JP2006308515A - Degradation diagnosing method for oil-filled electric apparatus - Google Patents
Degradation diagnosing method for oil-filled electric apparatus Download PDFInfo
- Publication number
- JP2006308515A JP2006308515A JP2005134155A JP2005134155A JP2006308515A JP 2006308515 A JP2006308515 A JP 2006308515A JP 2005134155 A JP2005134155 A JP 2005134155A JP 2005134155 A JP2005134155 A JP 2005134155A JP 2006308515 A JP2006308515 A JP 2006308515A
- Authority
- JP
- Japan
- Prior art keywords
- oil
- average
- filled electrical
- electrical equipment
- polymerization degree
- 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 88
- 230000015556 catabolic process Effects 0.000 title claims abstract description 17
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 13
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 153
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical compound O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 claims abstract description 55
- 238000003745 diagnosis Methods 0.000 claims abstract description 43
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 6
- 239000001257 hydrogen Substances 0.000 claims abstract description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 6
- 239000001301 oxygen Substances 0.000 claims abstract description 6
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 6
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 3
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims abstract description 3
- 230000006866 deterioration Effects 0.000 claims description 60
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 10
- -1 moisture content Chemical compound 0.000 claims description 3
- 238000009413 insulation Methods 0.000 abstract description 15
- 239000004615 ingredient Substances 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 61
- 239000000123 paper Substances 0.000 description 42
- 238000003672 processing method Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 11
- 229920002678 cellulose Polymers 0.000 description 7
- 239000001913 cellulose Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 239000011810 insulating material Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000007872 degassing Methods 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000011162 core material Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000002655 kraft paper Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Testing Relating To Insulation (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
Description
本発明は、油入変圧器等の絶縁紙の平均重合度を推定して油入電気機器の劣化を診断する劣化診断方法に関するものである。 The present invention relates to a deterioration diagnosis method for diagnosing deterioration of an oil-filled electrical device by estimating an average degree of polymerization of insulating paper such as an oil-filled transformer.
一般に、油入変圧器等の油入電気機器に使われている材料には、以下のようなものがある。
(1)銅、アルミニウム等の導電材料
(2)絶縁油や絶縁紙、プレスボード等の絶縁材料
(3)けい素鋼帯等の鉄心材料
(4)鉄やステンレス鋼等の構造材料
これらの材料のうち、油入電気機器内で経年劣化が認められるのは、絶縁油や絶縁紙等の絶縁材料である。
In general, materials used in oil-filled electrical equipment such as oil-filled transformers include the following.
(1) Conductive materials such as copper and aluminum (2) Insulating materials such as insulating oil, insulating paper and press board (3) Iron core materials such as silicon steel strip (4) Structural materials such as iron and stainless steel These materials Among them, it is an insulating material such as insulating oil and insulating paper that deteriorates over time in the oil-filled electrical device.
絶縁油については、油劣化防止装置(開放型、空気密封型、窒素密封型等がある)の働きもあるため劣化は非常に緩慢であり、重要な特性である絶縁破壊電圧の低下度は小さい。
一方、絶縁紙については、経年劣化による絶縁破壊電圧の低下度は小さいが、機械的強度の低下度は大きい(すなわち、紙がぼろぼろになる)。絶縁紙の劣化が進行すると、突入電流や外部短絡時に発生する電磁力による機械的ストレスによって絶縁紙に亀裂や損壊が発生し、絶縁破壊する危険性が増大する。
Insulating oil has a function of oil deterioration prevention device (open type, air-sealed type, nitrogen-sealed type, etc.), so the deterioration is very slow, and the breakdown voltage, which is an important characteristic, is low. .
On the other hand, for insulating paper, the degree of decrease in dielectric breakdown voltage due to deterioration over time is small, but the degree of decrease in mechanical strength is large (that is, the paper becomes shabby). As the deterioration of the insulating paper proceeds, the insulating paper is cracked or broken by mechanical stress due to inrush current or electromagnetic force generated at the time of external short circuit, and the risk of dielectric breakdown increases.
従って、油入電気機器の寿命は絶縁紙の機械的強度、特に巻線導体絶縁紙の劣化状態の影響を強く受ける。つまり、油入電気機器の余寿命とは、巻線導体絶縁紙の絶縁破壊、すなわち、絶縁紙の劣化(平均重合度の低下)状態によって決定付けられると考えられている。 Therefore, the life of the oil-filled electrical device is strongly influenced by the mechanical strength of the insulating paper, particularly the deterioration state of the winding conductor insulating paper. That is, the remaining life of the oil-filled electrical device is considered to be determined by the dielectric breakdown of the winding conductor insulating paper, that is, the state of deterioration of the insulating paper (decrease in the average polymerization degree).
以下に、絶縁紙の平均重合度と、代表的な油入電気機器である油入変圧器の寿命及び劣化診断方法について考察する。
(1)絶縁紙の平均重合度
絶縁紙は、多数のセルロース分子が重合してできた重合体である。ここで、図7はセルロースの化学構造式を示している。
セルロースを構成する基本分子の数を重合度という。絶縁紙としての新品のクラフト紙の場合の平均重合度は、約1000である。この平均重合度は、絶縁紙が酸化劣化するとセルロース分子の鎖が切断されてセルロース分子の低分子量化、すなわち平均重合度の低下が起きる。例えば、30年使用した変圧器では、絶縁紙の平均重合度が初期値の約40〜60%(重合度400〜600)にまで減少すると言われている。
Below, the average degree of polymerization of insulating paper and the life and deterioration diagnosis method of oil-filled transformers, which are typical oil-filled electrical devices, will be discussed.
(1) Average degree of polymerization of insulating paper Insulating paper is a polymer made by polymerizing many cellulose molecules. Here, FIG. 7 shows a chemical structural formula of cellulose.
The number of basic molecules constituting cellulose is called the degree of polymerization. The average degree of polymerization in the case of new kraft paper as insulating paper is about 1000. As for this average polymerization degree, when the insulating paper is oxidized and deteriorated, the chain of cellulose molecules is cut and the molecular weight of the cellulose molecules is lowered, that is, the average polymerization degree is lowered. For example, in a transformer used for 30 years, the average polymerization degree of insulating paper is said to decrease to about 40 to 60% of the initial value (polymerization degree 400 to 600).
(2)油入変圧器の寿命
日本電機工業会規格JEM1463−1993では、1000[kVA]を超える油入変圧器及び油入リアクトルのコイル絶縁紙平均重合度の評価基準を、図8の通りに定めている。一般的には、この規格に従い、平均重合度が450になると思われる時点が油入変圧器の寿命と定義されている。
(2) Life of oil-filled transformer In the Japan Electrical Manufacturers' Association standard JEM1463-1993, the evaluation criteria for the average degree of polymerization of coil insulation paper of oil-filled transformer and oil-filled reactor exceeding 1000 [kVA] are as shown in FIG. It has established. Generally, according to this standard, the time when the average degree of polymerization is expected to be 450 is defined as the life of the oil-filled transformer.
(3)現状の油入変圧器劣化診断方法
変圧器の寿命診断では、コイル絶縁紙の平均重合度を測定または推定することが必要となる。しかし、稼動中の油入電気機器のコイル絶縁紙は簡単に採取することができないため、測定が困難である。
従って、変圧器内部の採取可能な絶縁物(プレスボード、リード絶縁紙)の平均重合度や、絶縁紙の分解過程の生成物であるフルフラールやCO2+CO量を測定し、その結果を用いた劣化診断が行われている。これらの劣化診断方法は、後述する非特許文献1や非特許文献2に記載されている。
(3) Current oil-filled transformer deterioration diagnosis method In transformer life diagnosis, it is necessary to measure or estimate the average degree of polymerization of coil insulating paper. However, it is difficult to measure the coil insulation paper of the oil-filled electrical equipment in operation because it cannot be easily collected.
Therefore, the average polymerization degree of the insulating material (press board, lead insulating paper) that can be collected inside the transformer, and the amount of furfural and CO 2 + CO, which are products of the decomposition process of the insulating paper, were measured, and the results were used. Deterioration diagnosis is performed. These deterioration diagnosis methods are described in
以下、各種の劣化診断方法について略述する。
(イ)重合度法
運転停止中の点検時等に、変圧器内部から絶縁に影響が無い部分のプレスボードやリード絶縁紙を採取して、絶縁紙の劣化度を診断する方法を「重合度法」という。
この重合度法は、採取した絶縁紙の平均重合度から巻線コイルの最も温度が高い箇所(ホットスポット部分)のコイル絶縁紙の劣化度を推定し、寿命を予測する方法である。
Hereinafter, various deterioration diagnosis methods will be outlined.
(A) Degree of polymerization method During inspections such as when the operation is stopped, a method of diagnosing the degree of insulation paper deterioration by collecting the press board or lead insulation paper from the inside of the transformer that does not affect insulation is used. The law.
This polymerization degree method is a method of estimating the life by estimating the degree of deterioration of the coil insulation paper at the highest temperature (hot spot portion) of the winding coil from the average degree of polymerization of the collected insulation paper.
(ロ)CO2+CO法
絶縁紙は、劣化によって水やCO2、CO等の種々の有機成分を生成する。劣化指標成分として有効なものとして、平均重合度とも相関性があるCO2+CO、更にはフルフラール等がある。このうちCO2+CO法では、油中ガス分析を行い、絶縁紙の最終的な劣化生成物であるCO2+CO量から平均重合度を推定して劣化診断を行う。
(B) CO 2 + CO method Insulating paper generates various organic components such as water, CO 2 , and CO due to deterioration. As effective deterioration index components, there are CO 2 + CO having a correlation with the average degree of polymerization, and furfural. Among these, in the CO 2 + CO method, gas analysis in oil is performed, and deterioration diagnosis is performed by estimating the average degree of polymerization from the amount of CO 2 + CO that is the final deterioration product of the insulating paper.
(ハ)フルフラール法
セルロースの分解過程でアルデヒド成分のフルフラールが生成される。絶縁油の脱気処理を行ってもフルフラールは85%が油中に残り、気体中に拡散しない。このため、脱気処理の履歴がわかれば、脱気処理をしてあっても利用可能な方法である。
このフルフラール法では、測定したフルフラール量から、図9に示す関係に従って平均重合度を求めているが、フルフラール量に対して平均重合度にかなり幅があるため、劣化度合いの診断結果も大きな幅を持つこととなり、高精度での寿命推定は非常に困難である。
(C) Furfural method The furfural aldehyde component is produced during the decomposition process of cellulose. Even when the insulating oil is deaerated, 85% of the furfural remains in the oil and does not diffuse into the gas. For this reason, if the history of the deaeration process is known, this method can be used even if the deaeration process is performed.
In this furfural method, the average degree of polymerization is obtained from the measured amount of furfural according to the relationship shown in FIG. 9, but since the average degree of polymerization has a considerable range with respect to the amount of furfural, the diagnosis result of the degree of deterioration has a wide range. Therefore, it is very difficult to estimate the lifetime with high accuracy.
また、変圧器油の温度を測定してCO2+CO濃度を予測し、その予測値と実際値との差が一定値以上になったときに絶縁劣化を検出するようにした油入電気機器の絶縁診断装置が、特許文献1に記載されている。
また、静止誘導電器の絶縁媒体をガス分析し、分解生成物の種類や生成量、生成比の変化から局部過熱、アーク放電等の異常を検出する静止誘導電器の異常診断方法において、各種分解生成物の生成量を入力データとし、局部過熱、アーク放電等の異常現象を教師データとして学習させたニューラルネットワークを用いて静止誘導電器の異常を診断する方法が、特許文献2に記載されている。
Also, by measuring the temperature of the transformer oil predicts
In addition, by analyzing the insulation medium of static induction equipment and analyzing abnormalities of static induction equipment by detecting abnormalities such as local overheating and arc discharge from changes in the type, generation amount, and generation ratio of decomposition products, various decomposition and
前述した従来技術には以下のような問題がある。
例えば、(1)重合度法は、油入電気機器の劣化度合いを表す平均重合度を、絶縁紙を直接採取することで測定する方法であるが、機器の運転中には実施できず、運転を停止して行わなければならないという問題がある。
また、(2)CO2+CO法、(3)フルフラール法では、推定した平均重合度の値に大きな幅があり、精度良い劣化診断は困難である。例えば、図9に示したフルフラール法では、測定したフルフラール量に対する平均重合度残率で約20%の幅があり、これは油入電気機器の余寿命に換算すると数十年に相当する程度の誤差である。このように誤差を生じるのは、油入電気機器の運転状態や設計諸元等の違いによって、フルフラール量や平均重合度の値も影響を受けるためであると考えられる。
なお、特許文献1に記載された絶縁診断装置はCO2+CO法を基本とするものであり、フルフラール法と同様に劣化指標成分が少ないため、高精度な診断が困難である。
The prior art described above has the following problems.
For example, (1) polymerization degree method is a method of measuring the average degree of polymerization representing the degree of deterioration of oil-filled electrical equipment by directly collecting insulating paper, but cannot be carried out during equipment operation, There is a problem that must be done.
In addition, in (2) CO 2 + CO method and (3) furfural method, there is a large range in the estimated average degree of polymerization, and accurate deterioration diagnosis is difficult. For example, in the furfural method shown in FIG. 9, there is a range of about 20% in terms of the average degree of polymerization remaining with respect to the measured amount of furfural, which is equivalent to several tens of years when converted to the remaining life of oil-filled electrical equipment. It is an error. The reason why such an error occurs is considered to be that the amount of furfural and the average degree of polymerization are also affected by differences in the operating state and design specifications of the oil-filled electrical device.
Note that the insulation diagnostic device described in
上述したように、従来の劣化診断、絶縁診断は、基本的には絶縁紙の劣化を表す単一の劣化指標成分を用いて劣化診断を行うものであり、運転状態や設計諸元等を総合的に判断する方法ではないため、高精度での推定が困難である。すなわち、例えばフルフラール法の如く単一の劣化指標成分のみを用いる場合には幅を持った推定値しか求められないため、その他の複数の要因を考慮した推定方法の実現が望まれている。 As described above, the conventional deterioration diagnosis and insulation diagnosis basically perform deterioration diagnosis using a single deterioration index component representing the deterioration of insulating paper, and comprehensively analyze the operating conditions and design specifications. Therefore, it is difficult to estimate with high accuracy. That is, for example, when only a single deterioration index component is used as in the furfural method, only an estimated value having a width can be obtained. Therefore, it is desired to realize an estimation method that takes into account a plurality of other factors.
一方、複数の要因、因子を総合的に考慮したモデル化の手法として、代表的な統計的手法である重回帰分析や、神経細胞の動きを模擬したニューラルネットワーク手法がある。
このうち、重回帰分析手法は線形モデルであるため、入出力関係が線形、すなわち、直線関係で表される場合にしか精度良いモデルを作ることができない。図9からも分かるように、フルフラール量と平均重合度との関係は直線関係とはいえないため、重回帰分析手法を用いても精度良い推定は望めない。
On the other hand, as a modeling method comprehensively considering a plurality of factors and factors, there are a multiple statistical analysis which is a representative statistical method and a neural network method which simulates the movement of a nerve cell.
Among these, since the multiple regression analysis method is a linear model, a model with high accuracy can be created only when the input / output relationship is linear, that is, expressed by a linear relationship. As can be seen from FIG. 9, since the relationship between the amount of furfural and the average degree of polymerization is not a linear relationship, accurate estimation cannot be expected even if a multiple regression analysis method is used.
これに対し、ニューラルネットワークは非線形の入出力関係をモデル化できる手法である。しかし、一般的にニューラルネットワークを用いたモデル化(学習)には大量のデータが必要であり、学習に必要なデータ量は適用する問題によっても異なると考えられる。
このため、学習データ量の定量的な必要量について言及することは難しいが、少量のデータで学習させた場合は、学習データのばらつきの影響を強く受けてしまい、学習データに過剰に適合してしまう過学習状態に陥る可能性が高い。このように過学習状態に陥ると、学習データに対してはよく適合するが(誤差が少ない)、未学習データに対しては誤差が大きくなってしまうという問題がある。
例えば、30台分の油入変圧器の平均重合度及びその他の入力データが収集できたと仮定する。これらの30台分のデータを全て用いてニューラルネットワークに学習させた場合、前述した過学習状態になってしまった時には、学習した30台については精度良く学習するが、学習させていない新しい別の変圧器に対しての推定精度は悪くなる。
In contrast, a neural network is a technique that can model a nonlinear input / output relationship. However, modeling (learning) using a neural network generally requires a large amount of data, and the amount of data necessary for learning is considered to vary depending on the problem to be applied.
For this reason, it is difficult to mention the quantitative requirement of the amount of learning data, but when learning with a small amount of data, it is strongly affected by variations in the learning data, and it is excessively adapted to the learning data. There is a high possibility of falling into an overlearning state. When the overlearning state is caused in this way, the learning data is well matched (there is little error), but there is a problem that the error becomes large for the unlearned data.
For example, assume that the average degree of polymerization of 30 oil-filled transformers and other input data have been collected. When the neural network is trained using all the data of these 30 units, when the above-described over-learning state is reached, the learned 30 units are learned with high accuracy, but another new one that has not been trained is learned. The estimation accuracy for the transformer is poor.
油入電気機器の平均重合度推定にニューラルネットワークを適用する場合には、まず、学習データを収集する必要がある。このときの学習データに求められる要件は、各種の油入電気機器ごとに、学習させる「答え」である平均重合度の測定値と、その時の入力データ、すなわち、フルフラール量やCO2+CO量、水分量、運転温度その他の要因が全て必要となる。
一般に、平均重合度の測定は、機器の運転を停止して行う必要があるため、簡単には実施できない、費用がかかる、等の問題があると共に、平均重合度とその他の入力データである入力因子とが全て揃っている必要があることから、これらの学習データを遺漏なく収集するのは容易ではない。
When applying a neural network to estimate the average degree of polymerization of oil-filled electrical equipment, it is first necessary to collect learning data. The requirements required for the learning data at this time are, for each type of oil-filled electrical equipment, the measured value of the average degree of polymerization that is the “answer” to be learned, and the input data at that time, that is, the amount of furfural or CO 2 + CO, Moisture content, operating temperature and other factors are all necessary.
In general, the average degree of polymerization needs to be measured after stopping the operation of the equipment. Therefore, the average degree of polymerization is problematic because it cannot be performed easily and is expensive. It is not easy to collect these learning data without omission because all the factors need to be gathered.
従って、少ないデータを効果的に学習させ、未学習の別の変圧器に対しても精度良く平均重合度を推定できる方法の開発が望まれている。
なお、前述した特許文献2に記載された従来技術でも、診断精度を上げようとすると学習データが増加せざるを得ないという問題があった。
Therefore, it is desired to develop a method that can effectively learn a small amount of data and accurately estimate the average degree of polymerization for another unlearned transformer.
Note that even the conventional technique described in
本発明は、上記課題を解決するためになされたものであり、その目的とするところは、油入電気機器の運転を停止することなく、機器の運転中においても高精度な劣化診断を可能とした劣化診断方法を提供することにある。
また、本発明は、数十サンプル程度の少ないデータを用いる場合にも高精度な劣化診断を可能とした劣化診断方法を提供することも目的としている。
前述したように、学習データが少ない場合には過学習に陥りやすい。そこで、本発明では、複数の平均重合度推定モデルを用いて過学習となる状態を積極的に複数作り出し、これらの推定モデルによる複数の推定結果を平均する等の方法で加工(アンサンブル処理)することにより、各推定モデルのばらつきを均一化し、その結果として平均重合度の推定精度を向上させた劣化診断方法を提供しようとするものである。
The present invention has been made to solve the above-mentioned problems, and the object of the present invention is to enable highly accurate deterioration diagnosis even during operation of the equipment without stopping the operation of the oil-filled electrical equipment. It is to provide an improved deterioration diagnosis method.
Another object of the present invention is to provide a deterioration diagnosis method that enables highly accurate deterioration diagnosis even when data as small as several tens of samples is used.
As described above, when learning data is small, it is easy to fall into overlearning. Accordingly, in the present invention, a plurality of states of overlearning are actively created using a plurality of average polymerization degree estimation models, and processing (ensemble processing) is performed by a method of averaging a plurality of estimation results based on these estimation models. Thus, it is an object of the present invention to provide a deterioration diagnosis method in which variations of the respective estimation models are made uniform, and as a result, the estimation accuracy of the average polymerization degree is improved.
上記課題を解決するため、請求項1に記載した発明は、絶縁油中に含まれる劣化指標成分の測定値を用いて油入電気機器の絶縁紙の平均重合度を推定して油入電気機器の劣化を診断する方法において、
絶縁油中のフルフラール量,二酸化炭素及び一酸化炭素の量,水分量,酸素量,水素量の各測定値、油入電気機器の運転履歴、保守履歴、及び、油入電気機器の設計諸元の全てまたは一部の組み合わせを入力因子群とし、前記絶縁紙の平均重合度を出力因子として、モデルの同定または学習を行うことにより、異なる平均重合度推定モデルを複数構築し、
診断対象である油入電気機器の前記入力因子群を前記各推定モデルにそれぞれ入力して得られた複数の平均重合度推定値を加工して、前記絶縁紙の最終的な平均重合度を推定するものである。
In order to solve the above problems, the invention described in
Measured values of furfural amount, carbon dioxide and carbon monoxide, moisture content, oxygen content, and hydrogen content in insulating oil, operation history and maintenance history of oil-filled electrical equipment, and design specifications for oil-filled electrical equipment A plurality of different average polymerization degree estimation models are constructed by identifying or learning a model by using all or a part of the combination as an input factor group and using the average polymerization degree of the insulating paper as an output factor.
Estimate the final average degree of polymerization of the insulating paper by processing a plurality of average degree of polymerization estimates obtained by inputting the input factor group of the oil-filled electrical equipment to be diagnosed into each estimation model. To do.
請求項2に記載した発明は、請求項1において、複数の入力因子を任意に組み合わせてなる異なる入力因子群を用いて、異なる平均重合度推定モデルを複数作成するものである。
The invention described in
請求項3に記載した発明は、請求項1において、入力因子群が共通する複数のサンプルデータを任意に組み合わせてなる異なるデータセットを用いて、異なる平均重合度推定モデルを複数作成するものである。
The invention described in
請求項4に記載した発明は、請求項1〜3の何れか1項において、平均重合度推定モデルとして重回帰式を用いるものである。 According to a fourth aspect of the present invention, in any one of the first to third aspects, a multiple regression equation is used as an average polymerization degree estimation model.
請求項5に記載した発明は、請求項1〜3の何れか1項において、平均重合度推定モデルとしてニューラルネットワークを用いるものである。 According to a fifth aspect of the present invention, in any one of the first to third aspects, a neural network is used as an average polymerization degree estimation model.
請求項6に記載した発明は、請求項5において、ニューラルネットワークの学習時の重み結合の初期値をそれぞれ異ならせたニューラルネットワークを複数構築するものである。 According to a sixth aspect of the present invention, in the fifth aspect of the present invention, a plurality of neural networks are constructed in which the initial values of weight connection during learning of the neural network are different from each other.
請求項7に記載した発明は、請求項5において、中間層の数をそれぞれ異ならせたニューラルネットワークを複数構築するものである。 According to a seventh aspect of the present invention, in the fifth aspect, a plurality of neural networks having different numbers of intermediate layers are constructed.
請求項8に記載した発明は、請求項1〜7の何れか1項において、複数の平均重合度推定値を加工して前記絶縁紙の最終的な平均重合度を推定する方法として、複数の平均重合度推定値の平均値を、最終的な平均重合度推定値とするものである。
The invention described in
請求項9に記載した発明は、請求項1〜7の何れか1項において、複数の平均重合度推定値を加工して前記絶縁紙の最終的な平均重合度を推定する方法として、平均重合度推定モデルのモデル化誤差の逆数を加重比率として用いる平均重合度推定値の加重平均値を、最終的な平均重合度推定値とするものである。
The invention described in
請求項10に記載した発明は、請求項1〜7の何れか1項において、複数の平均重合度推定値を加工して前記絶縁紙の最終的な平均重合度を推定する方法として、最適化手段によって得られる平均重合度推定モデルのモデル化誤差が最小となる比率を加重比率として用いる平均重合度推定値の加重平均値を、最終的な平均重合度推定値とするものである。
The invention described in
本発明によれば、絶縁油に含まれる劣化指標成分に加えて、運転履歴、保守履歴、設計諸元等を用いて構築した複数の重回帰式やニューラルネットワークを平均重合度推定モデルとして利用し、これらの複数の推定モデルによる推定値を加工することで過学習による推定値のばらつきを均一化し、平均重合度の推定精度を向上させることができる。
また、本発明によれば、重合度法では不可能であった機器運転中の劣化診断が可能になると共に、数十サンプル程度の少ないデータを用いる場合にも高精度な劣化診断を行うことができる。
According to the present invention, in addition to the deterioration index component contained in the insulating oil, a plurality of multiple regression equations and neural networks constructed using operation history, maintenance history, design specifications, etc. are used as an average polymerization degree estimation model. By processing the estimated values based on the plurality of estimated models, variations in estimated values due to over-learning can be made uniform, and the estimation accuracy of the average degree of polymerization can be improved.
In addition, according to the present invention, it is possible to perform deterioration diagnosis during operation of the equipment, which is impossible with the polymerization degree method, and it is possible to perform highly accurate deterioration diagnosis even when using a small amount of data of about several tens of samples. it can.
以下、図に沿って本発明の実施形態を説明する。
まず、図1は本発明の実施形態を示すフローチャートである。この実施形態にかかる劣化診断方法は、過去の実測データ入力ステップ(S1)、重合度(平均重合度)推定モデル構築ステップ(S2)、診断対象の入力データ入力ステップ(S3)、平均重合度推定ステップ(S4)、及びアンサンブル処理ステップ(S5)から構成されている。
以下、上記各ステップの内容を順次説明する。
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
First, FIG. 1 is a flowchart showing an embodiment of the present invention. The deterioration diagnosis method according to this embodiment includes a past actual measurement data input step (S1), a polymerization degree (average polymerization degree) estimation model construction step (S2), a diagnosis target input data input step (S3), and an average polymerization degree estimation. It consists of step (S4) and ensemble processing step (S5).
Hereinafter, the contents of the above steps will be described sequentially.
(1)過去の実測データ入力ステップ(S1)
油入電気機器の絶縁紙の平均重合度推定モデルを例えばニューラルネットワークにより構築するために、推定モデルの学習データとして、過去に測定した油入電気機器の実測データを入力する。これらの実測データとしては、絶縁油を分析して得られる各種劣化指標成分の量(例えば、フルフラール量、CO2+CO量、水分量、酸素量、水素量等が考えられる)、当該油入電気機器の運転状態(例えば、平均負荷率、絶縁油の交換履歴、絶縁油の脱気処理履歴等の運転履歴、保守履歴が考えられる)、油入電気機器の設計諸元(例えば、絶縁油劣化防止方式、冷却方式、絶縁紙の量、絶縁油の量等が考えられる)、及び、絶縁紙の平均重合度である。
(1) Past actual measurement data input step (S1)
In order to construct an average polymerization degree estimation model of insulating paper of an oil-filled electrical device, for example, using a neural network, actual measurement data of the oil-filled electrical device measured in the past is input as learning data of the estimation model. As these measured data, the amounts of various deterioration index components obtained by analyzing the insulating oil (for example, the amount of furfural, CO 2 + CO, moisture, oxygen, hydrogen, etc.), the oil-filled electricity Equipment operating conditions (eg, average load factor, insulating oil replacement history, operating history such as insulating oil degassing history, maintenance history, etc.), oil-filled electrical equipment design specifications (eg, insulating oil deterioration) Prevention method, cooling method, amount of insulating paper, amount of insulating oil, etc.) and average polymerization degree of insulating paper.
(2)重合度推定モデル構築ステップ(S2)
実測データ入力ステップ(S1)にて入力した実測データを用いて、異なる平均重合度推定モデルをニューラルネットワークや重回帰式により複数、構築する。前述した実測データのうち、平均重合度を出力因子として用い、その他の因子を入力因子として用いる。
(2) Polymerization degree estimation model construction step (S2)
Using the actual measurement data input in the actual measurement data input step (S1), a plurality of different average polymerization degree estimation models are constructed by a neural network or multiple regression equations. Of the measured data described above, the average degree of polymerization is used as an output factor, and other factors are used as input factors.
異なる平均重合度推定モデルを複数構築する方法としては、以下のような方法が考えられる。
第1のモデル構築方法は、平均重合度推定モデルを重回帰式の同定により構築する場合に、利用可能な複数の入力因子を任意に組み合わせて異なる入力因子群を形成し、これらの入力因子群を入力とする異なる重回帰式を複数構築する方法である。
As a method for constructing a plurality of different average polymerization degree estimation models, the following methods can be considered.
In the first model construction method, when an average polymerization degree estimation model is constructed by identification of multiple regression equations, a plurality of available input factors are arbitrarily combined to form different input factor groups, and these input factor groups This is a method of constructing a plurality of different multiple regression equations having as inputs.
ここで、図2は、平均重合度推定モデルを重回帰式により構築する場合の各データと入力因子の説明図であり、データ1〜10は、何れも4種類の入力因子1〜入力因子4(便宜的に、これらの各因子が図示するような数値によって表されているものとする)を利用可能となっている。
第1のモデル構築方法において、これら4種類の入力因子1〜4のうち3種類の入力因子を利用する場合を考えると、入力因子2、入力因子3、入力因子4からなる入力因子群を用いて構築される重回帰式1、入力因子1、入力因子3、入力因子4からなる入力因子群を用いて構築される重回帰式2、入力因子1、入力因子2、入力因子4からなる入力因子群を用いて構築される重回帰式3、入力因子1、入力因子2、入力因子3からなる入力因子群を用いて構築される重回帰式4の4種類の重回帰式が考えられる。
これにより、異なる入力因子群を入力とする重回帰式が平均重合度推定モデルとして複数構築される。
Here, FIG. 2 is an explanatory diagram of each data and input factors when the average polymerization degree estimation model is constructed by a multiple regression equation, and each of
In the first model construction method, when using three types of
Thereby, a plurality of multiple regression equations having different input factor groups as inputs are constructed as an average polymerization degree estimation model.
第2のモデル構築方法は、重回帰式を同定する際に用いるサンプルデータとして、入力因子群を共通にしたデータを任意に組み合わせてなる複数の異なるデータセットを用いることにより、異なる重回帰式を平均重合度推定モデルとして複数構築する方法である。
例えば、先の図2に示した例において、入力因子群が共通する10個のサンプルデータ(データ1〜データ10)が利用可能である場合、10個のサンプルデータのうち9個のサンプルデータを利用する場合を考えると、データ1を用いず、データ2〜データ10を用いて構築される重回帰式1、データ2を用いず、データ1,データ3〜データ10を用いて構築される重回帰式2、同様に重回帰式3〜重回帰式10を平均重合度推定モデルとして構築することができる。
The second model construction method uses different data sets obtained by arbitrarily combining data having a common input factor group as sample data to be used for identifying a multiple regression equation, thereby obtaining different multiple regression equations. This is a method of constructing a plurality of average polymerization degree estimation models.
For example, in the example shown in FIG. 2, when 10 sample data (
上述した第1,第2のモデル構築方法は、ニューラルネットワークを学習させる際にも適用可能であり、その場合には、重回帰式の部分をニューラルネットワークに置き換えればよい。
なお、本実施形態におけるニューラルネットワークとしては、例えば特開2002−42106号公報に記載された構造のニューラルネットワークを用いることができる。このニューラルネットワークは、複数の入力層素子の一部に中間層素子が結合されてなる疎結合部分を有すると共に、出力層素子は線形関数出力を行い、中間層素子は非線形関数出力または線形関数出力をそれぞれ行う構造、あるいは、前記疎結合部分に加えて、すべての入力層素子に中間層素子が結合されてなる一つの全結合部分を有する構造のニューラルネットワークであり、入出力特性の解析結果と実際のニューラルネットワークの入出力特性を一致させることができるものである。
The first and second model construction methods described above can also be applied when learning a neural network. In that case, the multiple regression equation part may be replaced with a neural network.
As the neural network in this embodiment, for example, a neural network having a structure described in Japanese Patent Laid-Open No. 2002-42106 can be used. This neural network has a loosely coupled portion in which an intermediate layer element is coupled to a part of a plurality of input layer elements, an output layer element performs a linear function output, and an intermediate layer element outputs a nonlinear function output or a linear function output. In addition to the loosely coupled portion, in addition to the loosely coupled portion, a neural network having a structure having one all coupled portion in which intermediate layer elements are coupled to all input layer devices, and an analysis result of input / output characteristics and The input / output characteristics of an actual neural network can be matched.
次に、第3のモデル構築方法は、ニューラルネットワークを用いて異なる平均重合度推定モデルを複数構築する場合に、ニューラルネットワーク学習時の重み結合の初期値をそれぞれ異ならせる方法である。
一般的にニューラルネットワークの学習は、ランダムに発生させた重み結合の初期値をもとに、最急降下法を応用したバックプロパゲーション法によって学習を行わせる。ここで、バックプロパゲーションによって得られる学習済みニューラルネットワークは、重み結合の初期値が異なれば、最終的に学習が終了したニューラルネットワークの重み結合も異なるものとなる。第3のモデル構築方法では、このニューラルネットワークの重み結合の初期値として、異なる複数の初期値を用いることにより、異なる平均重合度推定モデルを複数構築する。
Next, the third model construction method is a method in which the initial value of the weight combination at the time of learning the neural network is made different when a plurality of different average polymerization degree estimation models are constructed using the neural network.
In general, learning of a neural network is performed by a back-propagation method applying a steepest descent method based on an initial value of a weight combination generated at random. Here, in the learned neural network obtained by backpropagation, if the initial value of the weight connection is different, the weight connection of the neural network that has finally finished learning is also different. In the third model construction method, a plurality of different average polymerization degree estimation models are constructed by using a plurality of different initial values as the initial value of the weight combination of the neural network.
第4のモデル構築方法は、ニューラルネットワークを用いて異なる平均重合度推定モデルを複数構築する場合に、中間層の数がそれぞれ異なる複数のニューラルネットワークを用いるものである。これまで述べてきたニューラルネットワークとは、3階層型のニューラルネットワークを意味しているが、一般的に中間層数については、最適な数を決定する指針は無い。従って、中間層の数を変更することで、同じ入力層及び出力層を用いながら、異なるニューラルネットワークを複数構築することが可能である。 In the fourth model construction method, when a plurality of different average polymerization degree estimation models are constructed using a neural network, a plurality of neural networks having different numbers of intermediate layers are used. The neural network described so far means a three-layer neural network, but generally there is no guideline for determining the optimum number of intermediate layers. Therefore, by changing the number of intermediate layers, it is possible to construct a plurality of different neural networks while using the same input layer and output layer.
なお、上述した各種のモデル構築方法を組み合わせて異なる平均重合度推定モデルを複数構築することも勿論可能である。 Of course, it is possible to construct a plurality of different average polymerization degree estimation models by combining the various model construction methods described above.
(3)診断対象の入力データ入力ステップ(S3)
次に、診断対象の油入電気機器について、該当する入力因子を複数の平均重合度推定モデル(同定済みの重回帰式や学習済みのニューラルネットワーク)に入力する。具体的には、絶縁油を分析して得られる各種劣化指標成分の量(例えば、フルフラール量、CO2+CO量、水分量、酸素量、水素量等が考えられる)、当該油入電気機器の運転状態(例えば、平均負荷率、絶縁油の交換履歴、絶縁油の脱気処理履歴等の運転履歴、保守履歴が考えられる)、油入電気機器の設計諸元(例えば、絶縁油劣化防止方式、冷却方式、絶縁紙の量、絶縁油の量等が考えられる)等の平均重合度推定モデルの構築(S2)に用いた入力因子に係るデータを、複数の平均重合度推定モデルにそれぞれ入力する。
(3) Input data input step for diagnosis (S3)
Next, for the oil-filled electrical device to be diagnosed, the corresponding input factors are input to a plurality of average polymerization degree estimation models (identified multiple regression equations and learned neural networks). Specifically, the amounts of various degradation index components obtained by analyzing the insulating oil (for example, the amount of furfural, CO 2 + CO, moisture, oxygen, hydrogen, etc.), the oil-filled electrical equipment Operating conditions (for example, operating history and maintenance history such as average load factor, insulating oil replacement history, insulating oil degassing history, etc.), design specifications for oil-filled electrical equipment (for example, insulation oil deterioration prevention method , Cooling method, amount of insulating paper, amount of insulating oil, etc.) The data related to the input factors used in the construction of the average degree of polymerization estimation model (S2) is input to each of the plurality of average degree of polymerization estimation models. To do.
(4)平均重合度推定ステップ(S4)
上記入力ステップ(S3)により入力したデータに対応する平均重合度を、複数の平均重合度推定モデルによってそれぞれ算出する。
(4) Average polymerization degree estimation step (S4)
The average degree of polymerization corresponding to the data input in the input step (S3) is calculated using a plurality of average degree of polymerization estimation models.
(5)アンサンブル処理ステップ(S5)
上記推定ステップ(S4)によって得られた複数の平均重合度を加工(アンサンブル処理)して、最終的な平均重合度を推定する。アンサンブル処理の方法としては、以下の第1〜第3の方法が考えられる。
(5) Ensemble processing step (S5)
A plurality of average polymerization degrees obtained in the estimation step (S4) are processed (ensemble processing) to estimate the final average polymerization degree. As the ensemble processing method, the following first to third methods are conceivable.
第1のアンサンブル処理方法は、複数の平均重合度の単純平均値を算出し、これを最終的な平均重合度として推定する方法である。 The first ensemble processing method is a method of calculating a simple average value of a plurality of average polymerization degrees and estimating this as a final average polymerization degree.
また、第2のアンサンブル処理方法は、複数の平均重合度推定モデルのモデル化誤差(学習誤差)の逆数を加重比率として用いた平均重合度の加重平均値を、最終的な平均重合度として推定する方法である。
この方法では、平均重合度推定モデルのモデル化誤差として、例えば、モデル化に用いたサンプルデータの誤差の二乗和や絶対値平均誤差等を利用することが考えられる。各推定モデルのモデル化誤差を数式1により表すとすると、各推定モデルの加重平均比率R(i)は、数式2によって表すことができる。
Further, the second ensemble processing method estimates a weighted average value of the average degree of polymerization using a reciprocal of modeling errors (learning errors) of a plurality of average degree of polymerization estimation models as a weighted ratio as a final average degree of polymerization. It is a method to do.
In this method, as the modeling error of the average degree of polymerization estimation model, for example, the sum of squares of errors of sample data used for modeling, an absolute value average error, or the like may be used. If the modeling error of each estimation model is expressed by
[数1]
Err(i), i=1〜n(nはモデル数)
[Equation 1]
E rr (i), i = 1 to n (n is the number of models)
更に、第3のアンサンブル処理方法は、最適化アルゴリズムによって得られる複数の平均重合度推定モデルのモデル化誤差(学習誤差)を最小化するような加重平均比率を求めるものである。最適化アルゴリズムは、本発明の要旨ではないので省略するが、以下の制約条件(数式3)及び目的関数(数式4)のもとでの最適化が可能であれば、何を用いても良い。すなわち、加重平均比率R(i)としては、0〜1の範囲で合計が1となるようにし、学習データに対する誤差の合計値が最小となるような値を算出する。 Furthermore, the third ensemble processing method obtains a weighted average ratio that minimizes modeling errors (learning errors) of a plurality of average polymerization degree estimation models obtained by an optimization algorithm. The optimization algorithm is omitted because it is not the gist of the present invention, but any optimization algorithm can be used as long as the optimization can be performed under the following constraints (Formula 3) and objective function (Formula 4). . That is, as the weighted average ratio R (i), the sum is 1 in the range of 0 to 1, and a value that minimizes the total error value with respect to the learning data is calculated.
(1)制約条件
ただし、R(i)はモデルiの加重平均比率
nは平均重合度推定モデルのモデル数
Where R (i) is the weighted average ratio of model i
n is the number of average polymerization degree estimation models
(2)目的関数
ただし、Rst(i)(j)は、モデルiのj番目の学習データのモデル化誤差(学習誤差)
Act(j)は、j番目の学習データの教師値
mは学習データのサンプル数
nは平均重合度推定モデルのモデル数
Where Rst (i) (j) is the modeling error (learning error) of the jth learning data of model i
Act (j) is the teacher value of the jth learning data
m is the number of training data samples
n is the number of average polymerization degree estimation models
次に、上述した第1〜第3のアンサンブル処理方法を、図3を参照しつつ具体的に説明する。
平均重合度推定モデルとしては、3階層型のニューラルネットワークを20個用い、これらのニューラルネットワークの重み結合の初期値をそれぞれ異ならせることによって異なる平均重合度推定モデルを構築した。
Next, the first to third ensemble processing methods described above will be specifically described with reference to FIG.
As the average degree-of-polymerization estimation model, 20 three-layer neural networks were used, and different average degree-of-polymerization estimation models were constructed by varying the initial values of weight connection of these neural networks.
図3の各モデル1〜20についての「推定誤差(%)」は、各モデルにおける未学習データに対する推定誤差を示し、「学習誤差(%)」は、各モデルを学習させたときの学習データに対する誤差を示している。
また、図3において符号Aを付した「平均」及びその推定誤差は、第1のアンサンブル処理方法によるものであり、モデル1〜20による平均重合度の単純平均値の未学習データに対する推定誤差である。なお、各モデル1〜20についての「加重比率(平均)」は、符号Aの「平均」を求めるための加重比率を意味しており、すべて1/20=0.05となっている。
“Estimation error (%)” for each
In addition, the “average” and the estimation error indicated by the symbol A in FIG. 3 are based on the first ensemble processing method, and are the estimation errors for the unlearned data of the simple average value of the average degree of polymerization according to the
更に、図3において符号Bを付した「加重平均」及びその推定誤差は、第2のアンサンブル処理方法によるもので、学習誤差(%)の逆数をもとに算出した加重平均による推定誤差である。なお、各モデル1〜20についての「加重比率(加重平均)」は、符号Bの「加重平均」を求めるための加重比率を意味しており、それぞれの学習誤差(%)の逆数の概数となっている。
また、図3において符号Cを付した「最適化」及びその推定誤差は、第3のアンサンブル処理方法を用いた場合の加重平均による推定誤差であり、各モデル1〜20についての「加重比率(最適化)」は、符号Cの「最適化」を求めるための加重比率を意味している。
Further, the “weighted average” denoted by B in FIG. 3 and its estimation error are those based on the second ensemble processing method, and are estimation errors based on the weighted average calculated based on the reciprocal of the learning error (%). . The “weighted ratio (weighted average)” for each of the
In addition, “optimization” denoted by reference character C in FIG. 3 and its estimation error are estimation errors due to a weighted average when the third ensemble processing method is used, and “weighting ratio ( “Optimization” ”means a weighted ratio for obtaining“ optimization ”of the code C.
図3には、モデル1〜20と、「平均」、「加重平均」、「最適化」との23通りのモデルによる推定誤差(未学習データに対する誤差)が示されており、これらの23個のモデルの中で推定誤差が最も小さいものが、未学習データに対する誤差が最も小さく、最も良い方法であるといえる。
FIG. 3 shows estimation errors (errors with respect to unlearned data) of 23
本実施形態の具体的な適用手順を考えると、まず、学習用のデータを集めてニューラルネットワークの学習を行う。平均重合度の推定時には、学習済みのニューラルネットワークに、未学習である新しい診断対象の油入電気機器のデータ(フルフラール量等の劣化指標成分その他の入力データ)を入力し、平均重合度を出力する。これらの未学習データに対しての推定精度が良くなければ、いくら学習データに対する誤差が少なくても意味が無い。
モデル単体では、図3における最良の結果であるモデル16と最悪の結果であるモデル19の推定誤差は6.98%〜30.67%と広い幅があるため、ニューラルネットワークが非線形モデル化能力に優れているといっても、学習データが少ないために、ニューラルネットワークの学習時における重みの初期値の違いにより良いモデルができる可能性もあるが、良くないモデルができる可能性もあることを示している。
Considering a specific application procedure of the present embodiment, first, learning data is collected to learn a neural network. When estimating the average degree of polymerization, input the data (new input data of deterioration index components such as furfural amount) of the untrained new oil-filled electrical equipment that has not been learned into the learned neural network, and output the average degree of polymerization To do. If the estimation accuracy with respect to these unlearned data is not good, it is meaningless even if the error with respect to the learned data is small.
In the model alone, the estimation error between the
また、推定誤差が最も小さいモデル16の学習誤差は1.56%とかなり小さくなっているが、同様に学習誤差が小さいモデル1(学習誤差1.51%)、モデル5(学習誤差1.39%)、モデル18(学習誤差1.56%)の推定誤差は、それぞれ、13.77%、21.62%、15.69%となっており、学習誤差が小さいからといって、推定誤差が小さいわけではないことが分かる。
The learning error of the
一方、20個のモデルによる推定結果を用いてアンサンブル処理を行う本実施形態において、複数の平均重合度推定値の単純平均値を最終的な平均重合度推定値とする第1のアンサンブル処理方法では、推定誤差が13.37%になり、また、複数の平均重合度推定モデルのモデル化誤差の逆数を加重比率として用いた平均重合度推定値の加重平均値を最終的な平均重合度推定値とする第2のアンサンブル処理方法では、推定誤差が12.92%になり、更に、最適化アルゴリズムによって得られる平均重合度推定モデルのモデル化誤差を最小化するような比率を加重比率として用いた平均重合度推定値の加重平均値を最終的な平均重合度推定値とする第3のアンサンブル処理方法では、推定誤差が11.63%になるため、モデル1〜モデル20をそれぞれ単体で用いる場合の推定誤差に比べて、良好な結果が得られている。
なお、上述した第1〜第3のアンサンブル処理方法では、推定誤差が必ずしも20個のモデルの推定誤差の最良値(モデル16の推定誤差である6.98%)以下となるわけではないが、モデル単体での最悪の結果であるモデル19(推定誤差が30.67%)よりは大幅に推定精度が向上することが確認された。
On the other hand, in the present embodiment in which ensemble processing is performed using estimation results from 20 models, in the first ensemble processing method in which a simple average value of a plurality of average polymerization degree estimation values is used as a final average polymerization degree estimation value, The estimated error is 13.37%, and the weighted average value of the average degree of polymerization using the reciprocal of the modeling error of a plurality of average degree of polymerization estimation models as the weighted ratio is the final average degree of polymerization estimated value. In the second ensemble processing method, the estimation error is 12.92%, and a ratio that minimizes the modeling error of the average polymerization degree estimation model obtained by the optimization algorithm is used as the weighting ratio. In the third ensemble processing method in which the weighted average value of the average polymerization degree estimation value is used as the final average polymerization degree estimation value, the estimation error is 11.63%. Compared to the estimated error in the case of using 20 alone respectively, good results have been obtained.
In the first to third ensemble processing methods described above, the estimation error is not necessarily equal to or less than the best value of the estimation errors of the 20 models (6.98% that is the estimation error of the model 16). It has been confirmed that the estimation accuracy is significantly improved over the model 19 (estimation error is 30.67%) which is the worst result of the model alone.
ここで、図4は従来のフルフラール法による平均重合度推定の概念図、図5は本実施形態による平均重合度推定の概念図である。
図4のフルフラール法では、前述したように、あるフルフラール量Fに対する平均重合度残率がG1〜G2の幅を持つため、平均重合度の推定精度が低い。
これに対し、本実施形態ではフルフラール量、CO2+CO量、水分量、酸素量、水素量等の測定値や油入電気機器の運転履歴等を入力因子として複数のニューラルネットワークNN1,NN2,……により平均重合度をそれぞれ推定し、これらの推定値を種々の方法でアンサンブル処理することで最終的な平均重合度を推定するため、より高精度な絶縁紙の劣化診断を行うことが可能である。
Here, FIG. 4 is a conceptual diagram of average polymerization degree estimation by the conventional furfural method, and FIG. 5 is a conceptual diagram of average polymerization degree estimation by this embodiment.
In the furfural method of FIG. 4, as described above, the average degree of polymerization remaining with respect to a certain amount of furfural F has a width of G1 to G2, so that the estimation accuracy of the average degree of polymerization is low.
On the other hand, in the present embodiment, a plurality of neural networks NN1, NN2,... Are input using measured values such as furfural amount, CO 2 + CO amount, moisture amount, oxygen amount, hydrogen amount, and operation history of oil-filled electrical equipment as input factors. The average degree of polymerization is estimated by ..., and the estimated average degree of polymerization is estimated by performing ensemble processing on these estimated values in various ways. Therefore, it is possible to diagnose the deterioration of insulating paper with higher accuracy. is there.
最後に、本実施形態を実現するためのシステム構成例について図6を参照しつつ説明する。
このシステムは、データ入力手段11、学習用データベース12、推定用データベース13、学習手段14、ニューラルネットワーク15、推定手段16、アンサンブル手段17、推定結果18及びデータ出力手段19から構成されており、実際のシステム構成としては、パーソナルコンピュータ等の汎用電子計算機及びこの計算機に実装されたプログラムとして実現可能である。なお、図6における学習手段14及び推定手段16は、主としてプログラムにより実現される機能である。
Finally, an example of a system configuration for realizing the present embodiment will be described with reference to FIG.
This system is composed of a data input means 11, a
データ入力手段11は、ネットワーク上の他の計算機と連携して種々のデータを入力したり、画面系からキーボードを用いて入力することもできる。また、リムーバブルな電子的記憶媒体を用いて入力することも可能である。これらの入力データは、油入電気機器の実測データであり、前述した如く絶縁油を分析して得られる各種劣化指標成分量、当該油入電気機器の運転履歴、保守履歴、設計諸元、及び、絶縁紙の平均重合度(学習用データベース12にのみ教師値として入力)である。
このデータ入力手段11から入力されたデータは、記憶装置からなる学習用データベース12及び推定用データベース13に蓄積される。学習手段14は、学習用データベース12に蓄積されたデータを用いて、複数のニューラルネットワーク15(NN1,NN2,……)に学習させる。
The data input means 11 can input various data in cooperation with other computers on the network, or can input from the screen system using a keyboard. It is also possible to input using a removable electronic storage medium. These input data are actual measurement data of oil-filled electrical equipment, as described above, various deterioration index component amounts obtained by analyzing insulating oil, operation history of the oil-filled electrical equipment, maintenance history, design specifications, and The average polymerization degree of the insulating paper (input as a teacher value only in the learning database 12).
Data input from the data input means 11 is accumulated in a
平均重合度の推定時には、推定用データベース13のデータ(入力因子)を複数のニューラルネットワーク15に入力し、個々のニューラルネットワーク15及び推定手段16により平均重合度をそれぞれ推定すると共に、これらの推定値をアンサンブル手段17に入力して前述した第1〜第3の何れかのアンサンブル処理を行い、最終的な平均重合度の推定結果18を算出する。
データ出力手段19は、前記推定結果18をCRTや液晶ディスプレイ上に表示したり、プリンタ装置等を用いて印字出力するものである。
なお、上記のシステム構成例はあくまでも例示的に示したものであり、他の形態のシステム構成によっても本発明は実現可能である。
When estimating the average degree of polymerization, data (input factors) in the
The data output means 19 displays the
Note that the above system configuration examples are merely exemplary, and the present invention can be realized by other types of system configurations.
11:データ入力手段
12:学習用データベース
13:推定用データベース
14:学習手段
15:ニューラルネットワーク
16:推定手段
17:アンサンブル手段
18:推定結果
19:データ出力手段
11: Data input means 12: Database for learning 13: Database for estimation 14: Learning means 15: Neural network 16: Estimation means 17: Ensemble means 18: Estimation result 19: Data output means
Claims (10)
絶縁油中のフルフラール量,二酸化炭素及び一酸化炭素の量,水分量,酸素量,水素量の各測定値、油入電気機器の運転履歴、保守履歴、及び、油入電気機器の設計諸元の全てまたは一部の組み合わせを入力因子群とし、前記絶縁紙の平均重合度を出力因子として、モデルの同定または学習を行うことにより、異なる平均重合度推定モデルを複数構築し、
診断対象である油入電気機器の前記入力因子群を前記各推定モデルにそれぞれ入力して得られた複数の平均重合度推定値を加工して、前記絶縁紙の最終的な平均重合度を推定することを特徴とする油入電気機器の劣化診断方法。 In the method of estimating the average degree of polymerization of insulating paper of oil-filled electrical equipment using the measured value of the degradation index component contained in the insulating oil, and diagnosing the deterioration of oil-filled electrical equipment by this average degree of polymerization,
Measured values of furfural amount, carbon dioxide and carbon monoxide, moisture content, oxygen content, and hydrogen content in insulating oil, operation history and maintenance history of oil-filled electrical equipment, and design specifications for oil-filled electrical equipment A plurality of different average polymerization degree estimation models are constructed by identifying or learning a model by using all or a part of the combination as an input factor group and using the average polymerization degree of the insulating paper as an output factor.
Estimate the final average degree of polymerization of the insulating paper by processing a plurality of average degree of polymerization estimates obtained by inputting the input factor group of the oil-filled electrical equipment to be diagnosed into each estimation model. A method for diagnosing deterioration of oil-filled electrical equipment, characterized by:
複数の入力因子を任意に組み合わせてなる異なる入力因子群を用いて、異なる平均重合度推定モデルを複数構築することを特徴とする油入電気機器の劣化診断方法。 In the deterioration diagnosis method for oil-filled electrical equipment according to claim 1,
A deterioration diagnosis method for oil-filled electrical equipment, wherein a plurality of different average polymerization degree estimation models are constructed using different input factor groups formed by arbitrarily combining a plurality of input factors.
入力因子群が共通する複数のサンプルデータを任意に組み合わせてなる異なるデータセットを用いて、異なる平均重合度推定モデルを複数構築することを特徴とする油入電気機器の劣化診断方法。 In the deterioration diagnosis method for oil-filled electrical equipment according to claim 1,
A degradation diagnosis method for oil-filled electrical equipment, wherein a plurality of different average polymerization degree estimation models are constructed using different data sets obtained by arbitrarily combining a plurality of sample data having a common input factor group.
平均重合度推定モデルとして重回帰式を用いることを特徴とする油入電気機器の劣化診断方法。 In the degradation diagnosis method of the oil-filled electrical device according to any one of claims 1 to 3,
A deterioration diagnosis method for oil-filled electrical equipment, wherein a multiple regression equation is used as an average polymerization degree estimation model.
平均重合度推定モデルとしてニューラルネットワークを用いることを特徴とする油入電気機器の劣化診断方法。 In the degradation diagnosis method of the oil-filled electrical device according to any one of claims 1 to 3,
A deterioration diagnosis method for oil-filled electrical equipment, wherein a neural network is used as an average polymerization degree estimation model.
ニューラルネットワークの学習時の重み結合の初期値をそれぞれ異ならせたニューラルネットワークを複数構築することを特徴とする油入電気機器の劣化診断方法。 In the deterioration diagnosis method for oil-filled electrical equipment according to claim 5,
A method for diagnosing deterioration of oil-filled electrical equipment, comprising constructing a plurality of neural networks having different initial values of weight connection during learning of the neural network.
中間層の数をそれぞれ異ならせたニューラルネットワークを複数構築することを特徴とする油入電気機器の劣化診断方法。 In the deterioration diagnosis method for oil-filled electrical equipment according to claim 5,
A method of diagnosing deterioration of oil-filled electrical equipment, comprising constructing a plurality of neural networks having different numbers of intermediate layers.
複数の平均重合度推定値を加工して前記絶縁紙の最終的な平均重合度を推定する方法として、複数の平均重合度推定値の平均値を、最終的な平均重合度推定値とすることを特徴とした油入電気機器の劣化診断方法。 In the degradation diagnosis method of the oil-filled electrical device according to any one of claims 1 to 7,
As a method of processing a plurality of average polymerization degree estimated values to estimate the final average polymerization degree of the insulating paper, the average value of the plurality of average polymerization degree estimated values is set as a final average polymerization degree estimated value. Deterioration diagnosis method for oil-filled electrical equipment characterized by
複数の平均重合度推定値を加工して前記絶縁紙の最終的な平均重合度を推定する方法として、平均重合度推定モデルのモデル化誤差の逆数を加重比率として用いる平均重合度推定値の加重平均値を、最終的な平均重合度推定値とすることを特徴とした油入電気機器の劣化診断方法。 In the degradation diagnosis method of the oil-filled electrical device according to any one of claims 1 to 7,
As a method of estimating the final average polymerization degree of the insulating paper by processing a plurality of average polymerization degree estimation values, weighting of the average polymerization degree estimation value using the inverse of the modeling error of the average polymerization degree estimation model as a weighted ratio A method for diagnosing deterioration of oil-filled electrical equipment, characterized in that an average value is used as a final average polymerization degree estimation value.
複数の平均重合度推定値を加工して前記絶縁紙の最終的な平均重合度を推定する方法として、最適化手段によって得られる平均重合度推定モデルのモデル化誤差が最小となる比率を加重比率として用いる平均重合度推定値の加重平均値を、最終的な平均重合度推定値とすることを特徴とした油入電気機器の劣化診断方法。 In the degradation diagnosis method of the oil-filled electrical device according to any one of claims 1 to 7,
As a method of processing a plurality of average polymerization degree estimation values to estimate the final average polymerization degree of the insulating paper, a ratio that minimizes the modeling error of the average polymerization degree estimation model obtained by the optimization means is weighted ratio A deterioration diagnosis method for oil-filled electrical equipment, characterized in that a weighted average value of an average degree of polymerization estimated value used as a final average degree of polymerization estimated value is used.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005134155A JP4857597B2 (en) | 2005-05-02 | 2005-05-02 | Degradation diagnosis method for oil-filled electrical equipment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005134155A JP4857597B2 (en) | 2005-05-02 | 2005-05-02 | Degradation diagnosis method for oil-filled electrical equipment |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006308515A true JP2006308515A (en) | 2006-11-09 |
JP4857597B2 JP4857597B2 (en) | 2012-01-18 |
Family
ID=37475558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005134155A Active JP4857597B2 (en) | 2005-05-02 | 2005-05-02 | Degradation diagnosis method for oil-filled electrical equipment |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4857597B2 (en) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175795A (en) * | 2011-01-16 | 2011-09-07 | 青海电力科学试验研究院 | Method for calculating furfural component in shake extraction test oil |
JP2011185880A (en) * | 2010-03-10 | 2011-09-22 | Fuji Electric Co Ltd | Reliability evaluation device, and program and method of the same |
JP2014062858A (en) * | 2012-09-24 | 2014-04-10 | Hitachi Ltd | Remaining life assessment method of oil-immersed stationary induction apparatus |
JP2017202632A (en) * | 2016-05-12 | 2017-11-16 | ファナック株式会社 | Abrasion loss estimation device of check valve of injection molding machine and abrasion loss estimation method |
JP6419406B1 (en) * | 2018-04-25 | 2018-11-07 | 三菱電機株式会社 | Diagnostic method for oil-filled electrical equipment |
JP2019504299A (en) * | 2015-12-01 | 2019-02-14 | ゼネラル エレクトリック テクノロジー ゲゼルシャフト ミット ベシュレンクテル ハフツングGeneral Electric Technology GmbH | Intelligent evaluation method of main insulation condition of transformer oil paper insulation |
CN109596955A (en) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | Shelf depreciation state determines method and device |
WO2021210353A1 (en) * | 2020-04-13 | 2021-10-21 | Kyb株式会社 | Failure prediction system |
KR20220011046A (en) * | 2020-07-20 | 2022-01-27 | 주식회사 원프레딕트 | Method for status prediction of transformer based on oil filtering and apparatus for using the method |
JPWO2022244563A1 (en) * | 2021-05-18 | 2022-11-24 | ||
JP2023514995A (en) * | 2020-04-08 | 2023-04-12 | ヒタチ・エナジー・スウィツァーランド・アクチェンゲゼルシャフト | Probabilistic Determination of Transformer Lifetime |
JP7439470B2 (en) | 2019-04-11 | 2024-02-28 | 富士電機株式会社 | Information processing device, information processing method, and program |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0636941A (en) * | 1992-07-15 | 1994-02-10 | Osaka Gas Co Ltd | Abnormality predicting system of oil-immersed transformer |
JPH0794334A (en) * | 1993-09-21 | 1995-04-07 | Osaka Gas Co Ltd | Deterioration diagnostic system and life predictive system of oil-immersed transformer |
JPH07235436A (en) * | 1994-02-25 | 1995-09-05 | Hitachi Ltd | Loaded tap changeover switch and abnormality diagnostic device thereof and abnormality diagnostic method thereof |
JPH07272939A (en) * | 1994-03-30 | 1995-10-20 | Mitsubishi Electric Corp | Life diagnostic apparatus and method for oil-filled electric apparatus |
JPH08124751A (en) * | 1994-10-25 | 1996-05-17 | Mitsubishi Electric Corp | Method for diagnosing service life and abnormality of oil-immersed electric equipment |
JP2000250885A (en) * | 1999-02-25 | 2000-09-14 | Nec Corp | Aggregated predictive device |
JP2002098672A (en) * | 2000-09-27 | 2002-04-05 | Mitsubishi Electric Corp | Diagnostic method for abnormal overheating at inside of power apparatus |
JP2002259940A (en) * | 2001-03-06 | 2002-09-13 | Kddi Corp | Parallel neural network processing system equipped with output condition determination function |
JP2004055858A (en) * | 2002-07-22 | 2004-02-19 | Hitachi Ltd | Diagnostic system for deterioration/remaining life of oil transformer |
JP2004326200A (en) * | 2003-04-21 | 2004-11-18 | Mitsubishi Heavy Ind Ltd | Automatic machine, and system and method for automatically operating same |
JP2005122438A (en) * | 2003-10-16 | 2005-05-12 | Fuji Electric Holdings Co Ltd | Predicting method, predicting device, predicting program and recording medium |
JP2006229148A (en) * | 2005-02-21 | 2006-08-31 | Tottori Univ | Method of diagnosing deterioration of oil-immersed transformer |
JP2006250872A (en) * | 2005-03-14 | 2006-09-21 | Chugoku Electric Power Co Inc:The | Method for diagnosing degradation in oil transformer |
-
2005
- 2005-05-02 JP JP2005134155A patent/JP4857597B2/en active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0636941A (en) * | 1992-07-15 | 1994-02-10 | Osaka Gas Co Ltd | Abnormality predicting system of oil-immersed transformer |
JPH0794334A (en) * | 1993-09-21 | 1995-04-07 | Osaka Gas Co Ltd | Deterioration diagnostic system and life predictive system of oil-immersed transformer |
JPH07235436A (en) * | 1994-02-25 | 1995-09-05 | Hitachi Ltd | Loaded tap changeover switch and abnormality diagnostic device thereof and abnormality diagnostic method thereof |
JPH07272939A (en) * | 1994-03-30 | 1995-10-20 | Mitsubishi Electric Corp | Life diagnostic apparatus and method for oil-filled electric apparatus |
JPH08124751A (en) * | 1994-10-25 | 1996-05-17 | Mitsubishi Electric Corp | Method for diagnosing service life and abnormality of oil-immersed electric equipment |
JP2000250885A (en) * | 1999-02-25 | 2000-09-14 | Nec Corp | Aggregated predictive device |
JP2002098672A (en) * | 2000-09-27 | 2002-04-05 | Mitsubishi Electric Corp | Diagnostic method for abnormal overheating at inside of power apparatus |
JP2002259940A (en) * | 2001-03-06 | 2002-09-13 | Kddi Corp | Parallel neural network processing system equipped with output condition determination function |
JP2004055858A (en) * | 2002-07-22 | 2004-02-19 | Hitachi Ltd | Diagnostic system for deterioration/remaining life of oil transformer |
JP2004326200A (en) * | 2003-04-21 | 2004-11-18 | Mitsubishi Heavy Ind Ltd | Automatic machine, and system and method for automatically operating same |
JP2005122438A (en) * | 2003-10-16 | 2005-05-12 | Fuji Electric Holdings Co Ltd | Predicting method, predicting device, predicting program and recording medium |
JP2006229148A (en) * | 2005-02-21 | 2006-08-31 | Tottori Univ | Method of diagnosing deterioration of oil-immersed transformer |
JP2006250872A (en) * | 2005-03-14 | 2006-09-21 | Chugoku Electric Power Co Inc:The | Method for diagnosing degradation in oil transformer |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011185880A (en) * | 2010-03-10 | 2011-09-22 | Fuji Electric Co Ltd | Reliability evaluation device, and program and method of the same |
CN102175795A (en) * | 2011-01-16 | 2011-09-07 | 青海电力科学试验研究院 | Method for calculating furfural component in shake extraction test oil |
JP2014062858A (en) * | 2012-09-24 | 2014-04-10 | Hitachi Ltd | Remaining life assessment method of oil-immersed stationary induction apparatus |
JP2019504299A (en) * | 2015-12-01 | 2019-02-14 | ゼネラル エレクトリック テクノロジー ゲゼルシャフト ミット ベシュレンクテル ハフツングGeneral Electric Technology GmbH | Intelligent evaluation method of main insulation condition of transformer oil paper insulation |
US10562217B2 (en) | 2016-05-12 | 2020-02-18 | Fanuc Corporation | Abrasion amount estimation device and abrasion amount estimation method for check valve of injection molding machine |
JP2017202632A (en) * | 2016-05-12 | 2017-11-16 | ファナック株式会社 | Abrasion loss estimation device of check valve of injection molding machine and abrasion loss estimation method |
JP6419406B1 (en) * | 2018-04-25 | 2018-11-07 | 三菱電機株式会社 | Diagnostic method for oil-filled electrical equipment |
WO2019207680A1 (en) * | 2018-04-25 | 2019-10-31 | 三菱電機株式会社 | Method for diagnosing oil-filled electrical device |
CN109596955A (en) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | Shelf depreciation state determines method and device |
CN109596955B (en) * | 2018-12-30 | 2021-06-22 | 国网北京市电力公司 | Partial discharge state determination method and device |
JP7439470B2 (en) | 2019-04-11 | 2024-02-28 | 富士電機株式会社 | Information processing device, information processing method, and program |
JP2023514995A (en) * | 2020-04-08 | 2023-04-12 | ヒタチ・エナジー・スウィツァーランド・アクチェンゲゼルシャフト | Probabilistic Determination of Transformer Lifetime |
JP7432079B2 (en) | 2020-04-08 | 2024-02-16 | ヒタチ・エナジー・リミテッド | Probabilistic determination of transformer lifespan |
WO2021210353A1 (en) * | 2020-04-13 | 2021-10-21 | Kyb株式会社 | Failure prediction system |
KR20220011046A (en) * | 2020-07-20 | 2022-01-27 | 주식회사 원프레딕트 | Method for status prediction of transformer based on oil filtering and apparatus for using the method |
KR102436080B1 (en) * | 2020-07-20 | 2022-08-25 | 주식회사 원프레딕트 | Method for status prediction of transformer based on oil filtering and apparatus for using the method |
JPWO2022244563A1 (en) * | 2021-05-18 | 2022-11-24 | ||
JP7298789B2 (en) | 2021-05-18 | 2023-06-27 | 株式会社レゾナック | Prediction device, learning device, prediction method, learning method, prediction program and learning program |
Also Published As
Publication number | Publication date |
---|---|
JP4857597B2 (en) | 2012-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4857597B2 (en) | Degradation diagnosis method for oil-filled electrical equipment | |
JP5494034B2 (en) | Reliability evaluation apparatus, reliability evaluation program, and reliability evaluation method | |
Tamma et al. | High voltage power transformer condition assessment considering the health index value and its decreasing rate | |
Hillary et al. | A tool for estimating remaining life time of a power transformer | |
Flores et al. | Expert system for the assessment of power transformer insulation condition based on type-2 fuzzy logic systems | |
Alqudsi et al. | Assessing the power transformer insulation health condition using a feature-reduced predictor mode | |
CN105911407B (en) | Associated transformer state fuzzy set can be opened up to appraisal procedure based on matter-element augmentation | |
CN112686515B (en) | Transformer running state evaluation method, device, computer equipment and storage medium | |
CN106569069A (en) | Power transformer fault diagnosis method | |
Jin et al. | State-of-the-art review on asset management methodologies for oil-immersed power transformers | |
Shkolnik et al. | Statistical insights into furan interpretation using a large dielectric fluid testing database | |
Prasojo et al. | Development of analytic hierarchy process technique in determining weighting factor for power transformer health index | |
Ashkezari et al. | Multivariate analysis for correlations among different transformer oil parameters to determine transformer health index | |
Prasojo et al. | Health index analysis of power transformer with incomplete paper condition data | |
Paul et al. | A multi-gene symbolic regression approach of determining insulating oil interfacial tension | |
Shutenko et al. | Analysis of ageing characteristics of transformer oils under long-term operation conditions | |
Oleg et al. | Diagnosing the condition of transformer oils using the trajectory method | |
JP2009170594A (en) | Service life remainder assessment method for oil-immersed transformer | |
EP3916402B1 (en) | A method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems | |
Biçen et al. | Smart asset management system for power transformers coupled with online and offline monitoring technologies | |
Qian et al. | Fuzzy synthetic method for life assessment of power transformer | |
Ghunem et al. | Prediction of furan content in transformer oil using artificial neural networks (ANN) | |
Ciulavu et al. | Power transformer incipient faults monitoring | |
CN102384930B (en) | Evaluation method on antioxidation performance of transformer oil | |
Manoj et al. | Oil health index calculation and incipient fault diagnosis in power transformers using fuzzy logic |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110329 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20110422 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110518 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20111004 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20111017 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4857597 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20141111 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |