JP5684813B2 - 油入電気機器の異常予測診断方法 - Google Patents
油入電気機器の異常予測診断方法 Download PDFInfo
- Publication number
- JP5684813B2 JP5684813B2 JP2012531624A JP2012531624A JP5684813B2 JP 5684813 B2 JP5684813 B2 JP 5684813B2 JP 2012531624 A JP2012531624 A JP 2012531624A JP 2012531624 A JP2012531624 A JP 2012531624A JP 5684813 B2 JP5684813 B2 JP 5684813B2
- Authority
- JP
- Japan
- Prior art keywords
- data group
- gas
- data
- stored
- abnormality
- 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
- 230000005856 abnormality Effects 0.000 title claims description 196
- 238000003745 diagnosis Methods 0.000 title claims description 57
- 238000000034 method Methods 0.000 title claims description 45
- 238000003066 decision tree Methods 0.000 claims description 105
- 230000002159 abnormal effect Effects 0.000 claims description 96
- 238000013500 data storage Methods 0.000 claims description 64
- 238000005259 measurement Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 16
- 239000007789 gas Substances 0.000 description 273
- 238000012545 processing Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000002405 diagnostic procedure Methods 0.000 description 7
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 6
- NNPPMTNAJDCUHE-UHFFFAOYSA-N isobutane Chemical compound CC(C)C NNPPMTNAJDCUHE-UHFFFAOYSA-N 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 238000013138 pruning Methods 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 3
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 3
- 239000005977 Ethylene Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 3
- 239000001282 iso-butane Substances 0.000 description 3
- 239000001294 propane Substances 0.000 description 3
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 3
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 3
- IJDNQMDRQITEOD-UHFFFAOYSA-N sec-butylidene Natural products CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009419 refurbishment Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Medicinal Chemistry (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Relating To Insulation (AREA)
Description
コンピュータにより油入電気機器の内部異常を診断する診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第1標準化データ群記憶手段に記憶し、
前記第1標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第1離散化データ群記憶手段に記憶し、
前記第1離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式(1)〜(4)を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第2標準化データ群記憶手段に記憶し、
前記第2標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第2離散化データ群記憶手段に記憶し、
前記第2離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常診断方法、
を構成した。
D:節点に対応付けられた異常事例データの集合
|D|:節点に対応付けられた異常事例データの件数
Ci:集合D中のi番目の内部異常の種類の件数
αi:ガス種Xのj番目の枝の異常事例データの件数
βjk:ガス種Xのj番目の枝におけるk番目の内部異常の種類の件数
G(X):利得比
M(D):集合Dの内部異常の種類に対する期待情報量
E(X):ガス種Xにより分類された後の期待情報量
S(X):集合Dのガス種Xに対する期待情報量
l:集合D中の最初の内部異常の種類または離散化した属性の番号
m、n:集合D中の内部異常の種類の総数
ν:離散化した属性の総数
本発明では、コンピュータが、
前記判定対象の油入電気機器から抽出された絶縁油中に溶解している複数のガス種の濃度について、それぞれ所定の正常範囲に入るか否かを判定し、
異常のガス種が存在した場合にのみ、前記決定木による異常判定を行なうようにしても良い。
コンピュータにより油入電気機器の内部異常を診断する診断システムであって、
コンピュータが、
油入電気機器の過去の異常事例データを記憶する実績データ記憶手段と、
前記実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成する第1標準化データ群作成手段と、
前記第1標準化データ群作成手段により作成された標準化データ群を記憶する第1標準化データ群記憶手段と、
前記第1標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成する第1離散化データ群作成手段と、
前記第1離散化データ群作成手段により作成された離散化データ群を記憶する第1離散化データ群記憶手段と、
前記第1離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式(1)〜(4)を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成する決定木作成手段と、
前記決定木作成手段により作成された決定木を記憶する決定木記憶手段と、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成する第2標準化データ群作成手段と、
前記第2標準化データ群作成手段により作成された標準化データ群を記憶する第2標準化データ群記憶手段と、
前記第2標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成する第2離散化データ群作成手段と、
前記第2離散化データ群作成手段により作成された離散化データ群を記憶する第2離散化データ群記憶手段と、
前記第2離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定する異常判定手段と、
を備えたことを特徴とする油入電気機器の異常診断システム、
を構成した。
D:節点に対応付けられた異常事例データの集合
|D|:節点に対応付けられた異常事例データの件数
Ci:集合D中のi番目の内部異常の種類の件数
αi:ガス種Xのj番目の枝の異常事例データの件数
βjk:ガス種Xのj番目の枝におけるk番目の内部異常の種類の件数
G(X):利得比
M(D):集合Dの内部異常の種類に対する期待情報量
E(X):ガス種Xにより分類された後の期待情報量
S(X):集合Dのガス種Xに対する期待情報量
l:集合D中の最初の内部異常の種類または離散化した属性の番号
m、n:集合D中の内部異常の種類の総数
ν:離散化した属性の総数
コンピュータにより油入電気機器の内部異常を診断する診断プログラムであって、
コンピュータに、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第1標準化データ群記憶手段に記憶し、
前記第1標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第1離散化データ群記憶手段に記憶し、
前記第1離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式(1)〜(4)を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第2標準化データ群記憶手段に記憶し、
前記第2標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第2離散化データ群記憶手段に記憶し、
前記第2離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを実行させる油入電気機器の異常診断プログラム、
を構成した。
D:節点に対応付けられた異常事例データの集合
|D|:節点に対応付けられた異常事例データの件数
Ci:集合D中のi番目の内部異常の種類の件数
αi:ガス種Xのj番目の枝の異常事例データの件数
βjk:ガス種Xのj番目の枝におけるk番目の内部異常の種類の件数
G(X):利得比
M(D):集合Dの内部異常の種類に対する期待情報量
E(X):ガス種Xにより分類された後の期待情報量
S(X):集合Dのガス種Xに対する期待情報量
l:集合D中の最初の内部異常の種類または離散化した属性の番号
m、n:集合D中の内部異常の種類の総数
ν:離散化した属性の総数
コンピュータにより油入電気機器の内部異常の種類を判定するための決定木を作成する方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第1標準化データ群記憶手段に記憶し、
前記第1標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第1離散化データ群記憶手段に記憶し、
前記第1離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式(1)〜(4)を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成することを特徴とする油入電気機器内部異常の決定木作成方法、
を構成した。
D:節点に対応付けられた異常事例データの集合
|D|:節点に対応付けられた異常事例データの件数
Ci:集合D中のi番目の内部異常の種類の件数
αi:ガス種Xのj番目の枝の異常事例データの件数
βjk:ガス種Xのj番目の枝におけるk番目の内部異常の種類の件数
G(X):利得比
M(D):集合Dの内部異常の種類に対する期待情報量
E(X):ガス種Xにより分類された後の期待情報量
S(X):集合Dのガス種Xに対する期待情報量
l:集合D中の最初の内部異常の種類または離散化した属性の番号
m、n:集合D中の内部異常の種類の総数
ν:離散化した属性の総数
コンピュータにより油入電気機器の内部異常の種類を判定するための決定木を作成するプログラムであって、
コンピュータに、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第1標準化データ群記憶手段に記憶し、
前記第1標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第1離散化データ群記憶手段に記憶し、
前記第1離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式(1)〜(4)を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成することを実行させる油入電気機器内部異常の決定木作成プログラム、
を構成した。
D:節点に対応付けられた異常事例データの集合
|D|:節点に対応付けられた異常事例データの件数
Ci:集合D中のi番目の内部異常の種類の件数
αi:ガス種Xのj番目の枝の異常事例データの件数
βjk:ガス種Xのj番目の枝におけるk番目の内部異常の種類の件数
G(X):利得比
M(D):集合Dの内部異常の種類に対する期待情報量
E(X):ガス種Xにより分類された後の期待情報量
S(X):集合Dのガス種Xに対する期待情報量
l:集合D中の最初の内部異常の種類または離散化した属性の番号
m、n:集合D中の内部異常の種類の総数
ν:離散化した属性の総数
コンピュータにより油入電気機器の内部異常を診断する診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に、油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を、それぞれ、当該異常事例毎に測定した前記複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第1標準化データ群記憶手段に記憶し、
前記第1標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率に対応する確信度をガス種ごとに設定された所定のメンバーシップ関数により算出し、前記確信度に基づき前記各ガス種の濃度比率を複数の離散化した属性に変換した離散化データ群を作成し、これを第1離散化データ群記憶手段に記憶し、
前記第1離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式(5)〜(8)を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度を、当該複数のガス種のガス濃度の総和で除して比率に変換した標準化データ群を作成し、これを第2標準化データ群記憶手段に記憶し、
前記第2標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の確信度に基づき複数の離散化した属性に変換した離散化データ群を作成し、これを第2離散化データ群記憶手段に記憶し、
前記第2離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常診断方法、
を構成した。
D’:節点に対応付けられた異常事例データの確信度に基づく集合
|D’|:節点に対応付けられた異常事例データの確信度の和
Ci’:集合D’中のi番目の内部異常の種類の確信度の和
αi’:ガス種Xのj番目の枝の異常事例データの確信度の和
βjk’:ガス種Xのj番目の枝におけるk番目の内部異常の種類の確信度の和
G’(X):利得比
M’(D’):集合D’の内部異常の種類に対する期待情報量
E’(X):ガス種Xにより分類された後の期待情報量
S’(X):集合D’のガス種Xに対する期待情報量
l:集合D中の最初の内部異常の種類または離散化した属性の番号
m、n:集合D中の内部異常の種類の総数
ν:離散化した属性の総数
コンピュータにより油入電気機器の内部異常を予測して診断する異常予測診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を比率に変換した標準化データ群を作成し、これを第1標準化データ群記憶手段に記憶し、
前記第1標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第1離散化データ群記憶手段に記憶し、
前記第1離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式(1)〜(4)を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
実績データ記憶手段に記憶されている判定対象の油入電気機器の過去の3つ以上の実績データに基づき、油入電気機器の絶縁油中に溶解していた複数のガス種毎に抽出されたガス濃度の時系列データ群について、第1回帰直線と、該第1回帰直線に対する前記時系列データ群のばらつきと、該ばらつきに基づく不確かさとを算出し、これらを第1回帰直線データ記憶手段に記憶し、
実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい3つ以上の前記時系列データ群について、第2回帰直線と、該第2回帰直線上の最も新しい測定時期から所定期間経過した時のガス濃度である第1予測ガス濃度とを算出し、これらを第2回帰直線データ記憶手段に記憶し、
第1直線データ記憶手段に記憶された前記不確かさと第2直線データ記憶手段に記憶された前記第1予測ガス濃度とを和した値を第2予測ガス濃度として算出し、第2予測ガス濃度と、実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい実績データとにより構成される予測時系列データ群を作成し、該予測時系列データ群について第3回帰直線を作成し、これを第3回帰直線データ記憶手段に記憶し、
前記第3回帰直線データ記憶手段に記憶されたガス種毎の第3回帰直線について、該第3回帰直線上の同時期の第3予測ガス濃度をそれぞれ抽出し、当該複数のガス種の第3予測ガス濃度を比率に変換した標準化データ群を作成し、これを第2標準化データ群記憶手段に記憶し、
前記第2標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第2離散化データ群記憶手段に記憶し、
前記第2離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常予測診断方法、
を構成した。
D:節点に対応付けられた異常事例データの集合
|D|:節点に対応付けられた異常事例データの件数
Ci:集合D中のi番目の内部異常の種類の件数
αi:ガス種Xのj番目の枝の異常事例データの件数
βjk:ガス種Xのj番目の枝におけるk番目の内部異常の種類の件数
G(X):利得比
M(D):集合Dの内部異常の種類に対する期待情報量
E(X):ガス種Xにより分類された後の期待情報量
S(X):集合Dのガス種Xに対する期待情報量
l:集合D中の最初の内部異常の種類または離散化した属性の番号
m、n:集合D中の内部異常の種類の総数
ν:離散化した属性の総数
また、本願発明に係る油入電気機器の異常予測診断方法は、特定の回帰直線を用いて予測した各ガス種の予測濃度について、特定の決定木作成方法を採用して、判定対象機器の内部異常の種類を判定することで、将来発生する内部異常を精度よく予測診断することが期待できる。
(第1の実施形態)
図1は、本発明の第1の実施形態における油入電気機器の異常診断方法を行うための代表的な異常診断システムの主要な構成を示したブロック図である。図1に示すように、異常診断システム1は、入力手段2、出力手段3、コンピュータ4を備え、コンピュータ4は、処理装置10と記憶手段11を備える。処理装置10は、マイクロプロセッサを主体に構成され、図示しないRAM、ROMからなる記憶部を有して、一般的な各種処理動作の手順や後述する本発明の診断方法などを実行させるための手順を規定するプログラムや処理データが記憶される。
図3は、判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種の濃度の入力から異常診断結果が得られるまでの概略フロー図である。
尚、ステップS102、S103は、任意の構成である。例えば、あるガス種のガス濃度が基準値以上であることが既知の場合、これらのステップは不要であるため、省略できるように構成すると良い。
また、同様の処理を行って、ステップS101において入力された判定対象の油入電気機器から抽出した絶縁油中に溶解している複数のガス種(以下、判定対象ガスともいう。)の濃度を変換して標準化データ群を作成するとともに、これを第2標準化データ群記憶部11eに記憶する(ステップS202)。
このように、事例毎にガス濃度で表わされたデータを、その比率に変換することで、ガス種の相対的な関係を考慮した決定木の生成が可能となる。このようなガス種の相対的な関係は、熟練した診断専門家の判断においても考慮される。従って、このような一連のステップを採用することで、熟練した診断専門家の判断手法と同様の判断基準に基づいた決定木が作成され、診断精度がより向上した診断方法などを実現することができる。
また、内部異常の種類としては、例えば変圧器であれば、タップ部の異常、鉄心部の異常、コイル部の異常、リード部の異常、スイッチ室からの漏油などがある。これらの内部異常は、1件の異常事例データに複数含まれる場合がある。その場合は、上記のように代表的な内部異常の種類が選択される。このため、実績データ記憶部11aには、その区別ができるようにして実績データが記憶されている。なお、後述するように、最終的に判定される内部異常の種類は、全ての内部異常の種類が考慮され、決定される。
尚、閾値は、記憶手段11の符号11a〜11fで示される記憶部以外の記憶部に記憶されていても、第1/第2離散化データ群記憶部に記憶されていてもよい。
(i)全ての過去の異常事例データを対応付けた節点を作成する(図7の「ガス1」に相当する節点)。従って、この節点に対応付けられた異常事例データの集合Dは、全ての過去の異常事例になり、この全ての過去の異常事例の件数が|D|である。
誤り率は、葉節点に含まれる異常事例データの件数(Nとする)、誤って分類された異常事例データの件数(Eとする)について、ベータ分布の上側累積確率0.25から求めたパーセント点として算出されるもの(ベータ分布の累積分布関数の逆関数の値)を用いることができる。これにより、前記件数の比(E/N)を誤り率とした場合に比べ、安全側に誤り率を見積もることができる。
次に、本発明における第2の実施形態について説明する。尚、本実施形態と第1の実施形態とは、後述する確信度に基づいて作成される決定木(以下、ファジィ決定木ともいう。)および判定対象ガスの離散化データ群を用いること以外は、同じ構成である。従って、上述した第1に実施形態と同一の部分については、同一の図面、符号を用い、詳細な説明は省略する。
即ち、第2の実施形態では、離散化データ作成部10bにおいて、第1標準化データ群記憶部11bおよび第2標準化データ群記憶部11cに記憶された異常事例毎の標準化データ群および判定対象ガスの標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率に対応する確信度をガス種ごとに設定された所定のメンバーシップ関数により算出し、前記確信度に基づき前記各ガス種の濃度比率を複数の離散化した属性に変換した離散化データ群を作成するとともに、これらをそれぞれ第1離散化データ群記憶部11cおよび第2離散化データ群記憶部11fに記憶する。尚、異常事例および判定対象ガスの離散化データ群の作成の際のメンバーシップ関数は同一である。
メンバーシップ関数は、離散化属性が3つ(即ち、「非常に少ない」、「少ない」、「多い」)の場合を例にすると、次のようにして定めることができる。
先ず、ガス種の濃度を比率に変換した上記の第1標準化データ群からガス種毎の標準化データ群を採取し、その濃度比率の平均値と最大値を求める。求めた濃度比率の平均値を「非常に少ない」と「少ない」との分岐点(即ち、それぞれの離散化属性の確信度が0.5となる値)とし、同じく濃度比率の最大値を「少ない」と「多い」との分岐点(即ち、それぞれの離散化属性の確信度が0.5となる値)とする。次に、これらの分岐点を基準にして、診断専門家が過去の異常事例データなどから経験的に、それぞれの離散化属性の確信度とガス比率の関係を求め、メンバーシップ関数を作成する。その例を図14に示す。
尚、同じガス比率におけるそれぞれの離散化属性の確信度の和は常に1となる。また、上記のように、ガス種毎のメンバーシップ関数は、異常事例データに基づく第1標準化データ群より算出される値をもとに定められるため、異常事例が追加されると、更新される場合がある。
次に、本発明における第3の実施形態について説明する。
図2は、本発明に係る油入電気機器の異常予測診断方法を行うための代表的な異常予測診断システムの主要な構成を示したブロック図であり、図1に示すシステム構成に、判定対象ガス種の濃度を予測するための構成を追加したものである。従って、図2中符号20a〜20e、21a〜21fは、それぞれ図1中符号10a〜10e、11a〜11fの構成と同じ構成である。
図5に示すように、本実施例では、ステップS303において、判定対象ガスのガス濃度が基準値未満の場合に限らず、基準値以上である場合も、ステップS305において判定対象ガス濃度の予測を行うようにしている。判定対象ガスのガス濃度が基準値以上である場合も、予測を行うことにより、判定対象となる油入電気機器の修理、交換の時期をより適切に把握することが可能となる。もっとも、ガス濃度が基準値以上の場合には、予測を行わないように構成してもよい。
次いで、この選択された実績データに基づき、油入電気機器の絶縁油中に溶解していた複数のガス種毎に抽出されたガス濃度の時系列データ群について、第1回帰直線が算出される。第1回帰直線は、最小二乗法により求めることができる。
また、不確かさ(U)は、時系列データ群の全てについて上記ばらつきを求め、その各ばらつきをDp(p=1〜Pの自然数、P:あるガス種の時系列データに含まれる全体のデータ数に等しい値)とすると、下式(9)で表わされる。また、不確かさは、95%信頼水準において算出されるものが好ましい。
ステップS404において行う処理は、第1の実施形態において行われる決定木による診断、即ち、ステップS201〜S205において、判定対象ガス濃度に替えて第3予測ガス濃度を用いること以外は、実質的に同じである。このため詳細な説明は省略する。但し、第3の実施形態では、第2標準化群データ記憶部21eおよび第2離散化群データ記憶部21fにおいて、それぞれ、判定対象ガス濃度の実績データに基づくデータ群の記憶部と第3予測ガス濃度に基づくデータ群の記憶部を備えるように構成するとよい(何れも図示せず。)。
(実施例1)
油入電気機器である変圧器に関して、444件の過去の異常事例データに基づき、内部異常の種類として、タップ部の異常、鉄心部の異常、コイル部の異常、リード部の異常、スイッチ室からの漏油の5種、ガス種として、メタン、エタン、エチレン、プロパン、プロピレン、イソブタン、アセチレン、水素、一酸化炭素、ノルマルブタンの10種を用い、診断専門家の判断に基づく閾値をもとに定めた離散化属性を「多い」、「少ない」、「非常に少ない」の3属性として、第1の実施形態における決定木(表1中「通常」と示した)を作成するとともに、当該444件の異常事例データのそれぞれを判定対象として、作成した決定木にあてはめ、判定対象機器の内部異常の種類を判定した。決定木による判定結果(最終的に到達した葉節点にラベルされた内部異常の種類)に基づく各内部異常および全体の正答率を表1に示す。
表1に示すように、各内部異常の正答率は何れも60%以上であり、全体の正答率は76.4%であった。平均的な診断専門家の正答率は概ね50%程度、熟練した診断専門家の正答率は概ね80%程度とされており、本実施形態における診断方法は、平均的な診断専門家以上、熟練した診断専門家に非常に近い診断精度を有するものであることが分かる。
第2の実施形態における決定木(表1中「ファジィ」と示した)を作成したこと以外は、実施例1と同様にして、444件の異常事例データのそれぞれを判定対象として、作成したファジィ決定木にあてはめ、判定対象機器の内部異常の種類を判定した。ファジィ決定木による判定結果に基づく各内部異常および全体の正答率を表1に示す。
表1に示すように、各内部異常の正答率は何れも62%以上であり、全体の正答率は80.4%であった。ファジィ決定木を用いることで、さらに診断精度が向上し、全体の正答率では、熟練の診断専門家と同等の診断精度を有するものである。
実施例1と同様にして第1の実施形態における決定木を作成した。また、実際に鉄心部の内部異常があった特定の変圧器の過去約6年間の時系列データ群のうち約5年間の時系列データ群(図17〜19中、0〜5.2年までの実測データ)をもとに、前記第3の実施形態に基づいて、各ガス種の第3予測ガス濃度を算出した。算出結果を表2に示す。時系列データ群は、図17〜19に示すように、5.2年経過時において、ガス種毎に3つ以上の時系列データ群から構成されるものである。当該第3予測ガス濃度は、最も新しい測定時(図17〜19の経過時間が5.2年にあたる。その値を表2の「5年経過時のガス濃度」に示す。)から1年経過後の予測濃度(表2中、「6年経過時のガス濃度」の「予測値」)である。
当該第3予測ガス濃度群について所定の処理を行って、前記決定木をあてはめ、当該変圧器の1年後に予測される内部異常の種類を予測診断した。また、5年経過時及び6年経過時のガス濃度についても内部異常の診断を行った。診断結果を表2に示す。尚、表2中「ND」は検出されなかったことを示す。
図17〜19に示すように、第3回帰直線(図17〜19中の破線)と実測値とは、概ね、同様の傾向を示した。また、予測値は、概ね実測値よりも大きい値になっており、予測の安全性の面からは、良好な結果であった。また、表2に示すように、決定木を用いた内部異常の診断については、何れも鉄心部であり、実際の内部異常の種類と一致していた。
2 入力手段
3 出力手段
4、6 コンピュータ
5 予測診断システム
10 処理装置
10a 標準化データ作成部
10b 離散化データ作成部
10c 決定木作成部
10d 第1内部異常判定部
10e 第2内部異常判定部
11 記憶手段
11a 実績データ記憶部
11b 第1標準化データ群記憶部
11c 第1離散化データ群記憶部
11d 決定木記憶部
11e 第2標準化データ群記憶部
11f 第2離散化データ群記憶部
20 処理装置
20a 標準化データ作成部
20b 離散化データ作成部
20c 決定木作成部
20d 第1内部異常判定部
20e 第2内部異常判定部
20f 第1回帰直線作成部
20g 第2回帰直線作成部
20h 第3回帰直線作成部
21 記憶手段
21a 実績データ記憶部
21b 第1標準化データ群記憶部
21c 第1離散化データ群記憶部
21d 決定木記憶部
21e 第2標準化データ群記憶部
21f 第2離散化データ群記憶部
21g 第1回帰直線データ記憶部
21h 第2回帰直線データ記憶部
21i 第3回帰直線データ記憶部
Claims (1)
- コンピュータにより油入電気機器の内部異常を予測して診断する異常予測診断方法であって、
コンピュータが、
実績データ記憶手段に記憶されている油入電気機器の過去の異常事例データに基づき、各異常事例毎に油入電気機器の絶縁油中に溶解していた複数のガス種の濃度を比率に変換した標準化データ群を作成し、これを第1標準化データ群記憶手段に記憶し、
前記第1標準化データ群記憶手段に記憶された異常事例毎の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第1離散化データ群記憶手段に記憶し、
前記第1離散化データ群記憶手段に記憶された異常事例毎の離散化データ群に基づき、下記式(1)〜(4)を用いた解析により油入電気機器の内部異常の種類を判定するための決定木を作成し、これを決定木記憶手段に記憶し、
実績データ記憶手段に記憶されている判定対象の油入電気機器の過去の3つ以上の実績データに基づき、油入電気機器の絶縁油中に溶解していた複数のガス種毎に抽出されたガス濃度の時系列データ群について、第1回帰直線と、該第1回帰直線に対する前記時系列データ群のばらつきと、該ばらつきに基づく不確かさとを算出し、これらを第1回帰直線データ記憶手段に記憶し、
実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい3つ以上の前記時系列データ群について、第2回帰直線と、該第2回帰直線上の最も新しい測定時期から所定期間経過した時のガス濃度である第1予測ガス濃度とを算出し、これらを第2回帰直線データ記憶手段に記憶し、
第1直線データ記憶手段に記憶された前記不確かさと第2直線データ記憶手段に記憶された前記第1予測ガス濃度とを和した値を第2予測ガス濃度として算出し、第2予測ガス濃度と、実績データ記憶手段に記憶されている実績データに基づき抽出された前記時系列データ群のうち最も測定時期の新しい実績データとにより構成される予測時系列データ群を作成し、該予測時系列データ群について第3回帰直線を作成し、これを第3回帰直線データ記憶手段に記憶し、
前記第3回帰直線データ記憶手段に記憶されたガス種毎の第3回帰直線について、該第3回帰直線上の同時期の第3予測ガス濃度をそれぞれ抽出し、当該複数のガス種の第3予測ガス濃度を比率に変換した標準化データ群を作成し、これを第2標準化データ群記憶手段に記憶し、
前記第2標準化データ群記憶手段に記憶された判定対象機器の標準化データ群に基づき、該標準化データ群を構成している各ガス種の濃度比率を、ガス種ごとに設定された前記異常事例と同じ所定の閾値により複数の離散化した属性に変換した離散化データ群を作成し、これを第2離散化データ群記憶手段に記憶し、
前記第2離散化データ群記憶手段に記憶された判定対象機器の離散化データ群と、前記決定木記憶手段に記憶された決定木により、判定対象機器の内部異常の種類を判定することを特徴とする油入電気機器の異常予測診断方法。
X:絶縁油中に溶解していたガス種
D:節点に対応付けられた異常事例データの集合
|D|:節点に対応付けられた異常事例データの件数
Ci:集合D中のi番目の内部異常の種類の件数
αi:ガス種Xのj番目の枝の異常事例データの件数
βjk:ガス種Xのj番目の枝におけるk番目の内部異常の種類の件数
G(X):利得比
M(D):集合Dの内部異常の種類に対する期待情報量
E(X):ガス種Xにより分類された後の期待情報量
S(X):集合Dのガス種Xに対する期待情報量
l:集合D中の最初の内部異常の種類または離散化した属性の番号
m、n:集合D中の内部異常の種類の総数
ν:離散化した属性の総数
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2010/065022 WO2012029154A1 (ja) | 2010-09-02 | 2010-09-02 | 油中ガス濃度を用いた油入電気機器の内部異常診断方法、内部異常診断システム及び内部異常診断のための決定木作成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2012029154A1 JPWO2012029154A1 (ja) | 2013-10-28 |
JP5684813B2 true JP5684813B2 (ja) | 2015-03-18 |
Family
ID=45772288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012531624A Active JP5684813B2 (ja) | 2010-09-02 | 2010-09-02 | 油入電気機器の異常予測診断方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9135557B2 (ja) |
JP (1) | JP5684813B2 (ja) |
WO (1) | WO2012029154A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5867466B2 (ja) * | 2013-09-03 | 2016-02-24 | 株式会社かんでんエンジニアリング | 油入電気機器の異常診断システム、決定木生成システム、決定木生成方法、及び決定木生成プログラム |
JP5872127B1 (ja) * | 2015-07-17 | 2016-03-01 | 三菱電機株式会社 | 油入電気機器の異常診断方法 |
JP6599727B2 (ja) * | 2015-10-26 | 2019-10-30 | 株式会社Screenホールディングス | 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置 |
US10444219B2 (en) * | 2016-03-21 | 2019-10-15 | International Business Machines Corporation | Predictive modeling to estimate data values between sampling events |
WO2017216890A1 (ja) * | 2016-06-15 | 2017-12-21 | 三菱電機株式会社 | 油入電気機器の過熱温度の推定方法 |
JP7248877B2 (ja) * | 2018-12-21 | 2023-03-30 | 日立建機株式会社 | 作業機械の保守部品の選定システム |
CN111695288B (zh) * | 2020-05-06 | 2023-08-08 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
JP7405707B2 (ja) * | 2020-07-01 | 2023-12-26 | 株式会社日立製作所 | 変圧器の診断方法および診断システム |
CN112067051A (zh) * | 2020-08-24 | 2020-12-11 | 宁波大学 | 一种基于决策树分类器的变压器故障诊断方法 |
JPWO2023281732A1 (ja) * | 2021-07-09 | 2023-01-12 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5818909A (ja) * | 1981-07-27 | 1983-02-03 | Shikoku Electric Power Co Inc | 油入電気機器の自動異常診断装置 |
JPH064292A (ja) * | 1992-06-19 | 1994-01-14 | Toshiba Corp | 判断規則生成装置 |
JPH0636941A (ja) * | 1992-07-15 | 1994-02-10 | Osaka Gas Co Ltd | 油入変圧器の異常予測システム |
JPH0729743A (ja) * | 1993-07-09 | 1995-01-31 | Kyushu Henatsuki Kk | 接触燃焼式検出器による油中の総可燃性ガス量の簡易検出法 |
JPH08161172A (ja) * | 1994-12-08 | 1996-06-21 | Nippon Telegr & Teleph Corp <Ntt> | 知識修正型学習システム |
JPH0972892A (ja) * | 1995-09-07 | 1997-03-18 | Mitsubishi Electric Corp | 油入電気機器内部の異常診断方法 |
JP2001069659A (ja) * | 1999-08-30 | 2001-03-16 | Sumitomo Electric Ind Ltd | 油中ガス分析によるofケーブル線路の異常検知方法 |
JP2002350426A (ja) * | 2001-05-23 | 2002-12-04 | Mitsubishi Electric Corp | 油入電気機器の内部異常診断方法 |
JP2005252167A (ja) * | 2004-03-08 | 2005-09-15 | Tottori Univ | 油入変圧器の異常診断方法 |
JP2007213441A (ja) * | 2006-02-10 | 2007-08-23 | Fukushima Prefecture | 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3019236B2 (ja) | 1992-09-28 | 2000-03-13 | 株式会社戸上電機製作所 | 送配電線の事故原因診断方法 |
JP2005107940A (ja) | 2003-09-30 | 2005-04-21 | Nippon Steel Corp | 溶銑温度予測装置、溶銑温度予測方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
-
2010
- 2010-09-02 US US13/820,663 patent/US9135557B2/en active Active
- 2010-09-02 JP JP2012531624A patent/JP5684813B2/ja active Active
- 2010-09-02 WO PCT/JP2010/065022 patent/WO2012029154A1/ja active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5818909A (ja) * | 1981-07-27 | 1983-02-03 | Shikoku Electric Power Co Inc | 油入電気機器の自動異常診断装置 |
JPH064292A (ja) * | 1992-06-19 | 1994-01-14 | Toshiba Corp | 判断規則生成装置 |
JPH0636941A (ja) * | 1992-07-15 | 1994-02-10 | Osaka Gas Co Ltd | 油入変圧器の異常予測システム |
JPH0729743A (ja) * | 1993-07-09 | 1995-01-31 | Kyushu Henatsuki Kk | 接触燃焼式検出器による油中の総可燃性ガス量の簡易検出法 |
JPH08161172A (ja) * | 1994-12-08 | 1996-06-21 | Nippon Telegr & Teleph Corp <Ntt> | 知識修正型学習システム |
JPH0972892A (ja) * | 1995-09-07 | 1997-03-18 | Mitsubishi Electric Corp | 油入電気機器内部の異常診断方法 |
JP2001069659A (ja) * | 1999-08-30 | 2001-03-16 | Sumitomo Electric Ind Ltd | 油中ガス分析によるofケーブル線路の異常検知方法 |
JP2002350426A (ja) * | 2001-05-23 | 2002-12-04 | Mitsubishi Electric Corp | 油入電気機器の内部異常診断方法 |
JP2005252167A (ja) * | 2004-03-08 | 2005-09-15 | Tottori Univ | 油入変圧器の異常診断方法 |
JP2007213441A (ja) * | 2006-02-10 | 2007-08-23 | Fukushima Prefecture | 多変数決定木構築システム、多変数決定木構築方法および多変数決定木を構築するためのプログラム |
Non-Patent Citations (3)
Title |
---|
JPN6010056380; 馬野元秀 他: '"ID3に基づくファジィ決定木の油中ガス分析診断への適用について"' Proceeding of the Fourth Intelligent FA Symposium, ISCIE , 19930707, pp.201-204 * |
JPN6010056381; Mang-Hui Wang: '"A Novel Extension Method for Transformer Fault Diagnosis"' IEEE TRANSACTIONS ON POWER DELIVERY,VOL.18,NO.1 , 200301, pp.164-169 * |
JPN6010056382; C.E.Lin et al.: '"An Expert System for Transformer Fault Diagnosis Using Dissolved Gas Analysis"' IEEE Transactions on Power Delivery,Vol.18,No.1 , 199301, pp.231-238 * |
Also Published As
Publication number | Publication date |
---|---|
US20130204827A1 (en) | 2013-08-08 |
JPWO2012029154A1 (ja) | 2013-10-28 |
US9135557B2 (en) | 2015-09-15 |
WO2012029154A1 (ja) | 2012-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5684813B2 (ja) | 油入電気機器の異常予測診断方法 | |
Jiang et al. | Dynamic fault prediction of power transformers based on hidden Markov model of dissolved gases analysis | |
Wang et al. | A two-stage data-driven-based prognostic approach for bearing degradation problem | |
Abu-Siada et al. | A new fuzzy logic approach to identify power transformer criticality using dissolved gas-in-oil analysis | |
Huang et al. | Dissolved gas analysis of mineral oil for power transformer fault diagnosis using fuzzy logic | |
CN109061341A (zh) | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 | |
CN108663582A (zh) | 一种变压器的故障诊断方法及系统 | |
CN102034019A (zh) | 六氟化硫电气设备绝缘状态综合评估的方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN105044499A (zh) | 一种电力系统设备变压器状态的检测方法 | |
CN104699606A (zh) | 一种基于隐马尔科夫模型的软件系统状态预测方法 | |
CN104808634A (zh) | 一种基于虚拟现实的火电厂可视化管理系统 | |
CN107944571B (zh) | 一种电力变压器剩余使用寿命预测方法 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN106896219B (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
CN107037306A (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
Yuniarto | The shortcomings of existing root cause analysis tools | |
KR100960939B1 (ko) | 최소 절단 집합과 퍼지 전문가 시스템을 이용한 시스템의고장 모드 및 임계 분석 장치 및 그 방법 | |
CN109164248A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
Dhote et al. | Improvement in transformer diagnosis by DGA using fuzzy logic | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN117689373A (zh) | 一种柔性直流牵引供电系统能量路由器维护决策支持方法 | |
CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
CN110489852A (zh) | 提高风电系统数据质量的方法及装置 | |
Zhou et al. | Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140610 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140723 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20141111 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20141121 |
|
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: 20141224 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150115 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5684813 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
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 |