CN116316429B - 基于绝缘油在线监测的配电变压器继电保护方法及装置 - Google Patents
基于绝缘油在线监测的配电变压器继电保护方法及装置 Download PDFInfo
- Publication number
- CN116316429B CN116316429B CN202310038033.4A CN202310038033A CN116316429B CN 116316429 B CN116316429 B CN 116316429B CN 202310038033 A CN202310038033 A CN 202310038033A CN 116316429 B CN116316429 B CN 116316429B
- Authority
- CN
- China
- Prior art keywords
- data
- real
- time
- distribution transformer
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 111
- 239000007788 liquid Substances 0.000 claims abstract description 69
- 238000003062 neural network model Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 57
- 230000000007 visual effect Effects 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 description 6
- 230000002411 adverse Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- WRIDQFICGBMAFQ-UHFFFAOYSA-N (E)-8-Octadecenoic acid Natural products CCCCCCCCCC=CCCCCCCC(O)=O WRIDQFICGBMAFQ-UHFFFAOYSA-N 0.000 description 1
- LQJBNNIYVWPHFW-UHFFFAOYSA-N 20:1omega9c fatty acid Natural products CCCCCCCCCCC=CCCCCCCCC(O)=O LQJBNNIYVWPHFW-UHFFFAOYSA-N 0.000 description 1
- QSBYPNXLFMSGKH-UHFFFAOYSA-N 9-Heptadecensaeure Natural products CCCCCCCC=CCCCCCCCC(O)=O QSBYPNXLFMSGKH-UHFFFAOYSA-N 0.000 description 1
- ZQPPMHVWECSIRJ-UHFFFAOYSA-N Oleic acid Natural products CCCCCCCCC=CCCCCCCCC(O)=O ZQPPMHVWECSIRJ-UHFFFAOYSA-N 0.000 description 1
- 239000005642 Oleic acid Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- QXJSBBXBKPUZAA-UHFFFAOYSA-N isooleic acid Natural products CCCCCCCC=CCCCCCCCCC(O)=O QXJSBBXBKPUZAA-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- ZQPPMHVWECSIRJ-KTKRTIGZSA-N oleic acid Chemical compound CCCCCCCC\C=C/CCCCCCCC(O)=O ZQPPMHVWECSIRJ-KTKRTIGZSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/04—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for transformers
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0061—Details of emergency protective circuit arrangements concerning transmission of signals
-
- 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
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
- Y04S40/126—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment using wireless data transmission
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Electromagnetism (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于绝缘油在线监测的配电变压器继电保护方法及装置，其中，所述方法包括：进行实时数据采集，获得所述配电变压器的实时采集数据；将实时采集数据进行标记处理，并将标记的实时采集数据上传至云端服务器中进行存储；在云端服务器中提取配电变压器的标记实时采集数据；基于提取实时压力数据和实时温度数据构建特征数据；将构建的数据特征输入训练收敛的深度神经网络模型中进行绝缘油液位预测处理；利用输出绝缘油液位数据与标记实时采集数据中的实时绝缘油液位数据进行对比处理；基于所述对比结果对配电变压器进行继电保护控制处理。在本发明实施例中，实现对配电变压进行继电保护控制，保护配电变压器的运行安全。
Description
技术领域
本发明涉及配变变压器继电保护技术领域，尤其涉及一种基于绝缘油在线监测的配电变压器继电保护方法及装置。
背景技术
配电变压器中变压器油的渗漏现象也较多。由于渗漏，使变压器内的油量减少，油位降低，造成空气与水汽的渗入，加快了油的氧化而使其劣化，使油的粘度变大，对流速度降低，影响变压器的散热，使温升较高，这又进一步加速油的劣化。同时劣化后的油酸性增强，导致绕组的绝缘电阻降低，甚至对绝缘起到破坏作用，长此以往，必然导致变压器损坏。现有的解决办法一般为由人工进行定期巡检和维护，在变压器出现漏油等安全隐患时，难以及时发现，这样就容易导致配电变压器发生故障问题，从而导致用户停电事故，并且导致配电变压器的损坏问题。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于绝缘油在线监测的配电变压器继电保护方法及装置，通过在线采集配电变压器的相关数据的方式，实现对配电变压进行继电保护控制，保护配电变压器的运行安全。
为了解决上述技术问题，本发明实施例提供了一种基于绝缘油在线监测的配电变压器继电保护方法，所述方法包括：
基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，所述实时采集数据包括实时压力数据、实时温度数据及实时绝缘油液位数据；
将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储；
基于预设间隔时间段在所述云端服务器的存储器中提取配电变压器的标记实时采集数据；
基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据；
将构建的数据特征输入训练收敛的深度神经网络模型中进行绝缘油液位预测处理，获得输出绝缘油液位数据；
利用所述输出绝缘油液位数据与所述标记实时采集数据中的实时绝缘油液位数据进行对比处理，获得对比结果；
基于所述对比结果对所述配电变压器进行继电保护控制处理。
可选的，所述基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，包括：
基于设置在所述配电变压器上的压力传感器、温度传感器和液位传感器进行实时数据采集，获得所述配电变压器中的实时压力数据、实时温度数据及实时绝缘油液位数据。
可选的，所述将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储，包括：
对所述配电变压器的实时采集数据按照配电变压器的ID及采集时间进行标记处理，获得标记的实时采集数据；
基于无线数据传输技术将标记的实时采集数据上传至所述云端服务器；
在所述云端服务器接收到标记的实时采集数据时，按照标记的配电变压器ID及采集时间顺序在所述云端服务器的存储器中进行存储。
可选的，所述基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据，包括：
对提取标记实时采集数据中的实时压力数据和实施温度数据进行归一化处理，获得归一化的实时压力数据和实施温度数据；
将归一化的实时压力数据和实施温度数据进行矩阵构建处理，形成N行2列的特征矩阵；
其中，N行表示提取标记实时采集数据的组数，N为大于等于1的整数。
可选的，所述训练收敛的深度神经网络模型的训练过程，包括：
构建深度神经网络模型，基于深度置信网络对所述深度神经网络模型进行初始化，获得初始化后的深度神经网络模型；
利用运行正常的配电变压器的历史压力数据、历史温度数据和历史绝缘油液位数据作为训练样本数据集；
将所述训练样本数据集按照预设比例划分为训练数据集和测试数据集；
将所述训练数据集构建成训练特征矩阵输入初始化后的深度神经网络模型进行训练处理，获得训练后的深度神经网络模型；
利用所述测试数据集对训练后的深度神经网络模型进行测试处理，获得测试结果；
基于所述测试结果判断训练后的深度神经网络模型是否训练收敛，若收敛，则获得训练收敛的深度神经网络模型；
若不收敛，则利用反向传播算法对训练后的深度神经网络模型各层的节点参数进行修改，并返回训练，直至收敛或达到训练次数阈值为止。
可选的，所述深度置信网络构建，包括：
构建受限玻尔兹曼机，利用所述受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络。
可选的，所述利用所述受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络，包括：
令输入数据x＝h0作为第一层的受限玻尔兹曼机的可视层进行训练；
基于所述第一层的受限玻尔兹曼机得到的输入数据的表示数据，并将所述表示数据用在第二层上，表示选择的平均激活p(h1|h0)；
训练所述第二层的受限玻尔兹曼机，利用所述平均激活作为训练样本；
在训练时根据层数迭代处理，并向上传播平均值，在训练过程中微调深层网络架构的所有参数，获得所述深度置信网络。
可选的，所述受限玻尔兹曼机中v为可视层单元，h为隐藏层单元，每个节点都是随机而知变量节点，同时全概率分布P(v，h)满足Boltzmann分布；
其中受限玻尔兹曼机的能力函数定义为：
E(v，h)＝-bv-ch-hWv；
其中，W表示连接隐藏层单元和可视层单元的权值；b和c分别为可视层单元和隐藏层单元的偏移；同时可视层单元和隐藏层单元的节点直接相互独立有：
P(h|v)＝∑iP(hi|v)；
P(v|h)＝∑jP(vj|h)；
其中，hi表示第i个隐藏层单元；vj表示第j个可视层单元；
对于某个组态的联合概率密度可以通过Boltzmann分布以及这个组态的能量来确定，则有：
P(v，h)＝1/z exp(-E(v，h))；
z＝∑h，vexp(-E(v，h))。
可选的，所述基于所述对比结果对所述配电变压器进行继电保护控制处理，包括：
若所述对比结果偏离预设轨迹时将启动所述配变变压器漏油警告处理；在所述对比结果偏离预设轨迹时，同时所述实时绝缘油液位数据并正常绝缘油液位数据降低超过20mm时，将控制所述配电变压器进行继电保护控制处理。
另外，本发明实施例还提供了一种基于绝缘油在线监测的配电变压器继电保护装置，所述装置包括：
数据采集模块：用于基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，所述实时采集数据包括实时压力数据、实时温度数据及实时绝缘油液位数据；
数据存储模块：用于将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储；
数据提取模块：用于基于预设间隔时间段在所述云端服务器的存储器中提取配电变压器的标记实时采集数据；
特征构建模块：用于基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据；
预测处理模块：用于将构建的数据特征输入训练收敛的深度神经网络模型中进行绝缘油液位预测处理，获得输出绝缘油液位数据；
对比模块：用于利用所述输出绝缘油液位数据与所述标记实时采集数据中的实时绝缘油液位数据进行对比处理，获得对比结果；
继电保护模块：用于基于所述对比结果对所述配电变压器进行继电保护控制处理。
在本发明实施例中，通过实时对配电变压器进行数据采集，并通过实时采集数据在深度神经网络模型中预测，得到输出绝缘油液位数据；通过利用输出绝缘油液位数据与实时采集的绝缘油液位数据进行对比，并根据对比结果来判断配电变压器是否可能存在漏油等情况，并根据这一情况来进行预警或继电保护控制，这样可以有效的保证配电变压器的运行安全，并且在存在轻微漏油的情况下，及时进行漏油预警，减少因为配电变压器出现严重漏油情况，从而出现严重故障问题，导致用户停电等不良影响。
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，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于绝缘油在线监测的配电变压器继电保护方法的流程示意图；
图2是本发明实施例中的基于绝缘油在线监测的配电变压器继电保护装置的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的基于绝缘油在线监测的配电变压器继电保护方法的流程示意图。
如图1所示，一种基于绝缘油在线监测的配电变压器继电保护方法，所述方法包括：
S11：基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，所述实时采集数据包括实时压力数据、实时温度数据及实时绝缘油液位数据；
在本发明具体实施过程中，所述基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，包括：基于设置在所述配电变压器上的压力传感器、温度传感器和液位传感器进行实时数据采集，获得所述配电变压器中的实时压力数据、实时温度数据及实时绝缘油液位数据。
具体的，通过在配电变压器内设置不同的传感器，其中包括压力传感器、温度传感器和液位传感器，通过这些传感器按照预设的时间频率进行实时数据的采集，即可得到实时采集数据，该实时采集数据包括配电变压器中的实时压力数据、实时温度数据及实时绝缘油液位数据；一般情况下，压力传感器、温度传感器和液位传感器的数据采集频率相同。
S12：将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储；
在本发明具体实施过程中，所述将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储，包括：对所述配电变压器的实时采集数据按照配电变压器的ID及采集时间进行标记处理，获得标记的实时采集数据；基于无线数据传输技术将标记的实时采集数据上传至所述云端服务器；在所述云端服务器接收到标记的实时采集数据时，按照标记的配电变压器ID及采集时间顺序在所述云端服务器的存储器中进行存储。
具体的，在获得配变变压器的实时采集数据之后，通过利用配电变压器的ID和传感器的采集时间来对这些实时采集数据进行标记处理，然后获得标记的实时采集数据；同时利用无线传输技术将标记的实时采集数据上传至该云端服务器，即在配电变压器上设置有无线网络节点，将标记的实时采集数据通过设置的无线网络节点上传至云端服务器中；在云端服务器接收到标记的实时采集数据之后，按照标记的配电变压器ID及采集时间顺序在云端服务器中的存储器内对应位置进行数据的存储。
S13：基于预设间隔时间段在所述云端服务器的存储器中提取配电变压器的标记实时采集数据；
在本发明具体实施过程中，通过设置预设间隔时间段，在该云端服务器提取该预设间隔时间段内的存储器内所存储的配电变压器的标记实时采集数据，即可得到提取配电变压器的标记实时采集数据。
S14：基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据；
在本发明具体实施过程中，所述基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据，包括：对提取标记实时采集数据中的实时压力数据和实施温度数据进行归一化处理，获得归一化的实时压力数据和实施温度数据；将归一化的实时压力数据和实施温度数据进行矩阵构建处理，形成N行2列的特征矩阵；其中，N行表示提取标记实时采集数据的组数，N为大于等于1的整数。
具体的，利用提取标记实时采集数据中的实时压力数据和实施温度数据进行归一化处理，获得归一化的实时压力数据和实施温度数据，在此可以利用最大最小值归一化方法进行；将归一化的实时压力数据和实施温度数据进行矩阵构建处理，形成N行2列的特征矩阵；其中，N行表示提取标记实时采集数据的组数，N为大于等于1的整数；即得到的特征矩阵即为特征数据。
S15：将构建的数据特征输入训练收敛的深度神经网络模型中进行绝缘油液位预测处理，获得输出绝缘油液位数据；
在本发明具体实施过程中，所述训练收敛的深度神经网络模型的训练过程，包括：构建深度神经网络模型，基于深度置信网络对所述深度神经网络模型进行初始化，获得初始化后的深度神经网络模型；利用运行正常的配电变压器的历史压力数据、历史温度数据和历史绝缘油液位数据作为训练样本数据集；将所述训练样本数据集按照预设比例划分为训练数据集和测试数据集；将所述训练数据集构建成训练特征矩阵输入初始化后的深度神经网络模型进行训练处理，获得训练后的深度神经网络模型；利用所述测试数据集对训练后的深度神经网络模型进行测试处理，获得测试结果；基于所述测试结果判断训练后的深度神经网络模型是否训练收敛，若收敛，则获得训练收敛的深度神经网络模型；若不收敛，则利用反向传播算法对训练后的深度神经网络模型各层的节点参数进行修改，并返回训练，直至收敛或达到训练次数阈值为止。
进一步的，所述深度置信网络构建，包括：构建受限玻尔兹曼机，利用所述受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络。
进一步的，所述利用所述受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络，包括：令输入数据x＝h0作为第一层的受限玻尔兹曼机的可视层进行训练；基于所述第一层的受限玻尔兹曼机得到的输入数据的表示数据，并将所述表示数据用在第二层上，表示选择的平均激活p(h1|h0)；训练所述第二层的受限玻尔兹曼机，利用所述平均激活作为训练样本；在训练时根据层数迭代处理，并向上传播平均值，在训练过程中微调深层网络架构的所有参数，获得所述深度置信网络。
进一步的，所述受限玻尔兹曼机中v为可视层单元，h为隐藏层单元，每个节点都是随机而知变量节点，同时全概率分布P(v，h)满足Boltzmann分布；其中受限玻尔兹曼机的能力函数定义为：
E(v，h)＝-bv-ch-hWv；
其中，W表示连接隐藏层单元和可视层单元的权值；b和c分别为可视层单元和隐藏层单元的偏移；同时可视层单元和隐藏层单元的节点直接相互独立有：
P(h|v)＝∑iP(hi|v)；
P(v|h)＝∑jP(vj|h)；
其中，hi表示第i个隐藏层单元；vj表示第j个可视层单元；对于某个组态的联合概率密度可以通过Boltzmann分布以及这个组态的能量来确定，则有：
P(v，h)＝1/z exp(-E(v，h))；
z＝∑h，vexp(-E(v，h))。
具体的，首先构建一个深度神经网络模型，然后利用深度置信网络来对该深度神经网络模型进行初始化处理，即可得到初始化后的深度神经网络模型，并且利用运行正常的配电变压器的历史压力数据、历史温度数据和历史绝缘油液位数据作为训练样本数据集；同时将训练样本数据集按照预设比例划分为训练数据集和测试数据集；将训练数据集构建成训练特征矩阵输入初始化后的深度神经网络模型进行训练处理，获得训练后的深度神经网络模型；然后利用测试数据集对训练后的深度神经网络模型进行测试处理，获得测试结果；再通过测试结果判断训练后的深度神经网络模型是否训练收敛，若收敛，则获得训练收敛的深度神经网络模型；若不收敛，则利用反向传播算法对训练后的深度神经网络模型各层的节点参数进行修改，并返回训练，直至收敛或达到训练次数阈值为止。
在本申请中，首先通过构建受限玻尔兹曼机，然后利用受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络。
其中，通过逐层训练和堆叠获得所述深度置信网络过程如下：令输入数据x＝h0作为第一层的受限玻尔兹曼机的可视层进行训练；然后根据第一层的受限玻尔兹曼机得到的输入数据的表示数据，并将表示数据用在第二层上，表示选择的平均激活p(h1|h0)；训练第二层的受限玻尔兹曼机，利用所述平均激活作为训练样本；通过在训练时根据层数的迭代处理，并向上传播平均值，在训练过程中微调深层网络架构的所有参数，获得所述深度置信网络。该受限玻尔兹曼机中v为可视层单元，h为隐藏层单元，每个节点都是随机而知变量节点，同时全概率分布P(v，h)满足Boltzmann分布；其中受限玻尔兹曼机的能力函数定义为：
E(v，h)＝-bv-ch-hWv；
其中，W表示连接隐藏层单元和可视层单元的权值；b和c分别为可视层单元和隐藏层单元的偏移；同时可视层单元和隐藏层单元的节点直接相互独立有：
P(h|v)＝∑iP(hi|v)；
P(v|h)＝∑jP(vj|h)；
其中，hi表示第i个隐藏层单元；vj表示第j个可视层单元；对于某个组态的联合概率密度可以通过Boltzmann分布以及这个组态的能量来确定，则有：
P(v，h)＝1/z exp(-E(v，h))；
z＝∑h，vexp(-E(v，h))。
S16：利用所述输出绝缘油液位数据与所述标记实时采集数据中的实时绝缘油液位数据进行对比处理，获得对比结果；
在本发明具体实施过程中，通过利用输出绝缘油液位数据与标记实时采集数据中的实时绝缘油液位数据进行对比处理，即可获得对比结果。
S17：基于所述对比结果对所述配电变压器进行继电保护控制处理。
在本发明具体实施过程中，所述基于所述对比结果对所述配电变压器进行继电保护控制处理，包括：若所述对比结果偏离预设轨迹时将启动所述配变变压器漏油警告处理；在所述对比结果偏离预设轨迹时，同时所述实时绝缘油液位数据并正常绝缘油液位数据降低超过20mm时，将控制所述配电变压器进行继电保护控制处理。
具体的，通过该对比结果进行判断，若对比结果偏离预设轨迹时将启动配变变压器漏油警告处理；在对比结果偏离预设轨迹时，同时实时绝缘油液位数据并正常绝缘油液位数据降低超过20mm时，将控制配电变压器进行继电保护控制处理。
在本发明实施例中，通过实时对配电变压器进行数据采集，并通过实时采集数据在深度神经网络模型中预测，得到输出绝缘油液位数据；通过利用输出绝缘油液位数据与实时采集的绝缘油液位数据进行对比，并根据对比结果来判断配电变压器是否可能存在漏油等情况，并根据这一情况来进行预警或继电保护控制，这样可以有效的保证配电变压器的运行安全，并且在存在轻微漏油的情况下，及时进行漏油预警，减少因为配电变压器出现严重漏油情况，从而出现严重故障问题，导致用户停电等不良影响。
实施例二
请参阅图2，图2是本发明实施例中的基于绝缘油在线监测的配电变压器继电保护装置的结构组成示意图。
如图2所示，一种基于绝缘油在线监测的配电变压器继电保护装置，所述装置包括：
数据采集模块21：用于基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，所述实时采集数据包括实时压力数据、实时温度数据及实时绝缘油液位数据；
在本发明具体实施过程中，所述基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，包括：基于设置在所述配电变压器上的压力传感器、温度传感器和液位传感器进行实时数据采集，获得所述配电变压器中的实时压力数据、实时温度数据及实时绝缘油液位数据。
具体的，通过在配电变压器内设置不同的传感器，其中包括压力传感器、温度传感器和液位传感器，通过这些传感器按照预设的时间频率进行实时数据的采集，即可得到实时采集数据，该实时采集数据包括配电变压器中的实时压力数据、实时温度数据及实时绝缘油液位数据；一般情况下，压力传感器、温度传感器和液位传感器的数据采集频率相同。
数据存储模块22：用于将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储；
在本发明具体实施过程中，所述将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储，包括：对所述配电变压器的实时采集数据按照配电变压器的ID及采集时间进行标记处理，获得标记的实时采集数据；基于无线数据传输技术将标记的实时采集数据上传至所述云端服务器；在所述云端服务器接收到标记的实时采集数据时，按照标记的配电变压器ID及采集时间顺序在所述云端服务器的存储器中进行存储。
具体的，在获得配变变压器的实时采集数据之后，通过利用配电变压器的ID和传感器的采集时间来对这些实时采集数据进行标记处理，然后获得标记的实时采集数据；同时利用无线传输技术将标记的实时采集数据上传至该云端服务器，即在配电变压器上设置有无线网络节点，将标记的实时采集数据通过设置的无线网络节点上传至云端服务器中；在云端服务器接收到标记的实时采集数据之后，按照标记的配电变压器ID及采集时间顺序在云端服务器中的存储器内对应位置进行数据的存储。
数据提取模块23：用于基于预设间隔时间段在所述云端服务器的存储器中提取配电变压器的标记实时采集数据；
在本发明具体实施过程中，通过设置预设间隔时间段，在该云端服务器提取该预设间隔时间段内的存储器内所存储的配电变压器的标记实时采集数据，即可得到提取配电变压器的标记实时采集数据。
特征构建模块24：用于基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据；
在本发明具体实施过程中，所述基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据，包括：对提取标记实时采集数据中的实时压力数据和实施温度数据进行归一化处理，获得归一化的实时压力数据和实施温度数据；将归一化的实时压力数据和实施温度数据进行矩阵构建处理，形成N行2列的特征矩阵；其中，N行表示提取标记实时采集数据的组数，N为大于等于1的整数。
具体的，利用提取标记实时采集数据中的实时压力数据和实施温度数据进行归一化处理，获得归一化的实时压力数据和实施温度数据，在此可以利用最大最小值归一化方法进行；将归一化的实时压力数据和实施温度数据进行矩阵构建处理，形成N行2列的特征矩阵；其中，N行表示提取标记实时采集数据的组数，N为大于等于1的整数；即得到的特征矩阵即为特征数据。
预测处理模块25：用于将构建的数据特征输入训练收敛的深度神经网络模型中进行绝缘油液位预测处理，获得输出绝缘油液位数据；
在本发明具体实施过程中，所述训练收敛的深度神经网络模型的训练过程，包括：构建深度神经网络模型，基于深度置信网络对所述深度神经网络模型进行初始化，获得初始化后的深度神经网络模型；利用运行正常的配电变压器的历史压力数据、历史温度数据和历史绝缘油液位数据作为训练样本数据集；将所述训练样本数据集按照预设比例划分为训练数据集和测试数据集；将所述训练数据集构建成训练特征矩阵输入初始化后的深度神经网络模型进行训练处理，获得训练后的深度神经网络模型；利用所述测试数据集对训练后的深度神经网络模型进行测试处理，获得测试结果；基于所述测试结果判断训练后的深度神经网络模型是否训练收敛，若收敛，则获得训练收敛的深度神经网络模型；若不收敛，则利用反向传播算法对训练后的深度神经网络模型各层的节点参数进行修改，并返回训练，直至收敛或达到训练次数阈值为止。
进一步的，所述深度置信网络构建，包括：构建受限玻尔兹曼机，利用所述受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络。
进一步的，所述利用所述受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络，包括：令输入数据x＝h0作为第一层的受限玻尔兹曼机的可视层进行训练；基于所述第一层的受限玻尔兹曼机得到的输入数据的表示数据，并将所述表示数据用在第二层上，表示选择的平均激活p(h1|h0)；训练所述第二层的受限玻尔兹曼机，利用所述平均激活作为训练样本；在训练时根据层数迭代处理，并向上传播平均值，在训练过程中微调深层网络架构的所有参数，获得所述深度置信网络。
进一步的，所述受限玻尔兹曼机中v为可视层单元，h为隐藏层单元，每个节点都是随机而知变量节点，同时全概率分布P(v，h)满足Boltzmann分布；其中受限玻尔兹曼机的能力函数定义为：
E(v，h)＝-bv-ch-hWv；
其中，W表示连接隐藏层单元和可视层单元的权值；b和c分别为可视层单元和隐藏层单元的偏移；同时可视层单元和隐藏层单元的节点直接相互独立有：
P(h|v)＝∑iP(hi|v)；
P(v|h)＝∑jP(vj|h)；
其中，hi表示第i个隐藏层单元；vj表示第j个可视层单元；对于某个组态的联合概率密度可以通过Boltzmann分布以及这个组态的能量来确定，则有：
P(v，h)＝1/z exp(-E(v，h))；
z＝∑h，vexp(-E(v，h))。
具体的，首先构建一个深度神经网络模型，然后利用深度置信网络来对该深度神经网络模型进行初始化处理，即可得到初始化后的深度神经网络模型，并且利用运行正常的配电变压器的历史压力数据、历史温度数据和历史绝缘油液位数据作为训练样本数据集；同时将训练样本数据集按照预设比例划分为训练数据集和测试数据集；将训练数据集构建成训练特征矩阵输入初始化后的深度神经网络模型进行训练处理，获得训练后的深度神经网络模型；然后利用测试数据集对训练后的深度神经网络模型进行测试处理，获得测试结果；再通过测试结果判断训练后的深度神经网络模型是否训练收敛，若收敛，则获得训练收敛的深度神经网络模型；若不收敛，则利用反向传播算法对训练后的深度神经网络模型各层的节点参数进行修改，并返回训练，直至收敛或达到训练次数阈值为止。
在本申请中，首先通过构建受限玻尔兹曼机，然后利用受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络。
其中，通过逐层训练和堆叠获得所述深度置信网络过程如下：令输入数据x＝h0作为第一层的受限玻尔兹曼机的可视层进行训练；然后根据第一层的受限玻尔兹曼机得到的输入数据的表示数据，并将表示数据用在第二层上，表示选择的平均激活p(h1|h0)；训练第二层的受限玻尔兹曼机，利用所述平均激活作为训练样本；通过在训练时根据层数的迭代处理，并向上传播平均值，在训练过程中微调深层网络架构的所有参数，获得所述深度置信网络。该受限玻尔兹曼机中v为可视层单元，h为隐藏层单元，每个节点都是随机而知变量节点，同时全概率分布P(v，h)满足Boltzmann分布；其中受限玻尔兹曼机的能力函数定义为：
E(v，h)＝-bv-ch-hWv；
其中，W表示连接隐藏层单元和可视层单元的权值；b和c分别为可视层单元和隐藏层单元的偏移；同时可视层单元和隐藏层单元的节点直接相互独立有：
P(h|v)＝∑iP(hi|v)；
P(v|h)＝∑jP(vj|h)；
其中，hi表示第i个隐藏层单元；vj表示第j个可视层单元；对于某个组态的联合概率密度可以通过Boltzmann分布以及这个组态的能量来确定，则有：
P(v，h)＝1/z exp(-E(v，h))；
z＝∑h，vexp(-E(v，h))。
对比模块26：用于利用所述输出绝缘油液位数据与所述标记实时采集数据中的实时绝缘油液位数据进行对比处理，获得对比结果；
在本发明具体实施过程中，通过利用输出绝缘油液位数据与标记实时采集数据中的实时绝缘油液位数据进行对比处理，即可获得对比结果。
继电保护模块27：用于基于所述对比结果对所述配电变压器进行继电保护控制处理。
在本发明具体实施过程中，所述基于所述对比结果对所述配电变压器进行继电保护控制处理，包括：若所述对比结果偏离预设轨迹时将启动所述配变变压器漏油警告处理；在所述对比结果偏离预设轨迹时，同时所述实时绝缘油液位数据并正常绝缘油液位数据降低超过20mm时，将控制所述配电变压器进行继电保护控制处理。
具体的，通过该对比结果进行判断，若对比结果偏离预设轨迹时将启动配变变压器漏油警告处理；在对比结果偏离预设轨迹时，同时实时绝缘油液位数据并正常绝缘油液位数据降低超过20mm时，将控制配电变压器进行继电保护控制处理。
在本发明实施例中，通过实时对配电变压器进行数据采集，并通过实时采集数据在深度神经网络模型中预测，得到输出绝缘油液位数据；通过利用输出绝缘油液位数据与实时采集的绝缘油液位数据进行对比，并根据对比结果来判断配电变压器是否可能存在漏油等情况，并根据这一情况来进行预警或继电保护控制，这样可以有效的保证配电变压器的运行安全，并且在存在轻微漏油的情况下，及时进行漏油预警，减少因为配电变压器出现严重漏油情况，从而出现严重故障问题，导致用户停电等不良影响。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于绝缘油在线监测的配电变压器继电保护方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种基于绝缘油在线监测的配电变压器继电保护方法，其特征在于，所述方法包括：
基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，所述实时采集数据包括实时压力数据、实时温度数据及实时绝缘油液位数据；
将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储；
基于预设间隔时间段在所述云端服务器的存储器中提取配电变压器的标记实时采集数据；
基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据；
将构建的数据特征输入训练收敛的深度神经网络模型中进行绝缘油液位预测处理，获得输出绝缘油液位数据；
利用所述输出绝缘油液位数据与所述标记实时采集数据中的实时绝缘油液位数据进行对比处理，获得对比结果；
基于所述对比结果对所述配电变压器进行继电保护控制处理；
所述将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储，包括：
对所述配电变压器的实时采集数据按照配电变压器的ID及采集时间进行标记处理，获得标记的实时采集数据；
基于无线数据传输技术将标记的实时采集数据上传至所述云端服务器；
在所述云端服务器接收到标记的实时采集数据时，按照标记的配电变压器ID及采集时间顺序在所述云端服务器的存储器中进行存储；
所述基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据，包括：
对提取标记实时采集数据中的实时压力数据和实施温度数据进行归一化处理，获得归一化的实时压力数据和实施温度数据；
将归一化的实时压力数据和实施温度数据进行矩阵构建处理，形成N行2列的特征矩阵；
其中，N行表示提取标记实时采集数据的组数，N为大于等于1的整数；
所述训练收敛的深度神经网络模型的训练过程，包括：
构建深度神经网络模型，基于深度置信网络对所述深度神经网络模型进行初始化，获得初始化后的深度神经网络模型；
利用运行正常的配电变压器的历史压力数据、历史温度数据和历史绝缘油液位数据作为训练样本数据集；
将所述训练样本数据集按照预设比例划分为训练数据集和测试数据集；
将所述训练数据集构建成训练特征矩阵输入初始化后的深度神经网络模型进行训练处理，获得训练后的深度神经网络模型；
利用所述测试数据集对训练后的深度神经网络模型进行测试处理，获得测试结果；
基于所述测试结果判断训练后的深度神经网络模型是否训练收敛，若收敛，则获得训练收敛的深度神经网络模型；
若不收敛，则利用反向传播算法对训练后的深度神经网络模型各层的节点参数进行修改，并返回训练，直至收敛或达到训练次数阈值为止；
所述深度置信网络构建，包括：
构建受限玻尔兹曼机，利用所述受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络；
所述利用所述受限玻尔兹曼机通过逐层训练和堆叠获得所述深度置信网络，包括：
令输入数据作为第一层的受限玻尔兹曼机的可视层进行训练；
基于所述第一层的受限玻尔兹曼机得到的输入数据的表示数据，并将所述表示数据用在第二层上，表示选择的平均激活；
训练所述第二层的受限玻尔兹曼机，利用所述平均激活作为训练样本；
在训练时根据层数迭代处理，并向上传播平均值，在训练过程中微调深层网络架构的所有参数，获得所述深度置信网络；
所述受限玻尔兹曼机中v为可视层单元，h为隐藏层单元，每个节点都是随机而知变量节点，同时全概率分布满足Boltzmann分布；
其中受限玻尔兹曼机的能力函数定义为：
；
其中，W表示连接隐藏层单元和可视层单元的权值；b和c分别为可视层单元和隐藏层单元的偏移；同时可视层单元和隐藏层单元的节点直接相互独立有：
;
;
其中，表示第i个隐藏层单元；/>表示第j个可视层单元；
对于某个组态的联合概率密度可以通过Boltzmann分布以及这个组态的能量来确定，则有：
;
；
所述基于所述对比结果对所述配电变压器进行继电保护控制处理，包括：
若所述对比结果偏离预设轨迹时将启动所述配变变压器漏油警告处理；在所述对比结果偏离预设轨迹时，同时所述实时绝缘油液位数据比正常绝缘油液位数据降低超过20mm时，将控制所述配电变压器进行继电保护控制处理。
2.根据权利要求1所述的配电变压器继电保护方法，其特征在于，所述基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，包括：
基于设置在所述配电变压器上的压力传感器、温度传感器和液位传感器进行实时数据采集，获得所述配电变压器中的实时压力数据、实时温度数据及实时绝缘油液位数据。
3.一种基于绝缘油在线监测的配电变压器继电保护装置，其特征在于，所述装置被配置为用于执行权利要求1-2任意一项对应的方法，所述装置包括：
数据采集模块：用于基于设置在配电变压器上的数据采集传感器进行实时数据采集，获得所述配电变压器的实时采集数据，所述实时采集数据包括实时压力数据、实时温度数据及实时绝缘油液位数据；
数据存储模块：用于将所述配电变压器的实时采集数据进行标记处理，并将标记的所述配电变压器的实时采集数据上传至云端服务器中进行存储；
数据提取模块：用于基于预设间隔时间段在所述云端服务器的存储器中提取配电变压器的标记实时采集数据；
特征构建模块：用于基于提取标记实时采集数据中的实时压力数据和实时温度数据构建特征数据；
预测处理模块：用于将构建的数据特征输入训练收敛的深度神经网络模型中进行绝缘油液位预测处理，获得输出绝缘油液位数据；
对比模块：用于利用所述输出绝缘油液位数据与所述标记实时采集数据中的实时绝缘油液位数据进行对比处理，获得对比结果；
继电保护模块：用于基于所述对比结果对所述配电变压器进行继电保护控制处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310038033.4A CN116316429B (zh) | 2023-01-10 | 2023-01-10 | 基于绝缘油在线监测的配电变压器继电保护方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310038033.4A CN116316429B (zh) | 2023-01-10 | 2023-01-10 | 基于绝缘油在线监测的配电变压器继电保护方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116316429A CN116316429A (zh) | 2023-06-23 |
| CN116316429B true CN116316429B (zh) | 2023-12-19 |
Family
ID=86802166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310038033.4A Active CN116316429B (zh) | 2023-01-10 | 2023-01-10 | 基于绝缘油在线监测的配电变压器继电保护方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116316429B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116760851B (zh) * | 2023-08-18 | 2023-10-17 | 绛县祥信盈风力发电有限公司 | 一种用于继电保护定值单的云存储方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009168571A (ja) * | 2008-01-15 | 2009-07-30 | Jfe Steel Corp | 油入変圧器の劣化診断方法 |
| CN110083951A (zh) * | 2019-04-30 | 2019-08-02 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
| CN110363277A (zh) * | 2019-07-15 | 2019-10-22 | 南京工业大学 | 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 |
| CN115459449A (zh) * | 2022-09-23 | 2022-12-09 | 国网安徽省电力有限公司六安供电公司 | 一种可实时分析变压器运行性能的变电站监测方法及系统 |
-
2023
- 2023-01-10 CN CN202310038033.4A patent/CN116316429B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009168571A (ja) * | 2008-01-15 | 2009-07-30 | Jfe Steel Corp | 油入変圧器の劣化診断方法 |
| CN110083951A (zh) * | 2019-04-30 | 2019-08-02 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
| CN110363277A (zh) * | 2019-07-15 | 2019-10-22 | 南京工业大学 | 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 |
| CN115459449A (zh) * | 2022-09-23 | 2022-12-09 | 国网安徽省电力有限公司六安供电公司 | 一种可实时分析变压器运行性能的变电站监测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于概率神经网络的变压器故障诊断;伍兰英 等;工业控制计算机;第30卷(第10期);第45-46页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116316429A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11581130B2 (en) | Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN116316429B (zh) | 基于绝缘油在线监测的配电变压器继电保护方法及装置 | |
| WO2023083366A1 (zh) | 基于在线监测数据的避雷器运行状态识别方法、装置 | |
| CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
| CN107784395A (zh) | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 | |
| CN111611744B (zh) | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 | |
| CN110008917A (zh) | 基于表格理解的继电保护装置定值单数据的故障检测方法 | |
| CN112287556A (zh) | 电缆绝缘状态的确定方法及装置 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN112257956A (zh) | 预测输电线路遭受暴雨灾害的方法、装置和设备 | |
| CN113589100A (zh) | 基于双向长短期记忆和注意力机制的异常放电识别方法 | |
| CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
| CN116089882A (zh) | 电缆故障预测处理方法、装置及电子设备 | |
| CN109033498A (zh) | 基于传递函数特征主成分和神经网络的绕组变形识别方法 | |
| CN103675356B (zh) | 基于粒子群优化的风速仪故障检测方法和系统 | |
| CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
| CN111582630A (zh) | 一种用于确定低压台区线损率评估值的方法及系统 | |
| CN112949201B (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
| CN114021610A (zh) | 基于迁移学习的风机故障识别模型训练方法及系统 | |
| CN117313522A (zh) | 基于数模交互和联邦学习的油浸式变压器寿命预测方法 | |
| CN112363012A (zh) | 一种电网故障预警装置及方法 | |
| CN115239733B (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
| CN112836843A (zh) | 一种基站退服告警预测方法及装置 | |
| CN114414090B (zh) | 基于遥感影像和多层感知的地表温度预测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |