CN117574782B - 基于变压器参数判断绕组材质的方法、装置、系统及介质 - Google Patents
基于变压器参数判断绕组材质的方法、装置、系统及介质 Download PDFInfo
- Publication number
- CN117574782B CN117574782B CN202410056335.9A CN202410056335A CN117574782B CN 117574782 B CN117574782 B CN 117574782B CN 202410056335 A CN202410056335 A CN 202410056335A CN 117574782 B CN117574782 B CN 117574782B
- Authority
- CN
- China
- Prior art keywords
- parameters
- transformer
- winding
- parameter data
- materials
- 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
- 239000000463 material Substances 0.000 title claims abstract description 92
- 238000004804 winding Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011176 pooling Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000010219 correlation analysis Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- JRBRVDCKNXZZGH-UHFFFAOYSA-N alumane;copper Chemical compound [AlH3].[Cu] JRBRVDCKNXZZGH-UHFFFAOYSA-N 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及一种基于变压器参数判断绕组材质的方法、装置、系统及介质,该方法包括:收集不同材质变压器的参数数据,所述参数数据包括空载损耗、空载电流、负载损耗、短路阻抗、高压绕组电阻、低压绕组电阻;对收集的参数数据进行预处理,以去除数据中的噪声和异常值;基于预处理后的参数数据,通过最大池化和平均池化进行参数特征提取,得到与绕组材质相关的特征参数;采用灰色关联与深度学习相结合的方法针对特征参数与绕组材质之间的关系构建判别模型;将新的变压器参数输入所述判别模型以判断绕组材质。本发明可以提供一种快速、准确和非破坏性的方式来确定绕组材质,有助于提高变压器的维护效率和电网运行的安全性和经济性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于变压器参数判断绕组材质的方法、装置、系统及介质。
背景技术
在变压器的设计和制造过程中,绕组材质的选择是决定其性能和可靠性的关键因素。绕组是变压器中的核心部件,其材质对于变压器的电气性能、机械强度、耐腐蚀性以及寿命等方面都有着直接的影响。因此,选择合适的绕组材质是变压器设计和制造过程中的一项重要任务。
然而,在实际运行中,由于绕组内部的结构和材质难以直接观察,确定绕组材质变得非常困难。目前的方法主要依赖于拆解变压器进行实验室测试,这种方法不仅耗时,而且对变压器造成了一定的破坏,增加了维修成本和停机时间。
发明内容
针对上述拆解变压器辨识绕组材质带来的破坏性问题,本发明提出了一种基于变压器参数判断绕组材质的方法、装置、系统及介质,基于变压器的电气特性和物理特性进行推断,能够非破坏性地检测变压器的绕组材质,并且能够提供较为准确的检测结果。
本发明采用如下技术方案实现:
一种基于变压器参数判断绕组材质的方法,包括以下步骤:
收集不同材质变压器的参数数据,所述参数数据包括空载损耗、空载电流、负载损耗、短路阻抗、高压绕组电阻、低压绕组电阻;
对收集的参数数据进行预处理,以去除数据中的噪声和异常值;
基于预处理后的参数数据,通过最大池化和平均池化进行参数特征提取,得到与绕组材质相关的特征参数;
采用灰色关联与深度学习相结合的方法针对特征参数与绕组材质之间的关系构建判别模型;
将新的变压器参数输入所述判别模型以判断绕组材质。
进一步的,所述收集不同材质变压器的参数数据具体采用变压器空负载损耗测试仪、变压器直流电阻测试仪进行收集。
进一步的,所述对收集的参数数据进行预处理包括滤波、去噪和归一化。
进一步的,所述采用灰色关联与深度学习相结合的方法针对特征参数与绕组材质之间的关系构建判别模型,具体包括:
采用灰色关联分析得到各参数数据与变压器绕组材质之间关系的强弱,进而得到各参数数据的影响权重;
划分参数的特征域,通过计算新参数与参数的特征域之间的欧式距离,确定新参数与真实数据的重合度,采用3西格玛原则将重合度量化,将量化后的重合度与采用灰色关联分析计算得到的影响权重共同输入softmax函数中进行处理,得到归一化后的材质判别概率。
一种基于变压器参数判断绕组材质的装置,包括传感器、数据采集系统、预处理模块、特征提取模块、判别模型构建模块和结果输出模块;
传感器,用于收集不同材质变压器的参数数据,所述参数数据包括空载损耗、空载电流、负载损耗、短路阻抗、高压绕组电阻、低压绕组电阻;
预处理模块,用于对收集的参数数据进行预处理,以去除数据中的噪声和异常值;
特征提取模块,用于基于预处理后的参数数据,通过最大池化和平均池化进行参数特征提取,得到与绕组材质相关的特征参数;
判别模型构建模块,用于采用灰色关联与深度学习相结合的方法针对特征参数与绕组材质之间的关系构建判别模型;
结果输出模块,用于将新的变压器参数输入所述判别模型以判断绕组材质。
进一步的,所述传感器包括变压器空负载损耗测试仪、变压器直流电阻测试仪。
进一步的,所述预处理模块具体用于对收集的参数数据进行预处理包括滤波、去噪和归一化。
进一步的,所述判别模型构建模块,具体用于:
采用灰色关联分析得到各参数数据与变压器绕组材质之间关系的强弱,进而得到各参数数据的影响权重;
划分参数的特征域,通过计算新参数与参数的特征域之间的欧式距离,确定新参数与真实数据的重合度,采用3西格玛原则将重合度量化,将量化后的重合度与采用灰色关联分析计算得到的影响权重共同输入softmax函数中进行处理,得到归一化后的材质判别概率。
一种基于变压器参数判断绕组材质的系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行所述的基于变压器参数判断绕组材质的方法。
一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于变压器参数判断绕组材质的方法。
相比传统的实验室测试方法,本发明提出的基于变压器参数处理方法判断绕组材质的技术具有以下优势:
1. 非破坏性:该方法不需要对变压器进行拆解,可以在变压器正常运行的情况下进行检测;
2. 快速准确:本发明采用图像处理领域数据特征提取技术和灰色关联分析结合的方法,通过对变压器参数的处理和分析,可以快速得出绕组材质的判断结果,提高检测效率,在本发明中将这两种方法结合一是可以提取各参数单独的特征,二是可以发现参数间的联系,这样既考虑参数本身又将其他参数与自身联系起来,能够更有效的突出同一材质的性质;
3. 自动化:利用机器学习或统计分析方法建立判别模型,可以实现自动化的绕组材质判断,减少人工干预。
附图说明
图1是本发明一种基于变压器参数判断绕组材质的方法其中一个实施例的流程图;
图2是本发明一种基于变压器参数判断绕组材质的方法的工作原理图;
图3是本发明变压器绕组材质判别模型示意图;
图4 是本发明灰色关联分析与深度学习结合的原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-4,本发明第一方面提供一种基于变压器参数判断绕组材质的方法,包括如下步骤:
(1) 收集不同材质变压器的参数数据,所述参数数据包括空载损耗(W)、空载电流(%)、负载损耗(W)、短路阻抗(%)、高压绕组电阻(Ω、高压AB)、低压绕组电阻(mΩ、低压bo)。
收集变压器的参数数据需要采用专用设备采集,本实施例专用设备包括变压器空负载损耗测试仪、变压器直流电阻测试仪。
收集到的实例数据如表1所示。
表1 采集到的若干台变压器参数
(2) 对收集到的参数数据进行预处理,包括滤波、去噪和归一化。
该步骤是为了将采集到的异常数据进行剔除,采用机器学习算法学习同类材质变压器的参数特点,区分不同材质的参数差异,为变压器绕组材质辨识奠定基础。
对所有类别的数据进行滤波,采用3西格玛原则对同一类别数据中过大或者过小的值进行剔除去噪,得到表2所示数据;
表2 去噪后的变压器数据
(3) 提取特征参数,通过对预处理后的数据进行特征提取,得到与绕组材质相关的特征参数。提取特征可以采用最大池化和平均池化提取变压器绕组参数特征,采用最大池化和平均池化可以将绕组参数中最明显的特征提取出来,以区分不同材质间的差异。
池化作为卷积神经网络的一个操作,需要选择池化卷积核的大小,本实例选择卷积核大小为2×2,对变压器参数进行两种池化操作得到最大池化和平均池化后的数据如表3和表4所示。
表3 最大池化后的变压器参数
表4 平均池化后的变压器参数
(4) 构建判别模型,利用机器学习或统计分析方法,建立一个判别模型,将特征参数与绕组材质之间的关系进行建模。本发明实施例采用灰色关联与深度学习相结合的方法构建判别模型,如图3所示。
灰色关联分析是灰色关联度分析(Grey Relation Analysis,GRA),是一种多因素统计分析的方法,在本发明中采用该方法能够得到各种变压器参数与变压器绕组材质之间关系的强弱,为变压器绕组材质的多维度辨识提供参考。
灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越接近,相应序列之间的关联度就越大,反之就越小。灰色关联分析的原理如下:
(1)确定目序列和子序列。目序列是能反映系统行为特征的数据序列,类似于因变量Y,记为X0;子序列是指影响系统行为的因素组成的数据序列,类似于因变量X,记为(x0,x1,x2,…xm)。
(2)数据预处理。因为我们的这些要素是不同质的东西的指标,因此可能会有的数字很大有的数字很小,但是这并不是由于它们内禀的性质决定的,而只是由于量纲不同导致的,因此我们需要对它们进行无量纲化。这个操作一般在数据处理领域叫做归一化(normalization),也就是减少数据的绝对数值的差异,将它们统一到近似的范围内,然后重点关注其变化和趋势,所以我们要对数据进行去量钢化处理。基本思想是:定义序列:
x=(x(1),x(2),…x(n))
映射成:
可采用初值化进行无量纲化处理,顾名思义,就是把这一个序列的数据统一除以最开始的值,由于同一个因素的序列的量级差别不大,所以通过除以初值就能将这些值都整理到1这个量级附近。公式:
(3)计算灰色关联度系数。计算公式如下:
对上式进行说明:
将i看作固定值时,上式变为:
对于某一个因素,其中的每个维度进行计算,得到一个新的序列,这个序列中的每个点就代表着该子序列与母序列对应维度上的关联性(数字越大,代表关联性越强)。
其实对于某一因素的所有维度与参考序列对应维度的距离求的min或max是一个固定值,也就是是一个常数,上式变为:
考虑所有因素的情况,此时公式变为:
可以看到,分子还在对所有因素的每一维度(每一列)求最小值和最大值,则它也是一个常数。对应公式如下:
(4)计算各参数与变压器材质间的关联度
将步骤3中提取到的参数特征与灰色关联分析得到的影响权重结合起来,输入softmax函数进行数据处理,由softmax函数输出最终的材质判别概率,构成判别变压器绕组材质的模型。
采用灰色关联分析可以确定各个变压器参数对于变压器材质影响的大小程度,分析各个参数与变压器材质的关系紧密程度。灰色关联分析最终计算得到的结果为各个参数与变压器材质的灰色关联度,通过灰色关联度确定各个参数的影响权重,该权重用来综合判断变压器绕组材质是铜或铝的概率。结合提取的各个参数特征,采用3西格玛原则计算新的变压器参数与特征参数间的欧式距离,该欧式距离表示新的变压器参数偏离样本的程度,用概率表示。
选定空载损耗为母序列,其他参数为子序列,求得各参数的灰色关联度如表5所示。
表5 各参数灰色关联度
对关联度归一化得到各参数的影响权重如表6所示。
表6 归一化后的各参数影响权重
(5) 用已有的铜铝变压器参数训练模型,提高·模型的预测准确度,用测试数据集验证模型的有效性;
(6) 输入新的变压器参数,判断绕组材质,根据判别模型,对新的变压器参数进行处理和分析,得出绕组材质的判断结果。
输入新的变压器参数,见表7:
表7
经过程序运行,Softmax输出结果:
铜:93.6%。
本发明实施例还提供一种基于变压器参数判断绕组材质的装置,包括传感器、数据采集系统、预处理模块、特征提取模块、判别模型构建模块和结果输出模块;
传感器,用于收集不同材质变压器的参数数据,所述参数数据包括空载损耗、空载电流、负载损耗、短路阻抗、高压绕组电阻、低压绕组电阻;
预处理模块,用于对收集的参数数据进行预处理,以去除数据中的噪声和异常值;
特征提取模块,用于基于预处理后的参数数据,通过最大池化和平均池化进行参数特征提取,得到与绕组材质相关的特征参数;
判别模型构建模块,用于采用灰色关联与深度学习相结合的方法针对特征参数与绕组材质之间的关系构建判别模型;
结果输出模块,用于将新的变压器参数输入所述判别模型以判断绕组材质。
所述判别模型构建模块具体用于:
采用灰色关联分析得到各参数数据与变压器绕组材质之间关系的强弱,进而得到各参数数据的影响权重;
划分参数的特征域,通过计算新参数与参数的特征域之间的欧式距离,确定新参数与真实数据的重合度,采用3西格玛原则将重合度量化,将量化后的重合度与采用灰色关联分析计算得到的影响权重共同输入softmax函数中进行处理,得到归一化后的材质判别概率。
本发明另一方面提供了一种基于变压器参数判断绕组材质的系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行第一方面所述的基于变压器参数判断绕组材质的方法。
本发明另一方面提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面所述的基于变压器参数判断绕组材质的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于变压器参数判断绕组材质的方法,其特征在于,包括以下步骤:
收集不同材质变压器的参数数据,所述参数数据包括空载损耗、空载电流、负载损耗、短路阻抗、高压绕组电阻、低压绕组电阻;
对收集的参数数据进行预处理,以去除数据中的噪声和异常值;
基于预处理后的参数数据,通过最大池化和平均池化进行参数特征提取,得到与绕组材质相关的特征参数;
采用灰色关联与深度学习相结合的方法针对特征参数与绕组材质之间的关系构建判别模型;
将新的变压器参数输入所述判别模型以判断绕组材质;
所述采用灰色关联与深度学习相结合的方法针对特征参数与绕组材质之间的关系构建判别模型,具体包括:
采用灰色关联分析得到各参数数据与变压器绕组材质之间关系的强弱,进而得到各参数数据的影响权重;
划分参数的特征域,通过计算新参数与参数的特征域之间的欧式距离,确定新参数与真实数据的重合度,采用3西格玛原则将重合度量化,将量化后的重合度与采用灰色关联分析计算得到的影响权重共同输入softmax函数中进行处理,得到归一化后的材质判别概率。
2.根据权利要求1所述的基于变压器参数判断绕组材质的方法,其特征在于,所述收集不同材质变压器的参数数据具体采用变压器空负载损耗测试仪、变压器直流电阻测试仪进行收集。
3.根据权利要求1所述的基于变压器参数判断绕组材质的方法,其特征在于,所述对收集的参数数据进行预处理包括滤波、去噪和归一化。
4.一种基于变压器参数判断绕组材质的装置,其特征在于,包括传感器、数据采集系统、预处理模块、特征提取模块、判别模型构建模块和结果输出模块;
传感器,用于收集不同材质变压器的参数数据,所述参数数据包括空载损耗、空载电流、负载损耗、短路阻抗、高压绕组电阻、低压绕组电阻;
预处理模块,用于对收集的参数数据进行预处理,以去除数据中的噪声和异常值;
特征提取模块,用于基于预处理后的参数数据,通过最大池化和平均池化进行参数特征提取,得到与绕组材质相关的特征参数;
判别模型构建模块,用于采用灰色关联与深度学习相结合的方法针对特征参数与绕组材质之间的关系构建判别模型;
结果输出模块,用于将新的变压器参数输入所述判别模型以判断绕组材质;
所述判别模型构建模块,具体用于:
采用灰色关联分析得到各参数数据与变压器绕组材质之间关系的强弱,进而得到各参数数据的影响权重;
划分参数的特征域,通过计算新参数与参数的特征域之间的欧式距离,确定新参数与真实数据的重合度,采用3西格玛原则将重合度量化,将量化后的重合度与采用灰色关联分析计算得到的影响权重共同输入softmax函数中进行处理,得到归一化后的材质判别概率。
5.根据权利要求4所述的基于变压器参数判断绕组材质的装置,其特征在于,所述传感器包括变压器空负载损耗测试仪、变压器直流电阻测试仪。
6.根据权利要求4所述的基于变压器参数判断绕组材质的装置,其特征在于,所述预处理模块具体用于对收集的参数数据进行预处理包括滤波、去噪和归一化。
7.一种基于变压器参数判断绕组材质的系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1-3中任一项所述的基于变压器参数判断绕组材质的方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-3中任一项所述的基于变压器参数判断绕组材质的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056335.9A CN117574782B (zh) | 2024-01-16 | 2024-01-16 | 基于变压器参数判断绕组材质的方法、装置、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056335.9A CN117574782B (zh) | 2024-01-16 | 2024-01-16 | 基于变压器参数判断绕组材质的方法、装置、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574782A CN117574782A (zh) | 2024-02-20 |
CN117574782B true CN117574782B (zh) | 2024-04-02 |
Family
ID=89886561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410056335.9A Active CN117574782B (zh) | 2024-01-16 | 2024-01-16 | 基于变压器参数判断绕组材质的方法、装置、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574782B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009025153A (ja) * | 2007-07-19 | 2009-02-05 | Central Res Inst Of Electric Power Ind | 変圧器の異常様相同定方法 |
JP2009170594A (ja) * | 2008-01-15 | 2009-07-30 | Jfe Steel Corp | 油入変圧器の余寿命診断方法 |
CN105445657A (zh) * | 2015-11-26 | 2016-03-30 | 国家电网公司 | 基于灰色关联度分析的断路器操作机构状态诊断方法 |
CN111797566A (zh) * | 2020-05-27 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种表征变压器健康状态的关键特征量确定方法和系统 |
CN113592359A (zh) * | 2021-08-20 | 2021-11-02 | 国网浙江省电力有限公司检修分公司 | 电力变压器的健康度评价方法和装置 |
CN114878640A (zh) * | 2021-11-15 | 2022-08-09 | 中国电力科学研究院有限公司 | 一种用于配电变压器绕组材质鉴别的方法及系统 |
CN114925718A (zh) * | 2022-04-02 | 2022-08-19 | 国电南瑞科技股份有限公司 | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 |
CN115393624A (zh) * | 2022-07-27 | 2022-11-25 | 云南电网有限责任公司楚雄供电局 | 一种基于机器视觉的配电变压器参数检定方法 |
CN115687969A (zh) * | 2022-10-11 | 2023-02-03 | 中能瑞通(北京)科技有限公司 | 一种基于声音特征分析的低压变压器故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230051237A1 (en) * | 2021-08-10 | 2023-02-16 | Volkswagen Aktiengesellschaft | Determining material properties based on machine learning models |
US20240013516A1 (en) * | 2022-07-06 | 2024-01-11 | Tata Consultancy Services Limited | Method and system for deep learning based image feature extraction |
-
2024
- 2024-01-16 CN CN202410056335.9A patent/CN117574782B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009025153A (ja) * | 2007-07-19 | 2009-02-05 | Central Res Inst Of Electric Power Ind | 変圧器の異常様相同定方法 |
JP2009170594A (ja) * | 2008-01-15 | 2009-07-30 | Jfe Steel Corp | 油入変圧器の余寿命診断方法 |
CN105445657A (zh) * | 2015-11-26 | 2016-03-30 | 国家电网公司 | 基于灰色关联度分析的断路器操作机构状态诊断方法 |
CN111797566A (zh) * | 2020-05-27 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种表征变压器健康状态的关键特征量确定方法和系统 |
CN113592359A (zh) * | 2021-08-20 | 2021-11-02 | 国网浙江省电力有限公司检修分公司 | 电力变压器的健康度评价方法和装置 |
CN114878640A (zh) * | 2021-11-15 | 2022-08-09 | 中国电力科学研究院有限公司 | 一种用于配电变压器绕组材质鉴别的方法及系统 |
CN114925718A (zh) * | 2022-04-02 | 2022-08-19 | 国电南瑞科技股份有限公司 | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 |
CN115393624A (zh) * | 2022-07-27 | 2022-11-25 | 云南电网有限责任公司楚雄供电局 | 一种基于机器视觉的配电变压器参数检定方法 |
CN115687969A (zh) * | 2022-10-11 | 2023-02-03 | 中能瑞通(北京)科技有限公司 | 一种基于声音特征分析的低压变压器故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
Current Situation Analysis for the Identification and On-line Monitoring of Distribution Transformer Winding Materials;Cuicui Jin et al;2021 8th International Forum on Electrical Engineering and Automation (IFEEA);20211231;99-102 * |
一种用于配电变压器绕组材质诊断的新方法;何良;刘隆晨;毛强;;四川电力技术;20151220(第06期);51-54 * |
基于层次灰关联分析的变压器状态评估关键指标体系构建及应用;宋人杰;刘瑞英;刘耀伟;吴启龙;曹明;;高电压技术;20180828(第08期);83-89 * |
基于电阻频响法的绕组材质无损检测技术研究;吴燕等;电测与仪表;20200725;第57卷(第14期);76-82 * |
配电变压器大数据检测新方法鉴别绕组材质和容量;郑志曜;李志;高一波;袁衢龙;余绍峰;陈建军;;电力大数据;20180821(第08期);37-43 * |
配电变压器容量和型号检测方法的探讨;熊虎等;湖北电力;20151231;第39卷(第12期);36-39 * |
Also Published As
Publication number | Publication date |
---|---|
CN117574782A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931868B (zh) | 时间序列数据异常检测方法和装置 | |
CN116975771B (zh) | 一种用于电机生产的异常自动识别方法及系统 | |
CN112179691A (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
CN112668870B (zh) | 一种核电厂设备状态在线智能监测方法及计算机终端 | |
WO2024065777A1 (en) | Method, apparatus, electronic device, and storage medium for diagnosing industrial fault | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
CN117370871B (zh) | 一种特种钢材的质量分析方法与系统 | |
CN117574782B (zh) | 基于变压器参数判断绕组材质的方法、装置、系统及介质 | |
CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
CN115221963B (zh) | 一种数据驱动的核级管道共振故障检测方法和系统 | |
CN116307264A (zh) | 一种统计电力变压器全寿命周期内碳排放量的方法及系统 | |
CN116338545A (zh) | 电流互感器计量误差状态识别方法、系统、设备及介质 | |
CN113204894B (zh) | 一种电能计量异常诊断模型的构建方法及应用 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN115186581A (zh) | 一种发动机水温故障预测方法、装置及存储介质 | |
CN115452957A (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN113869194A (zh) | 基于深度学习的变参数铣削加工过程信号标记方法及系统 | |
Zhao et al. | Classification of transformer winding deformation fault types by FRA polar plot and multiple SVM classifiers | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 | |
CN118500537B (zh) | 一种变压器振动分析方法 | |
CN117647697B (zh) | 一种基于知识图谱的电力计量流水线故障定位方法及系统 | |
CN117992776B (zh) | 基于人工智能的电网设备健康状态实时预测方法 | |
CN116449204B (zh) | 用于对置活塞磁力线性发电机的故障检测方法及相关装置 | |
CN117691756B (zh) | 配电柜的安全预警管理方法及系统 |
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 |