法对变电站变压器的故障数据进行收集；
步骤二：对故障数据信息进行预处理，通过格拉姆角对变压器的故障数据进行图像二维化处理得到图像二维数据，且图像二维数据与变压器的故障数据为输入值；
步骤三：构建基于联合神经网络的变压器故障识别模型；
步骤四：利用卷积神经网络和双向长短时记忆网络组成的联合神经网络提取图形数据特征和时序数据特征，并采用注意力机制对联合神经网络的特征进行权重分配，增加重要特征的权重占比和结果影响；
步骤五：最后由联合神经网络输出识别结果。
2.根据权利要求1所述的基于联合神经网络的变电站变压器故障识别方法，其特征在于：所述步骤一中变电站的监控设备仪器包括变电站中的监控系统，通过监控系统收集变压器四周的图像信息，并生成图像数据。
3.根据权利要求1所述的基于联合神经网络的变电站变压器故障识别方法，其特征在于：所述步骤一中检测故障方法为油中溶解气体分析法，且油中溶解气体分析法分析出的气体包括：甲烷、乙烷、乙烯、一氧化碳、二氧化碳、氢气和乙炔。
4.根据权利要求1所述的基于联合神经网络的变电站变压器故障识别方法，其特征在于：所述基于联合神经网络的变压器故障识别模型中的神经元为i，且故障数据分别为u1，u2...ux，且u1，u2...ux为输入层神经元的值，W1i，W2i，...Wxi为输入层各个神经元与第i个神经元之间的权值，f为非线性函数，称为激励函数，yi为神经元i的输出。
5.根据权利要求4所述的基于联合神经网络的变电站变压器故障识别方法，其特征在于：所述基于联合神经网络的变压器故障识别模型中f的计算公式为：
激发函数为：
6.根据权利要求1所述的基于联合神经网络的变电站变压器故障识别方法，其特征在于：所述步骤四中卷积神经网络模型采用一个卷积层和采样层，卷积层为特征提取层，卷积层上的每一个神经元与前一层的局部感受野相连，卷积层的输出为提取到的特征，其中将骤一中检测的气体占比作为输入量，格式如下：
式中
分别代表氢气、甲烷、乙烷、乙烯和乙炔的含量，
代表气体总含量，
代表烷烃类气体的总含量。
7.根据权利要求1所述的基于联合神经网络的变电站变压器故障识别方法，其特征在于：所述步骤四中联合神经网络中的网络中输入节点等于模式的维数，通过氢气、甲烷、乙烷、一氧化碳、二氧化碳、乙烯和乙炔的含量数据作为输入向量来判定变压器发生故障的类型，输出向量采用一般过热、严重过热、局部放电、火花放电和电弧放电五个输出神经元。
8.根据权利要求6所述的基于联合神经网络的变电站变压器故障识别方法，其特征在于：所述步骤四中单个输入样本为x，卷积核个数为n，每个卷积核大小为m×1，每个卷积核对应的输出特征大小为(6-m)×1，其中卷积层与输入层之间的连接数为(6-m)×(m+1)×n，可训练的参数数目为(m+1)×n，其中卷积层第k种卷积核的输出结果为：
式中，aC1，i，k表示第k中卷积核输出的第i个元素，
表示第k中卷积核的第j个元素，bk表示第k中卷积核的偏置，f表示卷积层所采用的激活函数；
所述采样层采用均值采样操作，采样宽度为p×1，每个特征对应的采样输出大小为((6-m)/p)×1，第k个卷积核对应的采样层S2的输出结果为：
式中a}2，i，k表示第k种卷积核对应采样层的第j个输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211332982.5A CN115527172A (zh) | 2022-10-28 | 2022-10-28 | 基于联合神经网络的变电站变压器故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211332982.5A CN115527172A (zh) | 2022-10-28 | 2022-10-28 | 基于联合神经网络的变电站变压器故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115527172A true CN115527172A (zh) | 2022-12-27 |
Family
ID=84704151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211332982.5A Pending CN115527172A (zh) | 2022-10-28 | 2022-10-28 | 基于联合神经网络的变电站变压器故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115527172A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378424A (zh) * | 2019-07-23 | 2019-10-25 | 国网河北省电力有限公司电力科学研究院 | 基于卷积神经网络的变压器套管故障红外图像识别方法 |
| CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
| CN112179654A (zh) * | 2020-09-28 | 2021-01-05 | 西南交通大学 | 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法 |
| CN114118288A (zh) * | 2021-12-01 | 2022-03-01 | 内蒙古电力(集团)有限责任公司锡林郭勒超高压供电分公司 | 一种基于深度学习的变压器状态评估方法 |
| CN114184861A (zh) * | 2021-11-28 | 2022-03-15 | 辽宁石油化工大学 | 一种油浸式变压器的故障诊断方法 |
| CN115115888A (zh) * | 2022-07-12 | 2022-09-27 | 国网湖北省电力有限公司恩施供电公司 | 格拉姆角场和cnn-lstm的电能质量扰动分类方法 |
| CN115221916A (zh) * | 2022-06-13 | 2022-10-21 | 东南大学 | 基于改进gaf及sa的cnn滚动轴承故障诊断方法 |
-
2022
- 2022-10-28 CN CN202211332982.5A patent/CN115527172A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
| CN110378424A (zh) * | 2019-07-23 | 2019-10-25 | 国网河北省电力有限公司电力科学研究院 | 基于卷积神经网络的变压器套管故障红外图像识别方法 |
| CN112179654A (zh) * | 2020-09-28 | 2021-01-05 | 西南交通大学 | 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法 |
| CN114184861A (zh) * | 2021-11-28 | 2022-03-15 | 辽宁石油化工大学 | 一种油浸式变压器的故障诊断方法 |
| CN114118288A (zh) * | 2021-12-01 | 2022-03-01 | 内蒙古电力(集团)有限责任公司锡林郭勒超高压供电分公司 | 一种基于深度学习的变压器状态评估方法 |
| CN115221916A (zh) * | 2022-06-13 | 2022-10-21 | 东南大学 | 基于改进gaf及sa的cnn滚动轴承故障诊断方法 |
| CN115115888A (zh) * | 2022-07-12 | 2022-09-27 | 国网湖北省电力有限公司恩施供电公司 | 格拉姆角场和cnn-lstm的电能质量扰动分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘志坚，等.: "基于格拉姆角场变换和深度压缩模型的变压器故障识别方法", 《电网技术》, 6 October 2022 (2022-10-06), pages 0 - 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测系统及方法 | |
| CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
| CN101464964B (zh) | 一种设备故障诊断的支持向量机模式识别方法 | |
| CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
| CN112016473A (zh) | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 | |
| CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
| CN116538127B (zh) | 轴流风机及其控制系统 | |
| CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
| CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 | |
| CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
| CN117746095A (zh) | 一种架空输电线路故障与干扰辨识分类系统及方法 | |
| CN117150383A (zh) | 一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法 | |
| Zhou et al. | A novel method of transformer fault diagnosis based on k-mediods and decision tree algorithm | |
| CN117113243A (zh) | 一种光伏设备异常检测方法 | |
| CN115527172A (zh) | 基于联合神经网络的变电站变压器故障识别方法 | |
| CN116500480A (zh) | 一种基于特征迁移学习混合模型的智能电池健康监测方法 | |
| CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
| CN116127302A (zh) | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 | |
| CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
| CN114997332A (zh) | 小波包分析与麻雀算法优化相关向量机的故障诊断方法 | |
| Gao et al. | Fault detection of electric vehicle charging piles based on extreme learning machine algorithm |
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 |