CN116755000A - 一种变压器故障快速识别装置及方法 - Google Patents
一种变压器故障快速识别装置及方法 Download PDFInfo
- Publication number
- CN116755000A CN116755000A CN202310476150.9A CN202310476150A CN116755000A CN 116755000 A CN116755000 A CN 116755000A CN 202310476150 A CN202310476150 A CN 202310476150A CN 116755000 A CN116755000 A CN 116755000A
- Authority
- CN
- China
- Prior art keywords
- transformer
- data
- representing
- squirrel
- parameter
- 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 26
- 238000003745 diagnosis Methods 0.000 claims abstract description 59
- 241000555745 Sciuridae Species 0.000 claims abstract description 40
- 238000012706 support-vector machine Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 15
- 150000001875 compounds Chemical class 0.000 claims abstract description 8
- 239000007789 gas Substances 0.000 claims description 34
- 239000002131 composite material Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 244000062645 predators Species 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 4
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 3
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 3
- 239000005977 Ethylene Substances 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0047—Organic compounds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/005—H2
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明设计一种变压器故障快速识别装置及方法，属于变压器故障诊断领域；提出一种变压器故障快速识别装置，具体包括：数据采集模块、数据处理模块以及数据通信模块；基于装置，提出了识别方法，首先通过数据采集模块中气体传感器对油中溶解气体数据进行采集，生成数据集；基于数据集，利用复合松鼠算法对支持向量机超参数寻优，得到优化变压器故障诊断模型，并对变压器运行状态进行判断，输出诊断结果；将诊断结果输入到数据通信模块，当数据处理模块输出变压器故障诊断结果为除正常以外状态时，报警器工作，上位机通过显示器将诊断结果实时传递给工作人员；本发明提高寻找超参数效率的同时提高超参数确定精度，进而提高变压器故障诊断精确度。
Description
技术领域
本发明属于变压器故障诊断领域，具体涉及一种变压器故障快速识别装置及方法。
背景技术
煤炭是最重要的能源，煤炭作为人民生产生活的主要消耗能源，其开采工作常伴随频繁的安全事故，其中变压器是故障发生率最高的部分之一。由于变压器工作在较为恶劣的环境，再加上其复杂的内部构造等因素，发生故障的几率较大，及时准确地定位故障发生的部位，了解故障发生的原因，进而进行维修是确保电力变压器安全稳定运行的关键，故障诊断方法的研究与应用则为其提供了重要的基础和保障。
故障诊断的现有研究方法主要有人工神经网络、模糊理论、支持向量机等，这些方法弥补了传统DGA方法的不足，但同时对历史经验数据有很大的依赖性，且需要相关专家经验才能得到相应结果，很难得到准确快速的结果。
目前，电力变压器故障诊断方法的研究还存在不足与局限，比如1.考虑因素较为单一，并未充分利用电力变压器的检修历史、缺陷信息、家族质量史以及全面运行工况等状态信息；2.数据监测技术的局限性以及知识的不精确性等原因致使信息具有模糊性、随机性等特征，进而导致电力变压器故障诊断的准确性和时效性未达到实际应用的要求。
发明内容
针对现有技术的不足，本发明提供一种变压器故障快速识别装置及方法；装置中数据采集模块包含气体传感器，收集数据并通过A/D模数转换器构建数据集，然后经微处理器进行数据预处理；数据处理模块运行复合松鼠算法优化支持向量机模型程序，来判断变压器运行状态；状态信息通过数据通讯模块控制报警器与显示器，用于将变压器运行状态传递给工作人员；本发明通过数据归一化来消除数据量纲影响，采用核主成分分析来剔除冗余特征，加快模型诊断速度；融合对数策略、自适应策略、反向学习与高斯变异策略提高松鼠算法跳出局部最优能力，提高了对支持向量机惩罚因子与核函数参数搜索精度，进而提高模型诊断准确率。
一种变压器故障快速识别装置，具体包括：数据采集模块、数据处理模块以及数据通信模块；
所述数据采集模块包含：甲烷、乙烷、乙烯、乙炔、氢气共五种气体传感器、A/D模数转换器和微处理器；通过A/D模数转换把传感器获得气体数据转换为变压器油中溶解气体比值数据集，并利用微处理器对其进行预处理；所述预处理包括数据划分、归一化处理、核主成分分析特征筛选；
所述数据处理模块包含处理器运行复合松鼠算法优化支持向量机模型程序，通过复合松鼠算法对支持向量机进行迭代调参，得到优化变压器故障诊断模型并对变压器运行状态进行判断，诊断结果最终发送给数据通信模块；
所述数据通信模块包含上位机、报警器和显示器；当数据处理模块输出变压器故障诊断结果为除正常以外状态时，报警器工作；上位机通过显示器将诊断结果实时传递给工作人员。
一种变压器故障快速识别方法，基于上述一种变压器故障快速识别装置实现，具体包括以下步骤：
步骤1：通过数据采集模块中气体传感器对油中溶解气体数据进行采集，通过A/D模数转换把传感器获得油中溶解气体数据转化为比值数据集，并利用微处理器对其进行预处理，生成数据集Z，降低冗余；
所述利用微处理器对气体比值数据集进行预处理的过程如下：
基于油中溶解气体分析法，对气体比值数据集归一化生成特征集X'＝[x1',x'2,...,x'n]；然后利用核主成分分析对气体特征贡献度排序，形成最终数据集Z＝[z1,z2,...,zk]，具体公式如下：
式中：xij为第i个样本中第j个分量；X'ij为归一化后的数据；表示非线性映射，K为核矩阵，In为n维单位矩阵的1/n；对K中心化得到/>对协方差特征分解，利用特征值λ计算累计方差贡献度，得到最大的k个特征值，结合协方差特征分解的特征向量η得到降维后的数据集Z；
步骤2：基于步骤1得到的预处理后得到的数据集Z，利用复合松鼠算法对支持向量机超参数寻优，得到优化变压器故障诊断模型，并对变压器运行状态进行判断，输出诊断结果；
复合松鼠算法优化支持向量机模型流程如下：
S1初始化阶段，设定松鼠参数位置数量n；将惩罚因子和核函数表示松鼠参数维度位置，所有参数位置如下：
其中，xn2表示在第2维度第n个松鼠参数的位置；
S2适应度计算阶段，将变压器故障诊断失误率作为适应度函数f，计算每个松鼠参数位置适应度：
根据上述计算的适应度值，按适应度值大小升序排列松鼠参数位置，并按此顺序分配到超参数子集FSh、FSa和FSn，其中FSh代表全局最优参数位置，FSa代表局部最优参数位置；其余则分配给FSn；
S3超参数定位阶段；引入对数策略与自适应策略，其中FSa、FSn松鼠更新方式如下：
式中，R为随机数，它在[0,1]范围内服从均匀分布；dg为参数距离，Gc为故障权重系数，a＝1决定位置路径形状，p为[-1,1]中的随机数；t为当前迭代次数，itermax为最大迭代次数；eal表示随迭代次数变化量，表示当前局部最优个体迭代位置，/>表示下次迭代局部最优个体迭代位置，/>同理。其中Pdp表示捕食者概率，Pmax和Pmin分别是捕食者概率的最大值和最小值；
其中FSn分为子集A与子集B，其参数位置更新如下：
S4反向学习与高斯变异阶段，针对搜索点FSh附近存在更优参数位置，采用一种融合反向学习与高斯变异的混合策略对全局最优参数位置FSh进行定位，具体公式如下：
其中，表示新搜索到的参数位置，Gauss(0,1)是满足高斯分布的随机变量，表示随机反向参数位置，lb、ub表示上下界，rand表示随机数；
至此得到优化变压器故障诊断模型，并对变压器运行状态进行判断，输出诊断结果；
步骤3：将步骤2得到的诊断结果输入到数据通信模块，当数据处理模块输出变压器故障诊断结果为除正常以外状态时，报警器工作，上位机通过显示器将诊断结果实时传递给工作人员。
本发明有益技术效果：
本发明采用的对油中溶解气体数据进行预处理方法，包括数据归一化消除量纲影响，采用KPCA核主成分分析，降低数据特征冗余，提高模型诊断效率。本发明采用融合对数螺线策略与捕食者概率自适应策略的松鼠算法，减弱算法迭代末期因个体高度近似问题，捕食者概率自适应策略使算法可以跳出当前停滞；采用的混合反向学习与高斯变异策略的松鼠算法，有效提高寻找超参数效率的同时提高超参数确定的精度，进而提高变压器故障诊断模型精确度。
附图说明
图1为本发明实施例提供的一种变压器故障快速识别方法示意图；
图2为本发明实施例提供的模块化变压器故障识别装置示意图。
图3为本发明实施例提供的单分类模型变压器故障诊断结果；
图4为本发明实施例提供复合松鼠算法优化支持向量机模型的变压器故障诊断结果。
具体实施方式
下面根据附图和实施例对本发明做进一步说明；
一种变压器故障快速识别装置，如附图2所示，具体包括：数据采集模块、数据处理模块以及数据通信模块；
所述数据采集模块包含：甲烷、乙烷、乙烯、乙炔、氢气共五种气体传感器、A/D模数转换器和微处理器；通过A/D模数转换把传感器获得气体数据转换为变压器油中溶解气体比值数据集，并利用微处理器对其进行预处理；所述预处理包括数据划分、归一化处理、核主成分分析特征筛选；
所述数据处理模块包含处理器运行复合松鼠算法优化支持向量机模型程序，通过复合松鼠算法对支持向量机进行迭代调参，得到优化变压器故障诊断模型并对变压器运行状态进行判断，诊断结果最终发送给数据通信模块；
所述数据通信模块包含上位机、报警器和显示器；当数据处理模块输出变压器故障诊断结果为除正常以外状态时，报警器工作；上位机通过显示器将诊断结果实时传递给工作人员。
一种变压器故障快速识别方法，基于上述一种变压器故障快速识别装置实现，如附图1所示，具体包括以下步骤：
步骤1：通过数据采集模块中气体传感器对油中溶解气体数据进行采集，通过A/D模数转换把传感器获得油中溶解气体数据转化为比值数据集，并利用微处理器对其进行预处理，生成数据集Z，降低冗余；
所述利用微处理器对气体比值数据集进行预处理的过程如下：
基于油中溶解气体分析法，对气体比值数据集归一化生成特征集X'＝[x1',x'2,...,x'n]；然后利用核主成分分析对气体特征贡献度排序，形成最终数据集Z＝[z1,z2,...,zk]，具体公式如下：
式中：xij为第i个样本中第j个分量；X'ij为归一化后的数据；表示非线性映射，K为核矩阵，In为n维单位矩阵的1/n；对K中心化得到/>对协方差特征分解，利用特征值λ计算累计方差贡献度，得到最大的k个特征值，结合协方差特征分解的特征向量η得到降维后的数据集Z；
步骤2：基于步骤1得到的预处理后得到的数据集Z，利用复合松鼠算法对支持向量机超参数寻优，得到优化变压器故障诊断模型，并对变压器运行状态进行判断，输出诊断结果；
复合松鼠算法优化支持向量机模型流程如下：
S1初始化阶段，设定松鼠参数位置数量n，n根据情况自由设置；将惩罚因子和核函数表示松鼠参数维度位置，所有参数位置如下：
其中，xn2表示在第2维度第n个松鼠参数的位置；
S2适应度计算阶段，将变压器故障诊断失误率作为适应度函数f，计算每个松鼠参数位置适应度：
根据上述计算的适应度值，按适应度值大小升序排列松鼠参数位置，并按此顺序分配到超参数子集FSh、FSa和FSn，其中FSh代表全局最优参数位置，FSa代表局部最优参数位置；其余则分配给FSn；
S3超参数定位阶段；引入对数策略与自适应策略，其中FSa、FSn松鼠更新方式如下：
式中，R为随机数，它在[0,1]范围内服从均匀分布；dg为参数距离，Gc为故障权重系数，a＝1决定位置路径形状，p为[-1,1]中的随机数；t为当前迭代次数，itermax为最大迭代次数；eal表示随迭代次数变化量，表示当前局部最优个体迭代位置，/>表示下次迭代局部最优个体迭代位置，/>同理。其中Pdp表示捕食者概率，Pmax和Pmin分别是捕食者概率的最大值和最小值，取值分别为：0.15和0.02。
其中FSn分为子集A与子集B，其参数位置更新如下：
S4反向学习与高斯变异阶段，针对搜索点FSh附近存在更优参数位置，采用一种融合反向学习与高斯变异的混合策略对全局最优参数位置FSh进行定位，具体公式如下：
其中，表示新搜索到的参数位置，Gauss(0,1)是满足高斯分布的随机变量，表示随机反向参数位置，lb、ub表示上下界，rand表示随机数；
至此得到优化变压器故障诊断模型，并对变压器运行状态进行判断，输出诊断结果；
步骤3：将步骤2得到的诊断结果输入到数据通信模块，当数据处理模块输出变压器故障诊断结果为除正常以外状态时，报警器工作，上位机通过显示器将诊断结果实时传递给工作人员。
本实施例中，如表1所示，从传感器获得的1200组数据中随机选取780组样本数据,并按5：1的比例分为训练样本R和测试样本T，进行单支持向量机模型与复合松鼠算法优化的支持向量机模型下故障诊断对比实验，分别以编号1、2、3、4、5、6表示变压器正常运行、低能放电、高能放电、中低温过热、高温过热与局部放电；
表1变压器油中溶解气体数据分布；
同上述模型流程：
采用训练集R训练直至适应度函数值最小时输出最优超参数，构建复合松鼠算法的最优故障诊断模型，适应度函数如下式所示；
式中：N表示样本总数，nT表示预测正确的个数,其中f表示变压器故障诊断失误率。
使用测试集T评价复合松鼠算法优化第二模型的变压器故障诊断模型性能,输出故障诊断结果见图3、图4。分析实验结果可知，针对测试集的共156组变压器油中溶解气体数据，复合松鼠算法的优化模型故障诊断精度较单算法模型模型故障诊断精度提升11.58％，验证了复合松鼠算法优化下的有效性。
Claims (4)
1.一种变压器故障快速识别装置，其特征在于，具体包括：数据采集模块、数据处理模块以及数据通信模块；
所述数据采集模块包含：甲烷、乙烷、乙烯、乙炔、氢气共五种气体传感器、A/D模数转换器和微处理器；通过A/D模数转换把传感器获得气体数据转换为变压器油中溶解气体比值数据集，并利用微处理器对其进行预处理；所述预处理包括数据划分、归一化处理、核主成分分析特征筛选；
所述数据处理模块包含处理器运行复合松鼠算法优化支持向量机模型程序，通过复合松鼠算法对支持向量机进行迭代调参，得到优化变压器故障诊断模型并对变压器运行状态进行判断，诊断结果最终发送给数据通信模块；
所述数据通信模块包含上位机、报警器和显示器；当数据处理模块输出变压器故障诊断结果为除正常以外状态时，报警器工作；上位机通过显示器将诊断结果实时传递给工作人员。
2.一种变压器故障快速识别方法，基于上述权利要求1一种变压器故障快速识别装置实现，其特征在于，具体包括以下步骤：
步骤1：通过数据采集模块中气体传感器对油中溶解气体数据进行采集，通过A/D模数转换把传感器获得油中溶解气体数据转化为比值数据集，并利用微处理器对其进行预处理，生成数据集Z；
步骤2：基于步骤1得到的预处理后得到的数据集Z，利用复合松鼠算法对支持向量机超参数寻优，得到优化变压器故障诊断模型，并对变压器运行状态进行判断，输出诊断结果；
步骤3：将步骤2得到的诊断结果输入到数据通信模块，当数据处理模块输出变压器故障诊断结果为除正常以外状态时，报警器工作，上位机通过显示器将诊断结果实时传递给工作人员。
3.根据权利要求2所述的一种变压器故障快速识别方法，其特征在于，步骤1所述利用微处理器对气体比值数据集进行预处理的过程如下：
基于油中溶解气体分析法，对气体比值数据集归一化生成特征集X'＝[x1',x'2,...,x'n]；然后利用核主成分分析对气体特征贡献度排序，形成最终数据集Z＝[z1,z2,...,zk]，具体公式如下：
式中：xij为第i个样本中第j个分量；X'ij为归一化后的数据；表示非线性映射，K为核矩阵，In为n维单位矩阵的1/n；对K中心化得到/> 对协方差特征分解，利用特征值λ计算累计方差贡献度，得到最大的k个特征值，结合协方差特征分解的特征向量η得到降维后的数据集Z。
4.根据权利要求2所述的一种变压器故障快速识别方法，其特征在于，步骤2所述复合松鼠算法优化支持向量机模型流程如下：
S1初始化阶段，设定松鼠参数位置数量n；将惩罚因子和核函数表示松鼠参数维度位置，所有参数位置如下：
其中，xn2表示在第2维度第n个松鼠参数的位置；
S2适应度计算阶段，将变压器故障诊断失误率作为适应度函数f，计算每个松鼠参数位置适应度：
根据上述计算的适应度值，按适应度值大小升序排列松鼠参数位置，并按此顺序分配到超参数子集FSh、FSa和FSn，其中FSh代表全局最优参数位置，FSa代表局部最优参数位置；其余则分配给FSn；
S3超参数定位阶段；引入对数策略与自适应策略，其中FSa、FSn松鼠更新方式如下：
式中，R为随机数，它在[0,1]范围内服从均匀分布；dg为参数距离，Gc为故障权重系数，a＝1决定位置路径形状，p为[-1,1]中的随机数；t为当前迭代次数，itermax为最大迭代次数；eal表示随迭代次数变化量，表示当前局部最优个体迭代位置，/>表示下次迭代局部最优个体迭代位置；其中Pdp表示捕食者概率，Pmax和Pmin分别是捕食者概率的最大值和最小值；
其中FSn分为子集A与子集B，其参数位置更新如下：
S4反向学习与高斯变异阶段，针对搜索点FSh附近存在更优参数位置，采用一种融合反向学习与高斯变异的混合策略对全局最优参数位置FSh进行定位，具体公式如下：
其中，表示新搜索到的参数位置，Gauss(0,1)是满足高斯分布的随机变量，/>表示随机反向参数位置，lb、ub表示上下界，rand表示随机数；
至此得到优化变压器故障诊断模型，并对变压器运行状态进行判断，输出诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310476150.9A CN116755000A (zh) | 2023-04-28 | 2023-04-28 | 一种变压器故障快速识别装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310476150.9A CN116755000A (zh) | 2023-04-28 | 2023-04-28 | 一种变压器故障快速识别装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116755000A true CN116755000A (zh) | 2023-09-15 |
Family
ID=87948527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310476150.9A Pending CN116755000A (zh) | 2023-04-28 | 2023-04-28 | 一种变压器故障快速识别装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116755000A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150374A (zh) * | 2023-10-27 | 2023-12-01 | 国网江西省电力有限公司电力科学研究院 | 一种基于特征重要性排序的变压器故障辨识方法及系统 |
| CN118114101A (zh) * | 2024-04-30 | 2024-05-31 | 武汉理工大学 | 燃料电池故障诊断方法及系统 |
-
2023
- 2023-04-28 CN CN202310476150.9A patent/CN116755000A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117150374A (zh) * | 2023-10-27 | 2023-12-01 | 国网江西省电力有限公司电力科学研究院 | 一种基于特征重要性排序的变压器故障辨识方法及系统 |
| CN118114101A (zh) * | 2024-04-30 | 2024-05-31 | 武汉理工大学 | 燃料电池故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
| CN116755000A (zh) | 一种变压器故障快速识别装置及方法 | |
| CN106709820A (zh) | 一种基于深度置信网络的电力系统负荷预测方法及装置 | |
| CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及系统 | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
| CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
| Wang et al. | Power system fault classification and prediction based on a three-layer data mining structure | |
| CN111767657B (zh) | 一种核动力系统故障诊断方法和系统 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
| CN116562169A (zh) | 一种基于深度学习的电力变压器故障诊断方法 | |
| CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
| CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
| CN116263814A (zh) | 一种油浸式变压器故障诊断方法 | |
| CN117556059B (zh) | 一种基于知识融合与推理充电站数据的检测及矫正方法 | |
| CN117520809A (zh) | 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法 | |
| CN117312885A (zh) | 工作面瓦斯涌出的动态阈值划分及多因素预警算法模型 | |
| CN113705885B (zh) | 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统 | |
| CN111932008B (zh) | 一种可适用不同天气状况的船舶光伏输出功率预测方法 | |
| CN115496153A (zh) | 多头自注意力的深度卷积嵌入聚类风光荷联合场景方法 | |
| Jianli et al. | Wind power forecasting by using artificial neural networks and Grubbs criterion | |
| CN111443686A (zh) | 基于多目标优化与证据迭代更新的工业报警器设计方法 | |
| CN117829822B (zh) | 一种电力变压器故障预警方法及系统 |
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 |