CN116660639A - 一种基于ccgoa-svdd的变压器故障诊断方法及系统 - Google Patents
一种基于ccgoa-svdd的变压器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116660639A CN116660639A CN202310236003.4A CN202310236003A CN116660639A CN 116660639 A CN116660639 A CN 116660639A CN 202310236003 A CN202310236003 A CN 202310236003A CN 116660639 A CN116660639 A CN 116660639A
- Authority
- CN
- China
- Prior art keywords
- feature matrix
- matrix set
- feature
- svdd
- transformer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 341
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 38
- 230000000739 chaotic effect Effects 0.000 claims description 35
- 238000013507 mapping Methods 0.000 claims description 23
- 238000004804 winding Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009413 insulation Methods 0.000 claims description 6
- 230000000149 penetrating effect Effects 0.000 claims description 6
- 241000282461 Canis lupus Species 0.000 claims description 5
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000002023 wood Substances 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 241000254032 Acrididae Species 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供一种基于CCGOA‑SVDD的变压器故障诊断方法及系统,旨在提高OLTC的故障诊断精度。方法包括:采集变压器的部件的特征信号;对特征信号进行多个特征量提取,获得融合特征矩阵;通过对融合特征矩阵集合进行初始筛选,获得第一特征矩阵集合;通过反向学习策略对第一特征矩阵集合进行更新处理,以及通过惯性权重云模型对第二特征矩阵集合进行分类并设置惯性权重,获得第三特征矩阵集合;通过最优个体混沌搜索策略对第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合;通过目标特征矩阵集合对模型进行训练,获得目标故障分类模型;通过将融合特征矩阵输入目标故障分类模型进行处理,获得分类结果。
Description
技术领域
本发明涉及电网故障诊断技术领域,尤其涉及一种基于CCGOA-SVDD的变压器故障诊断方法及系统。
背景技术
随着我国电力工业的快速发展和电力运行系统的不断迭代升级,为各行业的发展提供了基础保障。为满足社会和经济发展的需要,电力系统装机容量和电网的运行规模也在不断扩大,因此开展电力设备的在线监测以及故障诊断技术,对电力系统稳定运行具有重要意义。
变压器是电力系统的核心设备,其运行状况良好对整个供配电可靠运行具有重要的影响。其中,OLTC(on-load tap changer)作为变压器的唯一可动部件,容易导致故障频繁发生,并占到变压器总故障的20%以上。鉴于以上缺陷,有必要提高OLTC诊断方法的故障诊断精度。然而,现有的OLTC故障诊断方法对未知故障(训练数据仅有正常样本数据或测试过程遇到类别未知的故障)诊断精度较低。
发明内容
有鉴于此,本发明提供一种基于CCGOA-SVDD的变压器故障诊断方法及系统。旨在提供一种未知故障的诊断方法,从而进一步提高OLTC的故障诊断精度。
在本发明实施例的第一方面,提供了一种基于CCGOA-SVDD的变压器故障诊断方法,所述方法包括:
采集变压器的部件的特征信号;
对特征信号进行多个特征量提取,获得融合特征矩阵;
基于mRMR原则对融合特征矩阵集合进行初始筛选,获得第一特征矩阵集合;
通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合;
通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的第二特征矩阵进行惯性权重设置,获得第三特征矩阵集合;
通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合;
通过所述目标特征矩阵集合对构建的SVDD故障分类模型进行模型训练,获得目标故障分类模型;
通过将融合特征矩阵输入所述目标故障分类模型进行处理,获得对应的分类结果。
可选的,所述通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合,包括:
通过logistic映射对所述第一特征矩阵集合进行初始化处理,获得对应的混沌序列;
通过反向学习策略对所述混沌序列进行更新,获得第二特征矩阵集合。
可选的,所述通过反向学习策略对所述混沌序列进行更新,获得第二特征矩阵集合,包括:
通过反向学习策略将混沌序列映射到解空间中,获得所述第一特征矩阵集合对应的更新特征矩阵集合;
通过反向集合函数对所述更新特征矩阵集合进行计算,获得所述更新特征矩阵集合对应的反向更新特征矩阵集合;
将所述更新特征矩阵集合和所述反向更新特征矩阵集合进行合并并排序;
选取排序靠前的预设数量的特征矩阵组成所述第二特征矩阵集合。
可选的,所述通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的第二特征矩阵进行惯性权重设置,获得第三特征矩阵集合,包括:
通过对所述第二特征矩阵集合进行适应度计算,获得所述第二特征矩阵集合的平均适应度值;
通过对所述第二特征矩阵集合中适应度值高于所述平均适应度值的第二特征矩阵的适应度值求平均值,获得第一适应度值,以及,通过对所述第二特征矩阵集合中适应度值低于所述平均适应度值的第二特征矩阵的适应度值求平均值,获得第二适应度值;
将所述第二特征矩阵集合中适应度值高于所述第一适应度值的第二特征矩阵分类至第一集群,以及,将所述第二特征矩阵集合中适应度值小于等于所述第一适应度值且大于等于第二适应度值的第二特征矩阵分类至第二集群,以及,将所述第二特征矩阵集合中适应度值小于第二适应度值的第二特征矩阵分类至第三集群;
通过惯性权重云模型计算所述第二集群中的各个第二特征矩阵的惯性权重,并为该各个第二特征矩阵设置计算到的自身的惯性权重,以及,为所述第一集群中的各个第二特征矩阵设置预设的第一惯性权重值,以及,为所述第三集群中的各个第二特征矩阵设置预设的第二惯性权重值,获得第三特征矩阵集合。
可选的,通过惯性权重云模型计算所述第二集群中的各个第二特征矩阵的惯性权重,并为该各个第二特征矩阵设置计算到的自身的惯性权重,包括:
通过惯性权重云模型中的自适应调整函数计算所述第二集群中的各个第二特征矩阵的惯性权重,并为该各个第二特征矩阵设置计算到的自身的惯性权重,所述自适应调整函数为:
其中,ω为惯性权重,为期望值,/>为熵,He=En/c2为超熵,为平均适应度值,f1为灰狼个体适应度值,c1和c2为学习因子,fmin为最优特征矩阵的适应度值。
可选的,所述通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合,包括:
通过Logistic映射函数将所述第三特征矩阵集合映射为混沌变量序列进行迭代处理;
将每次迭代后的混沌变量序列通过恢复函数进行恢复,获得经过迭代的第三特征矩阵集合;
确定每次经过迭代后的第三特征矩阵集合中各个第三特征矩阵的适应性,以更新当前迭代过程中的最优特征矩阵;
确定是否达到最大迭代次数,在达到最大迭代次数结束迭代,获得目标特征矩阵集合。
可选的,所述采集变压器的部件的特征信号,包括:有载分接开关顶端的振动信号、绕组的电信号、木质绝缘块、绝缘构件胶合处以及绕组垫块的沿面放电信号、穿缆套管中穿缆和管之间的电信号、绕组的温度信号、铁轭夹件的温度信号、绕组中多股并绕的相邻导线之间的温度信号、油箱温度信号和铁芯温度信号中的一种。
可选的,在采集变压器的部件的特征信号为有载分接开关顶端的振动信号的情况下,所述多个特征量包括时域特征量、频域特征量、多尺度熵特征量。
在本发明实施例的第二方面,提供了一种基于CCGOA-SVDD的变压器故障诊断系统,所述系统包括:
数据采集模块,用于采集变压器的部件的特征信号;
特征矩阵融合模块,用于对特征信号进行多个特征量提取,获得融合特征矩阵;
特征矩阵筛选模块,用于基于mRMR原则对融合特征矩阵集合进行初始筛选,获得第一特征矩阵集合;
特征矩阵更新模块,用于通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合;
惯性权重设置模块,用于通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的第二特征矩阵进行惯性权重设置,获得第三特征矩阵集合;
迭代处理模块,用于通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合;
模型训练模块,用于通过所述目标特征矩阵集合对构建的SVDD故障分类模型进行模型训练,获得目标故障分类模型;
故障分类模块,用于通过将融合特征矩阵输入所述目标故障分类模型进行处理,获得对应的分类结果。
针对在先技术,本发明具备如下优点:
本发明实施例提供的一种基于CCGOA-SVDD的变压器故障诊断方法,首先对采集的数据信息进行特征量提取和融合,获得对应的融合特征矩阵。通过对融合特征矩阵进行一系列的处理,最终获得更优异的模型训练样本数据,也就是目标特征矩阵集合,该一系列的处理包括基于mRMR原则对融合特征矩阵集合进行初始筛选,获得第一特征矩阵集合;通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合;通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的第二特征矩阵进行惯性权重设置,获得第三特征矩阵集合;通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合。以获得的更优异的模型训练样本数据对构建的SVDD故障分类模型进行训练,能够使得该SVDD故障分类模型更快地收敛,并最终表现出更高的故障诊断分类精度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
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。
图1为本发明实施例提供的一种基于CCGOA-SVDD的变压器故障诊断方法的流程图;
图2为本发明实施例提供的一种基于CCGOA-SVDD的变压器故障诊断系统的示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。
图1为本发明实施例提供的一种基于CCGOA-SVDD的变压器故障诊断方法的流程图,如图1所示,该方法包括:
步骤S101:采集变压器的部件的特征信号;
步骤S102:对特征信号进行多个特征量提取,获得融合特征矩阵;
步骤S103:基于mRMR原则对融合特征矩阵集合进行初始筛选,获得第一特征矩阵集合;
步骤S104:通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合;
步骤S105:通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的第二特征矩阵进行惯性权重设置,获得第三特征矩阵集合;
步骤S106:通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合;
步骤S107:通过所述目标特征矩阵集合对构建的SVDD故障分类模型进行模型训练,获得目标故障分类模型;
步骤S108:通过将融合特征矩阵输入所述目标故障分类模型进行处理,获得对应的分类结果。
在本发明的实施例中,通过振动传感器对有载分接开关顶端的振动信号进行采集,对采集到的振动信号进行多个类型特征量的提取,将提取到的多个类型的特征量进行特征融合获得对应的融合特征矩阵。基于mRMR(Max-Relevance and Min-Redundancy)原则对融合特征矩阵集合进行初始筛选,筛选出的融合特征矩阵组成第一特征矩阵集合。
在获得第一特征矩阵集合后,通过方向学习策略对获得的所述第一特征矩阵集合进行更新处理,获得对应的第二特征矩阵集合。在获得第二特征矩阵集合后,通过惯性权重云模型对所述第二特征矩阵集合进行分类,针对不同类别集群的特征矩阵进行对应的惯性权重设置,在完成第二特征矩阵集合中所有的特征矩阵的惯性权重设置后,获得第三特征矩阵集合。在获得第二特征矩阵集合后,通过最优个体混沌搜索策略对所述第三特征矩阵集合进行预设次数的迭代处理,获得目标特征矩阵集合。该目标特征矩阵集合即为经过优化处理后得到的表现更为优异的模型训练样本数据。通过该目标特征矩阵集合对构建的SVDD故障分类模型进行模型训练,能够使模型更快地收敛,并表现出更高的故障诊断分类精度,在构建的SVDD故障分类模型训练合格后,获得目标故障分类模型。通过将融合特征矩阵输入所述目标故障分类模型进行处理,即可获得对应的分类结果。分类结果包括正常状态和未知故障。
在本发明中,所述采集变压器的部件的特征信号,包括:有载分接开关顶端的振动信号、绕组的电信号、木质绝缘块、绝缘构件胶合处以及绕组垫块的沿面放电信号、穿缆套管中穿缆和管之间的电信号、绕组的温度信号、铁轭夹件的温度信号、绕组中多股并绕的相邻导线之间的温度信号、油箱温度信号和铁芯温度信号中的一种。
在本发明中,在采集变压器的部件的特征信号为有载分接开关顶端的振动信号的情况下,所述多个特征量包括时域特征量、频域特征量、多尺度熵特征量。
在本发明的实施例中,在融合特征矩阵为基于有载分接开关顶端的振动信号进行处理获得的情况下,所述融合特征矩阵中的多个特征量的类型包括时域特征量、频域特征量、多尺度熵特征量。同时,本发明中的融合特征矩阵同样可以是基于变压器的其他部件的特征信号进行多个特征量提取获得的,因此本发明同样适用于电网中的其他故障类型的故障诊断。例如,对于电网中的热故障或电故障等,其均会在多个特征量(如温度在时域和频域下的特征量或电参数在时域和频域下的特征量)下表现出相应的异常,因此可以通过对采集的温度或电参数进行多个特征量的提取,并进行特征矩阵融合获得对应的融合特征矩阵,后续的执行步骤则与上述步骤S103-步骤S108相同。
在本发明的实施例中,变压器的部件的特征信号包括有载分接开关顶端的振动信号、绕组的电信号、木质绝缘块、绝缘构件胶合处以及绕组垫块的沿面放电信号、穿缆套管中穿缆和管之间的电信号、绕组的温度信号、铁轭夹件的温度信号、绕组中多股并绕的相邻导线之间的温度信号、油箱温度信号和铁芯温度信号中的一种。
在本发明中,所述通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合,包括:通过logistic映射对所述第一特征矩阵集合进行初始化处理,获得对应的混沌序列;通过反向学习策略对所述混沌序列进行更新,获得第二特征矩阵集合。
在本发明的实施例中,首先通过logistic映射对第一特征矩阵集合进行处理,生成相对应的混沌序列,以此来初始化第一特征矩阵集合,具体表达式为如下公式1:
其中,yn表示第n个混沌变量,与第一特征矩阵集合中第n个特征矩阵对应;n=1,2,…N表示混沌变量的序列号;d=1,2,…,r表示特征矩阵的第d个维度,r表示特征矩阵的维度数量,μ为[0,4]之间的随机数,优选取值为4。
在获得第一特征矩阵集合对应的混沌序列后,通过反向学习策略对获得的所述混沌序列进行更新,获得第二特征矩阵集合。
在本发明中,所述通过反向学习策略对所述混沌序列进行更新,获得第二特征矩阵集合,包括:通过反向学习策略将混沌序列映射到解空间中,获得所述第一特征矩阵集合对应的更新特征矩阵集合;通过反向集合函数对所述更新特征矩阵集合进行计算,获得所述更新特征矩阵集合对应的反向更新特征矩阵集合;将所述更新特征矩阵集合和所述反向更新特征矩阵集合进行合并并排序;选取排序靠前的预设数量的特征矩阵组成所述第二特征矩阵集合。
在本发明的实施例中,通过反向学习策略对所述混沌序列进行更新,获得第二特征矩阵集合的一种实施方式为:将经过初始化的第一特征矩阵集合的混沌序列映射到反向学习策略的解空间中,得到第一特征矩阵集合对应的更新特征矩阵集合其中,/>表示第i个特征矩阵的第d维特征量的初始值。
第i个特征矩阵为:/>其中,/>和/>分别为搜索上界和搜索下界,/>表示第i个第d维的混沌变量,与第一特征矩阵集合中第i个特征矩阵对应。
在获得更新特征矩阵集合后,通过反向集合函数对所述更新特征矩阵集合进行计算,获得所述更新特征矩阵集合对应的反向更新特征矩阵集合,所述反向集合函数为:
在获得更新特征矩阵集合和反向更新特征矩阵集合后,将更新特征矩阵集合和反向更新特征矩阵集合进行合并并进行排序,选取排序靠前的预设数量的特征矩阵组成所述第二特征矩阵集合。
在本发明的实施例中,所述预设数量可根据实际应用场景进行设定,在此不做具体限定。
在本发明中,所述通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的特征矩阵进行惯性权重设置,获得第三特征矩阵集合,包括:通过对所述第二特征矩阵集合进行适应度计算,获得所述第二特征矩阵集合的平均适应度值;通过对所述第二特征矩阵集合中适应度值高于所述平均适应度值的特征矩阵的适应度值求平均值,获得第一适应度值,以及,通过对所述第二特征矩阵集合中适应度值低于所述平均适应度值的特征矩阵的适应度值求平均值,获得第二适应度值;将所述第二特征矩阵集合中适应度值高于所述第一适应度值的特征矩阵分类至第一集群,以及,将所述第二特征矩阵集合中适应度值小于等于所述第一适应度值且大于等于第二适应度值的特征矩阵分类至第二集群,以及,将所述第二特征矩阵集合中适应度值小于第二适应度值的特征矩阵分类至第三集群;通过惯性权重云模型计算所述第二集群中的各个特征矩阵的惯性权重,并为该各个特征矩阵设置计算到的自身的惯性权重,以及,为所述第一集群中的各个特征矩阵设置预设的第一惯性权重值,以及,为所述第三集群中的各个特征矩阵设置预设的第二惯性权重值,获得第三特征矩阵集合。
在本发明的实施例中,通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的特征矩阵进行惯性权重设置,获得第三特征矩阵集合的一种实施方式为:首先通过蝗虫算法(Grasshopper Optimization Algorithm,GOA)的适应度函数对所述第二特征矩阵集合中的各个特征矩阵进行适应度计算,获得各个特征矩阵的适应度值,并基于第二特征矩阵集合中的所有特征矩阵的适应度值计算平均适应度值。对于第二特征矩阵集合中适应度值高于所述平均适应度值的所有特征矩阵,求取该所有特征矩阵的平均适应度值,获得第一适应度值。而对于第二特征矩阵集合中适应度值低于所述平均适应度值的所有特征矩阵,求取该所有特征矩阵的平均适应度值,获得第二适应度值。
然后,将所述第二特征矩阵集合中适应度值高于所述第一适应度值的特征矩阵分类至第一集群,该第一集群为优良集群。将所述第二特征矩阵集合中适应度值小于等于所述第一适应度值且大于等于第二适应度值的特征矩阵分类至第二集群,该第二集群为普通集群。将所述第二特征矩阵集合中适应度值小于第二适应度值的特征矩阵分类至第三集群,该第三集群为不良集群。对于属于优良集群中的特征矩阵取值较小的第一惯性权重值。对于属于不良集群中的特征矩阵取值较大的第二惯性权重值。而对于属于普通集群中的特征矩阵则针对该普通集群中的每个特征矩阵,通过惯性权重云模型为每个特征矩阵计算自身对应的惯性权重值,并为普通集群中的每个特征矩阵设置计算获得的自身对应的惯性权重值,也就是普通集群中的特征矩阵与惯性权重之间具有一一对应的关系。在完成所述第二特征矩阵集合中所有特征矩阵的惯性权重设置后,获得第三特征矩阵集合。
在本发明的实施例中,所述第一惯性权重值ω1优选设置为0.2,所述第二惯性权重值ω2优选设置为0.9。
在本发明中,通过惯性权重云模型计算所述第二集群中的各个特征矩阵的惯性权重,并为该各个特征矩阵设置计算到的自身的惯性权重,包括:通过惯性权重云模型中的自适应调整函数计算所述第二集群中的各个特征矩阵的惯性权重,并为该各个特征矩阵设置计算到的自身的惯性权重,所述自适应调整函数为:
其中,ω为惯性权重,为期望值,/>为熵,He=En/c2为超熵,为平均适应度值,f1为灰狼个体适应度值,c1和c2为学习因子,fmin为最优特征矩阵的适应度值。
在本发明的实施例中,本发明通过惯性权重云模型中的自适应调整函数计算所述第二集群中的各个特征矩阵的惯性权重,并为该各个特征矩阵设置计算到的自身的惯性权重,该自适应调整函数为如下公式(2):
其中,ω为惯性权重,为期望值,/>为熵,He=En/c2为超熵,为平均适应度值,f1为灰狼个体适应度值,c1和c2为学习因子,fmin为最优特征矩阵的适应度值。
在本发明的实施例中,经过更新处理和惯性权重设置后的第三特征矩阵集合中的特征矩阵的数学模型可表示为如下公式(3):
其中,ubd、lbd分别为第i个特征矩阵的第d维变量的上界与下界;为第三特征矩阵集合的目标位置;c为线性递减的系数;dij表示第i个特征矩阵与第j个特征矩阵之间的距离;xi和xj分别表示第i个特征矩阵和第j个特征矩阵的位置;s表示特征矩阵彼此之间的交互影响;/>和/>分别表示第i个特征矩阵和第j个特征矩阵在第d维的位置。
在本发明中,所述通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合,包括:通过Logistic映射函数将所述第三特征矩阵集合映射为混沌变量序列进行迭代处理;将每次迭代后的混沌变量序列通过恢复函数进行恢复,获得经过迭代的第三特征矩阵集合;确定每次经过迭代后的第三特征矩阵集合中各个特征矩阵的适应性,以更新当前迭代过程中的最优特征矩阵;确定是否达到最大迭代次数,在达到最大迭代次数结束迭代,获得目标特征矩阵集合。
在本发明的实施例中,通过Logistic映射函数对所述第三特征矩阵集合进行迭代处理,以获得混沌变量序列Tmax是最大迭代次数,所述Logistic映射函数为如下公式(4):
其中,表示第k个特征矩阵在第d维的位置,/>
也就是说,在每次迭代中都将通过Logistic映射函数对上一次迭代获得的第三特征矩阵集合进行映射处理,以获得当前迭代中的混沌变量,直至迭代到预设的最大迭代次数时,才有混沌变量序列。将每次迭代后的混沌变量通过恢复函数进行恢复,将获得经过当前迭代的第三特征矩阵集合,所述恢复函数为如下公式(5):
其中,表示第k个特征矩阵的第d维在第t次迭代时的位置。
在每次迭代后,评价的适应性,更新当前迭代的最优特征矩阵。判断是否达到混沌搜索的最大次数,如果达到,则混沌搜索结束,得到最终的目标特征矩阵集合,否则继续通过Logistic映射函数对所述第三特征矩阵集合进行迭代处理,以获得新一轮迭代的混沌变量。
在本发明的实施例中,用SVDD作为故障分类模型,并通过本发明的基于混沌反向学习和云模型惯性权重的蝗虫算法(Chaos maps opposition-based learning strategyand Cloud model inertia weight based Grasshopper optimization algorithm,CCGOA)对用于进行模型训练的样本数据进行处理,以获得表现更加优异的模型训练样本数据,也就是目标特征矩阵集合,基于该目标特征矩阵集合对构建的SVDD故障分类模型进行训练将使得SVDD故障分类模型能够更加快速地收敛,同时具有更高的故障诊断分类精度。
在本发明的实施例中,所述SVDD故障分类模型的适应度函数为如下公式(6):
其中,v表示集群的类别数量,fitness表示适应度函数,G-mean为评价指标,c表示故障种类。
所述SVDD故障分类模型的决策函数为如下公式(7):
其中,φ表示目标到高维空间的映射;r为超球体半径,z为OLTC的样本数据;αi、βi为拉格朗日算子,且αi≥0,βi≥0。
采用高斯函数作为所述SVDD故障分类模型核函数,表达式如下公式(8):
其中,δ代表核函数δ。
在本发明的实施例中,当f(z)=1时,z表示为OLTC正常工况时的样本数据;当f(z)=-1时,z表示为OLTC未知故障的样本数据。
在本发明的实施例中,通过将本发明提供的一种基于CCGOA-SVDD的变压器故障诊断方法与目前的基于SVDD、GA-SVDD、SA-SVDD、PSO-SVDD、GOA-SVDD的故障诊断方法进行对比,确定到本发明所提供的一种基于CCGOA-SVDD的变压器故障诊断方法,在识别未知故障和正常状态的识别率高于目前的一系列故障诊断方法,如下表1所示即为将正常状态当做已知状态,其他状态当作未知状态,80%的数据进行训练,20%数据进行测试,经过分析对比获得的不同故障诊断方法的结果。
在本发明的实施例中,本发明将OLTC故障分别设置为正常、触头烧损、触头脱落、触头松动。在本发明将触头脱落状态当作已知状态,其他状态当作未知状态,并以80%的数据进行训练,20%数据进行测试,经过分析对比确定,本发明所提供的一种基于CCGOA-SVDD的变压器故障诊断方法对未知故障和已知状态的识别率高于目前的一系列故障诊断方法,同时评价识别精度的G-mean值也高于目前的一系列故障诊断方法,如下表2所示即为触头脱落状态当作已知状态,其他状态当作未知状态,80%的数据进行训练,20%数据进行测试,经过分析对比获得的不同故障诊断方法的结果。
在本发明实施例的第二方面,提供了一种基于CCGOA-SVDD的变压器故障诊断系统,如图2所示,所述系统200包括:
数据采集模块201,用于采集变压器的部件的特征信号;
特征矩阵融合模块202,用于对特征信号进行多个特征量提取,获得融合特征矩阵;
特征矩阵筛选模块203,用于基于mRMR原则对融合特征矩阵集合进行初始筛选,获得第一特征矩阵集合;
特征矩阵更新模块204,用于通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合;
惯性权重设置模块205,用于通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的特征矩阵进行惯性权重设置,获得第三特征矩阵集合;
迭代处理模块206,用于通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合;
模型训练模块207,用于通过所述目标特征矩阵集合对构建的SVDD故障分类模型进行模型训练,获得目标故障分类模型;
故障分类模块208,用于通过将融合特征矩阵输入所述目标故障分类模型进行处理,获得对应的分类结果。
可选地,所述特征矩阵更新模块204,包括:
混沌序列生成模块,用于通过logistic映射对所述第一特征矩阵集合进行初始化处理,获得对应的混沌序列;
特征矩阵更新子模块,用于通过反向学习策略对所述混沌序列进行更新,获得第二特征矩阵集合。
可选地,所述特征矩阵更新子模块,包括:
更新特征矩阵集合确定模块,用于通过反向学习策略将混沌序列映射到解空间中,获得所述第一特征矩阵集合对应的更新特征矩阵集合;
反向更新特征矩阵集合确定模块,用于通过反向集合函数对所述更新特征矩阵集合进行计算,获得所述更新特征矩阵集合对应的反向更新特征矩阵集合;
排序模块,用于将所述更新特征矩阵集合和所述反向更新特征矩阵集合进行合并并排序;
第二特征矩阵集合确定模块,用于选取排序靠前的预设数量的特征矩阵组成所述第二特征矩阵集合。
可选地,所述惯性权重设置模块205,包括:
平均适应度值计算模块,用于通过对所述第二特征矩阵集合进行适应度计算,获得所述第二特征矩阵集合的平均适应度值;
适应度值确定模块,用于通过对所述第二特征矩阵集合中适应度值高于所述平均适应度值的特征矩阵的适应度值求平均值,获得第一适应度值,以及,通过对所述第二特征矩阵集合中适应度值低于所述平均适应度值的特征矩阵的适应度值求平均值,获得第二适应度值;
集群划分模块,用于将所述第二特征矩阵集合中适应度值高于所述第一适应度值的特征矩阵分类至第一集群,以及,将所述第二特征矩阵集合中适应度值小于等于所述第一适应度值且大于等于第二适应度值的特征矩阵分类至第二集群,以及,将所述第二特征矩阵集合中适应度值小于第二适应度值的特征矩阵分类至第三集群;
惯性权重设置子模块,用于通过惯性权重云模型计算所述第二集群中的各个特征矩阵的惯性权重,并为该各个特征矩阵设置计算到的自身的惯性权重,以及,为所述第一集群中的各个特征矩阵设置预设的第一惯性权重值,以及,为所述第三集群中的各个特征矩阵设置预设的第二惯性权重值,获得第三特征矩阵集合。
可选地,所述惯性权重设置子模块,用于通过惯性权重云模型中的自适应调整函数计算所述第二集群中的各个特征矩阵的惯性权重,并为该各个特征矩阵设置计算到的自身的惯性权重,所述自适应调整函数为:
其中,ω为惯性权重,为期望值,/>为熵,He=En/c2为超熵,为平均适应度值,f1为灰狼个体适应度值,c1和c2为学习因子,fmin为最优特征矩阵的适应度值。
可选地,所述迭代处理模块206,包括:
迭代模块,用于通过Logistic映射函数将所述第三特征矩阵集合映射为混沌变量序列进行迭代处理;
恢复模块,用于将每次迭代后的混沌变量序列通过恢复函数进行恢复,获得经过迭代的第三特征矩阵集合;
适应性确定模块,用于确定每次经过迭代后的第三特征矩阵集合中各个特征矩阵的适应性,以更新当前迭代过程中的最优特征矩阵;
迭代处理子模块,用于确定是否达到最大迭代次数,在达到最大迭代次数结束迭代,获得目标特征矩阵集合。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,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他要素,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“包括一个……”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。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (9)
1.一种基于CCGOA-SVDD的变压器故障诊断方法,其特征在于,所述方法包括:
采集变压器的部件的特征信号;
对特征信号进行多个特征量提取,获得融合特征矩阵;
基于mRMR原则对融合特征矩阵集合进行初始筛选,获得第一特征矩阵集合;
通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合;
通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的特征矩阵进行惯性权重设置,获得第三特征矩阵集合;
通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合;
通过所述目标特征矩阵集合对构建的SVDD故障分类模型进行模型训练,获得目标故障分类模型;
通过将融合特征矩阵输入所述目标故障分类模型进行处理,获得对应的分类结果。
2.根据权利要求1所述基于CCGOA-SVDD的变压器故障诊断方法,其特征在于,所述通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合,包括:
通过logistic映射对所述第一特征矩阵集合进行初始化处理,获得对应的混沌序列;
通过反向学习策略对所述混沌序列进行更新,获得第二特征矩阵集合。
3.根据权利要求2所述基于CCGOA-SVDD的变压器故障诊断方法,其特征在于,所述通过反向学习策略对所述混沌序列进行更新,获得第二特征矩阵集合,包括:
通过反向学习策略将混沌序列映射到解空间中,获得所述第一特征矩阵集合对应的更新特征矩阵集合;
通过反向集合函数对所述更新特征矩阵集合进行计算,获得所述更新特征矩阵集合对应的反向更新特征矩阵集合;
将所述更新特征矩阵集合和所述反向更新特征矩阵集合进行合并并排序;
选取排序靠前的预设数量的特征矩阵组成所述第二特征矩阵集合。
4.根据权利要求1所述基于CCGOA-SVDD的变压器故障诊断方法,其特征在于,所述通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的特征矩阵进行惯性权重设置,获得第三特征矩阵集合,包括:
通过对所述第二特征矩阵集合进行适应度计算,获得所述第二特征矩阵集合的平均适应度值;
通过对所述第二特征矩阵集合中适应度值高于所述平均适应度值的特征矩阵的适应度值求平均值,获得第一适应度值,以及,通过对所述第二特征矩阵集合中适应度值低于所述平均适应度值的特征矩阵的适应度值求平均值,获得第二适应度值;
将所述第二特征矩阵集合中适应度值高于所述第一适应度值的特征矩阵分类至第一集群,以及,将所述第二特征矩阵集合中适应度值小于等于所述第一适应度值且大于等于第二适应度值的特征矩阵分类至第二集群,以及,将所述第二特征矩阵集合中适应度值小于第二适应度值的特征矩阵分类至第三集群;
通过惯性权重云模型计算所述第二集群中的各个特征矩阵的惯性权重,并为该各个特征矩阵设置计算到的自身的惯性权重,以及,为所述第一集群中的各个特征矩阵设置预设的第一惯性权重值,以及,为所述第三集群中的各个特征矩阵设置预设的第二惯性权重值,获得第三特征矩阵集合。
5.根据权利要求4所述基于CCGOA-SVDD的变压器故障诊断方法,其特征在于,通过惯性权重云模型计算所述第二集群中的各个特征矩阵的惯性权重,并为该各个特征矩阵设置计算到的自身的惯性权重,包括:
通过惯性权重云模型中的自适应调整函数计算所述第二集群中的各个特征矩阵的惯性权重,并为该各个特征矩阵设置计算到的自身的惯性权重,所述自适应调整函数为:
其中,ω为惯性权重,为期望值,/>为熵,He=En/c2为超熵,/>为平均适应度值,f1为灰狼个体适应度值,c1和c2为学习因子,fmin为最优特征矩阵的适应度值。
6.根据权利要求1所述基于CCGOA-SVDD的变压器故障诊断方法,其特征在于,所述通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合,包括:
通过Logistic映射函数将所述第三特征矩阵集合映射为混沌变量序列进行迭代处理;
将每次迭代后的混沌变量序列通过恢复函数进行恢复,获得经过迭代的第三特征矩阵集合;
确定每次经过迭代后的第三特征矩阵集合中各个特征矩阵的适应性,以更新当前迭代过程中的最优特征矩阵;
确定是否达到最大迭代次数,在达到最大迭代次数结束迭代,获得目标特征矩阵集合。
7.根据权利要求1所述基于CCGOA-SVDD的变压器故障诊断方法,其特征在于,所述采集变压器的部件的特征信号,包括:有载分接开关顶端的振动信号、绕组的电信号、木质绝缘块、绝缘构件胶合处以及绕组垫块的沿面放电信号、穿缆套管中穿缆和管之间的电信号、绕组的温度信号、铁轭夹件的温度信号、绕组中多股并绕的相邻导线之间的温度信号、油箱温度信号和铁芯温度信号中的一种。
8.根据权利要求1所述基于CCGOA-SVDD的变压器故障诊断方法,其特征在于,在采集变压器的部件的特征信号为有载分接开关顶端的振动信号的情况下,所述多个特征量包括时域特征量、频域特征量、多尺度熵特征量。
9.一种基于CCGOA-SVDD的变压器故障诊断系统,其特征在于,所述系统包括:
数据采集模块,用于采集变压器的部件的特征信号;
特征矩阵融合模块,用于对特征信号进行多个特征量提取,获得融合特征矩阵;
特征矩阵筛选模块,用于基于mRMR原则对融合特征矩阵集合进行初始筛选,获得第一特征矩阵集合;
特征矩阵更新模块,用于通过反向学习策略对所述第一特征矩阵集合进行更新处理,获得第二特征矩阵集合;
惯性权重设置模块,用于通过惯性权重云模型对所述第二特征矩阵集合进行分类,并对不同分类类型的特征矩阵进行惯性权重设置,获得第三特征矩阵集合;
迭代处理模块,用于通过最优个体混沌搜索策略对所述第三特征矩阵集合进行迭代处理,获得目标特征矩阵集合;
模型训练模块,用于通过所述目标特征矩阵集合对构建的SVDD故障分类模型进行模型训练,获得目标故障分类模型;
故障分类模块,用于通过将融合特征矩阵输入所述目标故障分类模型进行处理,获得对应的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310236003.4A CN116660639B (zh) | 2023-03-10 | 2023-03-10 | 一种基于ccgoa-svdd的变压器故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310236003.4A CN116660639B (zh) | 2023-03-10 | 2023-03-10 | 一种基于ccgoa-svdd的变压器故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116660639A true CN116660639A (zh) | 2023-08-29 |
CN116660639B CN116660639B (zh) | 2024-05-03 |
Family
ID=87721275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310236003.4A Active CN116660639B (zh) | 2023-03-10 | 2023-03-10 | 一种基于ccgoa-svdd的变压器故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116660639B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609831A (zh) * | 2023-11-21 | 2024-02-27 | 国网宁夏电力有限公司电力科学研究院 | 一种基于随机矩阵的变压器局放检测方法、介质及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130267383A1 (en) * | 2012-04-06 | 2013-10-10 | Icon Health & Fitness, Inc. | Integrated Exercise Device Environment Controller |
CN105528504A (zh) * | 2016-03-01 | 2016-04-27 | 哈尔滨理工大学 | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 |
CN105759201A (zh) * | 2016-03-11 | 2016-07-13 | 江苏镇安电力设备有限公司 | 基于异常样本识别的高压断路器自诊断方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN109583092A (zh) * | 2018-11-30 | 2019-04-05 | 中南大学 | 一种多层次多模式特征提取的智能机械系统故障诊断方法 |
CN109800740A (zh) * | 2019-02-26 | 2019-05-24 | 河海大学 | 一种基于样本熵和svm的oltc机械故障诊断方法 |
CN110132404A (zh) * | 2019-05-29 | 2019-08-16 | 国网江苏省电力有限公司南京供电分公司 | 一种变压器有载分接开关机械故障在线监测方法 |
CN110412452A (zh) * | 2019-04-29 | 2019-11-05 | 国网江苏省电力有限公司南京供电分公司 | 一种基于混沌理论与GA-Kmeans的OLTC触头类故障在线诊断方法 |
CN111598150A (zh) * | 2020-05-12 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
CN115060497A (zh) * | 2022-06-10 | 2022-09-16 | 南昌工程学院 | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 |
-
2023
- 2023-03-10 CN CN202310236003.4A patent/CN116660639B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130267383A1 (en) * | 2012-04-06 | 2013-10-10 | Icon Health & Fitness, Inc. | Integrated Exercise Device Environment Controller |
CN105528504A (zh) * | 2016-03-01 | 2016-04-27 | 哈尔滨理工大学 | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 |
CN105759201A (zh) * | 2016-03-11 | 2016-07-13 | 江苏镇安电力设备有限公司 | 基于异常样本识别的高压断路器自诊断方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN109583092A (zh) * | 2018-11-30 | 2019-04-05 | 中南大学 | 一种多层次多模式特征提取的智能机械系统故障诊断方法 |
CN109800740A (zh) * | 2019-02-26 | 2019-05-24 | 河海大学 | 一种基于样本熵和svm的oltc机械故障诊断方法 |
CN110412452A (zh) * | 2019-04-29 | 2019-11-05 | 国网江苏省电力有限公司南京供电分公司 | 一种基于混沌理论与GA-Kmeans的OLTC触头类故障在线诊断方法 |
CN110132404A (zh) * | 2019-05-29 | 2019-08-16 | 国网江苏省电力有限公司南京供电分公司 | 一种变压器有载分接开关机械故障在线监测方法 |
CN111598150A (zh) * | 2020-05-12 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
CN115060497A (zh) * | 2022-06-10 | 2022-09-16 | 南昌工程学院 | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 |
Non-Patent Citations (8)
Title |
---|
YAN YAN 等: "An Improved Grasshopper Optimization Algorithm for Global Optimization", CHINESE JOURNAL OF ELECTRONICS, pages 451 - 459 * |
兰娅勋: "混沌和柯西变异的蝗虫优化算法及特征选择", 微电子学与计算机, no. 011 * |
兰娅勋: "混沌和柯西变异的蝗虫优化算法及特征选择", 微电子学与计算机, no. 011, 31 December 2021 (2021-12-31) * |
唐明珠;王岳斌;阳春华;: "一种改进的支持向量数据描述故障诊断方法", 控制与决策, no. 07, 15 July 2011 (2011-07-15) * |
王丰华 等: "基于Bayes估计相空间融合和CM-SVDD的有载分接开关机械故障诊断", 中国电机工程学报, vol. 40, no. 01, pages 358 - 369 * |
陈斌;阎兆立;程晓斌;: "旋转设备声学故障特征提取与优化方法", 北京邮电大学学报, no. 04, 15 August 2011 (2011-08-15) * |
马宏忠;徐艳;魏海增;: "基于MPE和改进K-means算法的分接开关机械故障诊断方法", 高压电器, no. 08 * |
马宏忠;徐艳;魏海增;: "基于MPE和改进K-means算法的分接开关机械故障诊断方法", 高压电器, no. 08, 16 August 2020 (2020-08-16) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609831A (zh) * | 2023-11-21 | 2024-02-27 | 国网宁夏电力有限公司电力科学研究院 | 一种基于随机矩阵的变压器局放检测方法、介质及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116660639B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022110557A1 (zh) | 一种台区户变关系异常诊断方法及装置 | |
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 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN104052612B (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN116660639B (zh) | 一种基于ccgoa-svdd的变压器故障诊断方法及系统 | |
CN115270965B (zh) | 一种配电网线路故障预测方法和装置 | |
CN113987033B (zh) | 主变在线监测数据群体偏差识别与校准方法 | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN111398798B (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN112084709B (zh) | 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法 | |
CN114814501B (zh) | 一种电容式电压互感器电容击穿故障在线诊断方法 | |
CN115169534A (zh) | 卷积神经网络的样本优化训练方法及计算机可读存储介质 | |
CN112800976A (zh) | 基于高压断路器振动信号的故障诊断方法 | |
CN107067033A (zh) | 机器学习模型的局部修复方法 | |
CN115015719A (zh) | 一种基于光纤超声传感信号的套管局部放电识别算法 | |
CN112926620B (zh) | 一种变压器套管局部放电的缺陷类型识别方法及系统 | |
CN116738355A (zh) | 一种考虑数据差异性的电力多模态特征级融合方法 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN112241610B (zh) | 一种交联聚乙烯电缆的健康状态评估方法 | |
CN110633874B (zh) | 一种变电站二次设备状态监测方法及可读存储介质 | |
CN116628619B (zh) | 一种基于车网耦合的未知异常电气现象辨识方法 | |
CN110942256B (zh) | 新能源厂站涉网端实时交互过程异常检测方法及系统 | |
CN112288153B (zh) | 小脑模型神经网络故障诊断器初值权重的自动选优方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |