CN103207950A - 一种基于rbf神经网络的变压器故障诊断的智能方法 - Google Patents
一种基于rbf神经网络的变压器故障诊断的智能方法 Download PDFInfo
- Publication number
- CN103207950A CN103207950A CN2013101327834A CN201310132783A CN103207950A CN 103207950 A CN103207950 A CN 103207950A CN 2013101327834 A CN2013101327834 A CN 2013101327834A CN 201310132783 A CN201310132783 A CN 201310132783A CN 103207950 A CN103207950 A CN 103207950A
- Authority
- CN
- China
- Prior art keywords
- neural network
- rbf
- rbf neural
- training
- fault type
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000002405 diagnostic procedure Methods 0.000 title abstract 3
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000007789 gas Substances 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims description 23
- 239000006185 dispersion Substances 0.000 claims description 4
- 206010020843 Hyperthermia Diseases 0.000 claims description 3
- 230000036031 hyperthermia Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于RBF神经网络的变压器故障诊断的智能方法,包括以下步骤:(1)利用IEC三比值法得出五种气体的三比值:C2H2/C2H4、CH4/H2、C2H4/C2H6作为训练样本数据;(2)利用隶属函数将三比值进行模糊化处理;(3)对故障类型进行编码;(4)根据训练样本数据训练RBF神经网络,直到RBF网络满足精度要求,(5)输入模糊化处理后的待诊断样本;(6)输出诊断结果。本方法不仅有较高的推理能力和诊断精度,同时也克服了IEC三比值法的缺陷,能准确的反映出变压器故障的所有形态。
Description
技术领域
本发明涉及变压器的故障诊断领域,尤其涉及一种基于RBF神经网络的变压器故障诊断的智能方法。
背景技术
目前,变压器是电力***中的重要枢纽设备之一,它承担着变换电压,分配与传输电能的重任,对电能的经济传输、灵活分配和安全使用具有重要的意义,其运行状态直接影响整个电力***的安全运行与稳定。
变压器故障诊断的方法很多,其中绝大部分方法都是利用不同类型的变压器故障对应不同的变压器油中溶解气体浓度这一性质,同时对多种故障特征气体的浓度进行分析来发现变压器的潜在故障以及故障的类型,该手段不受外界电磁场的影响,可以定期对运行状态下的变压器内部进行故障诊断。主要的方法有:IEC三比值法、电协研法、特征气体诊断法。
IEC三比值法是现阶段对变压器故障进行诊断的一种常见的方法。三比值法的基本原理是:根据变压器绝缘材料在故障下裂解产生气体组分含量的相对浓度与温度的相互依赖关系,从变压器油中提取5种特征气体(H2、CH4、C2H6、C2H4和C2H2,根据各种气体的成分含量计算出相应的三对比值C2H2/C2H4、CH4/H2、C2H4/C2H6,然后对每对比值赋予相应的编码,根据编码得到一个编码表,根据编码表中提供的诊断标准判断出变压器是否发生故障以及故障的类型(见表2-1、表2-2)。
表2-1三比值法的编码规则
表2-2三比值法判断变压器故障的诊断标准
将特征气体的三对比值与编码表中范围进行对比,很容易就能判断出变压器是否发生故障及已经故障的类型。但IEC三比值法存在以下的不足:①由于变压器内部故障非常复杂,由典型事故统计分析得到的三比值法推荐的编码组合,在实际应用中常常出现不包括在故障类型判断方法编码表范围内编码组合对应的故障。②只有油中气体各组分含量足够高或超过注意值,并且经综合分析确定变压器内部存在故障,才能进一步用三比值法判断其故障的性质。如果不论变压器是否存在故障,一律使用三比值法,就有可能对正常的变压器造成误诊断。③在实际应用中,当有多种故障联合作用时,可能在编码组合和故障类型对应关系表中找不到相对应的比值组合;同时,在三比值编码边界模糊的比值区间内的故障,往往容易误判。由于故障分类存在模糊性,故障状态可能引起多种故障特征,而一种故障特征也可在不同程度上反映多种故障状态,因此三比值法不能全面反映故障状况。故障本身存在模糊性,每一组编码与故障类型之间也具有模糊性,三比值未能包括和反映变压器内部故障的所有形态。
发明内容
本发明的目的是提供一种基于RBF神经网络的变压器故障诊断的智能方法,不仅有较高的推理能力和诊断精度,还能准确的反映出变压器故障的所有形态。
本发明采用下述技术方案:一种基于RBF神经网络的变压器故障诊断的智能方法,包括以下步骤:(1)、利用IEC三比值法得出五种气体的三比值:C2H2/C2H4、CH4/H2、C2H4/C2H6作为训练样本数据;(2)、利用隶属函数将三比值进行模糊化处理;(3)、对故障类型进行编码;(4)、根据训练样本数据训练RBF神经网络,直到RBF网络满足精度要求,(5)、输入模糊化处理后的待诊断样本;(6)、输出诊断结果。
所述的步骤(2)中所采用的隶属函数是正态分布函数,设χ1=C2H2/C2H4,χ2=CH4/H2,χ3=C2H4/C2H6,a1,a2,a3为模糊化处理过的神经网络输入层的实际输入量,则隶属函数为:
所述的步骤(3)中的故障类型编码包括:若编码为100000,则故障类型对应为低能放电;若编码为010000,则故障类型对应为中温过热;若编码为001000,则故障类型对应为高能放电;若编码为000100,则故障类型对应为高温过热;若编码为000010,则故障类型对应为地温过热;若编码为000001,则故障类型对应为局部放电。
所述的步骤(4)中根据样本数据训练RBF神经网络是用MATLAB软件进行训练,三个输入节点是模糊化后的三比值,六个输出节点是六种故障类型编码:设置训练精度为0.05,散布常数为5。
还包括有将RBF神经网络输出数据模糊化的步骤,把大于0.5的数据规定为1,其它的为0。
本发明具有以下有益效果:
①利用隶属函数对输入数据进行模糊处理,扩大了神经网络的诊断范围,提高了神经网络诊断的精确度;
②采用模糊后的C2H2/C2H4、CH4/H2、C2H4/C2H6三对比值作为神经网络的输入节点,简化了神经网络的输入维数加快了训练的速度;
③创建RBF神经网络对变压器故障进行诊断,利用神经网络隐含层对输入矢量进行变换,将低位的模式输入数据变换到高位空间内,使得低维空间内的线性不可分问题转换为在高维空间线性可分,提高了网络的推理能力和诊断精度。
附图说明
图1为本发明的方法流程图;
图2为本发明中RBF神经网络的结构图;
图3为RBF神经网络训练时的误差变化图一;
图4为RBF神经网络的实际诊断结果图一;
图5为RBF神经网络训练时的误差变化图二;
图6为RBF神经网络的实际诊断结果二。
具体实施方式
本发明提出了一种基于RBF神经网络的变压器故障诊断的智能方法,如图1所示,具体包括以下步骤:
(1)、利用IEC三比值法得出五种气体的三比值:C2H2/C2H4、CH4/H2、C2H4/C2H6作为训练样本数据;
(2)、利用隶属函数将三比值进行模糊化处理;
(3)、对故障类型进行编码;
(4)、根据模糊化后的三比值数据与故障类型的对应关系作为样本数据,训练RBF神经网络,直到RBF网络满足精度要求后进入下一步;
(5)、输入模糊化处理后的待测样本;
(6)、输出诊断结果。
本发明中所述的径向基网络神经网络(简称RBF网络)是一个三层前馈网络,由输入层、隐层、输出层组成,具体结构如图2所示。
第一层为输入层,该层的各个节点直接与输入向量的各分量χi连接,它起着将输入数据传送到下一层的作用,节点数为n。
第二层为隐层,每一个隐节点都是一个RBF节点,代表一个单独的与中心位置和扩展常数有关的径向基函数,通过径向基函数作为传递函数来处理输入数据。径向基函数为高斯函数,通过计算输入向量(χ)和径向基函数中心之间的欧式距离来实现数据在隐层的非线性传递。如公式(1):
其中hj(χ)是第j个RBF节点输出,cj和rj分别是第j个RBF节点的中心值和扩展常数。
第三层是输出层,是线性单元,实现网络输出,如公式(2)表示。
yk(χ)是网络对于输入向量(χ)的第κ个输出,m为隐节点数,ωkj是第κ个输出节点和第j个隐节点的连接权,bk是基。
隐单元的“基”是径向基函数,其构成隐含层空间,输入矢量被隐含层进行变换,将低维的模式输入数据变换到高维空间内,使得低维空间内的线性不可分问题转换为在高维空间线性可分。
从特征气体样本数据中随机抽取100组数据用作训练神经网络数据样本,做出C2H2/C2H4、CH4/H2、C2H4/C2H6三个比值(部分数据如表3-1所示)。
表3-1故障特征气体样本及比值
对故障类型进行编码,如表3-2。
表3-2故障类型编码表
故障类型 | 编码 |
低能放电 | 1 0 0 0 0 0 |
中温过热 | 0 1 0 0 0 0 |
高能放电 | 0 0 1 0 0 0 |
高温过热 | 0 0 0 1 0 0 |
低温过热 | 0 0 0 0 1 0 |
局部放电 | 0 0 0 0 0 1 |
为体现变压器故障诊断中的不确定因素,运用模糊数学理论来完成数据预处理工作。分别建立C2H2/C2H4、CH4/H2、C2H4/C2H6三个比值的隶属函数来求取神经网络的实际输入量。
设χ1=C2H2/C2H4,χ2=CH4/H2,χ3=C2H4/C2H6,a1,a2,a3为神经网络输入层的实际输入量,则隶属函数为:
通过隶属函数对C2H2/C2H4、CH4/H2、C2H4/C2H6三个比值进行模糊处理,处理结果(部分数据如表3-3所示),得到a1,a2,a3作为RBF神经网络的输入数据样本。
表3-3模糊处理数据
从原特征气体样本数据中选取60组数据作为待检测数据样本,部分数据如表3-4所示。
表3-4待检测数据样本
利用隶属函数对上述待检测数据样本模糊化处理,得到待检测数据样本模糊数值a1,a2,a3,部分数据如表3-5所示。
表3-5待检测数据样本模糊数值
神经网络的训练:根据表3-1所示的数据样本输入输出关系,用newrb函数来训练RBF神经网络。根据RBF神经网络模型结构的确定原则,确定网络有a1,a2,a3三个输入节点,对应5种特征气体的三对比值,6个输出节点(对应表二中的故障编码),在MATLAB中调用RBF神经网络程序对所选取的样本数据进行训练,设置训练精度为0.06,散布常数为10时,在用MATLAB软件训练过程中,误差变化图如图3所示。RBF实际诊断结果如图4所示。
对输出结果进行模糊化处理,规定输出数据大于0.5的数据为1,小于0.5的为0,将诊断结果同实际样本数据相比较,60组数据中有48组诊断正确,正确率达到70%。
设置训练精度为0.05,散布常数为5时,在MATLAB训练过程中,误差变化图如图5所示。RBF实际诊断结果如图6所示。
对输出结果进行模糊化处理,规定输出数据大于0.5的数据为1,小于0.5的为0,将诊断结果同实际样本数据相比较,60组数据中53组诊断正确,正确率达到88.3%。
利用IEC三比值法,根据表2-2判断变压器故障的诊断标准,对60组特征气体数据样本进行故障判断,结果如表3-6。
表3-6
由表3-6可以得出IEC三比值法对变压器故障诊断的结果,60组特征气体样本数据中,因比值超出编码范围而无法判断的有25组,判断错误的有12组,最终IEC三比值法对变压器故障诊断的正确率约为38.3%。而利用模糊神经网络对变压器故障进行诊断的准确率高达88.3%,远远高于利用IEC三比值法对变压器故障进行诊断的准确率。
Claims (5)
1.一种基于RBF神经网络的变压器故障诊断的智能方法,其特征在于:包括以下步骤:(1)、利用IEC三比值法得出五种气体的三比值:C2H2/C2H4、CH4/ H2、C2H4/ C2H6作为训练样本数据;(2)、利用隶属函数将三比值进行模糊化处理;(3)、对故障类型进行编码;(4)、根据训练样本数据训练RBF神经网络,直到RBF网络满足精度要求,(5)、输入模糊化处理后的待诊断样本;(6)、输出诊断结果。
3.根据权利要求1所述的基于RBF神经网络的变压器故障诊断的智能方法,其特征在于:所述的步骤(3)中的故障类型编码包括:若编码为100000,则故障类型对应为低能放电;若编码为010000,则故障类型对应为中温过热;若编码为001000,则故障类型对应为高能放电;若编码为000100,则故障类型对应为高温过热;若编码为000010,则故障类型对应为地温过热;若编码为000001,则故障类型对应为局部放电。
4.根据权利要求1所述的基于RBF神经网络的变压器故障诊断的智能方法,其特征在于:所述的步骤(4)中根据样本数据训练RBF神经网络是用MATLAB软件进行训练,三个输入节点是模糊化后的三比值,六个输出节点是六种故障类型编码:设置训练精度为0.05,散布常数为5。
5.根据权利要求4所述的基于RBF神经网络的变压器故障诊断的智能方法,其特征在于:还包括有将RBF神经网络输出数据模糊化的步骤,把大于0.5的数据规定为1,其它的为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310132783.4A CN103207950B (zh) | 2013-04-16 | 2013-04-16 | 一种基于rbf神经网络的变压器故障诊断的智能方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310132783.4A CN103207950B (zh) | 2013-04-16 | 2013-04-16 | 一种基于rbf神经网络的变压器故障诊断的智能方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103207950A true CN103207950A (zh) | 2013-07-17 |
CN103207950B CN103207950B (zh) | 2016-08-10 |
Family
ID=48755169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310132783.4A Active CN103207950B (zh) | 2013-04-16 | 2013-04-16 | 一种基于rbf神经网络的变压器故障诊断的智能方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103207950B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198840A (zh) * | 2014-08-07 | 2014-12-10 | 华北电力大学(保定) | 一种应用b样条理论改进的变压器三比值故障诊断方法 |
CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
CN105487009A (zh) * | 2015-11-19 | 2016-04-13 | 上海电机学院 | 基于k均值的RBF神经网络算法的电机故障诊断方法 |
CN105930861A (zh) * | 2016-04-13 | 2016-09-07 | 西安西拓电气股份有限公司 | 一种基于Adaboost算法的变压器故障诊断方法 |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合*** |
CN107274112A (zh) * | 2017-07-07 | 2017-10-20 | 许寅卿 | 改良油中溶解气体的诊断算法模型 |
CN107843816A (zh) * | 2017-10-20 | 2018-03-27 | 广东电网有限责任公司河源供电局 | 一种考虑负载率影响的变压器绝缘缺陷状态评估方法 |
CN107843788A (zh) * | 2017-10-31 | 2018-03-27 | 西安科技大学 | 一种利用特征气体进行油浸变压器的故障诊断方法 |
CN108761287A (zh) * | 2018-05-28 | 2018-11-06 | 深圳供电局有限公司 | 一种变压器局部放电类型识别方法 |
CN109633369A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
CN109840548A (zh) * | 2019-01-02 | 2019-06-04 | 广东工业大学 | 一种基于bp神经网络变压器故障诊断方法 |
CN110618340A (zh) * | 2019-03-11 | 2019-12-27 | 广东工业大学 | 一种变压器状态评估方法 |
CN112269151A (zh) * | 2020-10-15 | 2021-01-26 | 芜湖金牛电气股份有限公司 | 变压器油中气体故障诊断方法 |
CN114252724A (zh) * | 2022-03-02 | 2022-03-29 | 山东和兑智能科技有限公司 | 变压器智能检测方法与检测*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7496546B2 (en) * | 2003-03-24 | 2009-02-24 | Riken | Interconnecting neural network system, interconnecting neural network structure construction method, self-organizing neural network structure construction method, and construction programs therefor |
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
-
2013
- 2013-04-16 CN CN201310132783.4A patent/CN103207950B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7496546B2 (en) * | 2003-03-24 | 2009-02-24 | Riken | Interconnecting neural network system, interconnecting neural network structure construction method, self-organizing neural network structure construction method, and construction programs therefor |
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
Non-Patent Citations (5)
Title |
---|
中华人民共和国国家经济贸易委员会: "《DL/T722-2000变压器油中溶解气体分解和判断导则》", 1 January 2001, article "故障类型的判断、溶解气体分析解释表", pages: 777 - 784 * |
吴宏岐等: "基于RBF神经网络的变压器故障诊断及MATLAB仿真研究", 《科学技术与工程》, vol. 10, no. 5, 18 February 2010 (2010-02-18), pages 1249 - 1251 * |
朱丽娟: "RBF神经网络的变压器故障诊断研究", 《计算机与信息技术》, no. 12, 20 December 2009 (2009-12-20), pages 12 - 14 * |
段慧达等: "基于模糊输入的概率神经网络在变压器故障诊断中应用", 《煤矿机械》, vol. 28, no. 2, 28 February 2007 (2007-02-28), pages 190 - 192 * |
魏星等: "基于径向基函数网络的大型电力变压器故障诊断", 《江苏电机工程》, vol. 24, no. 6, 28 December 2005 (2005-12-28), pages 19 - 21 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198840B (zh) * | 2014-08-07 | 2017-02-08 | 华北电力大学(保定) | 一种应用b样条理论改进的变压器三比值故障诊断方法 |
CN104198840A (zh) * | 2014-08-07 | 2014-12-10 | 华北电力大学(保定) | 一种应用b样条理论改进的变压器三比值故障诊断方法 |
CN105487009A (zh) * | 2015-11-19 | 2016-04-13 | 上海电机学院 | 基于k均值的RBF神经网络算法的电机故障诊断方法 |
CN105353255B (zh) * | 2015-11-27 | 2018-07-31 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
CN105930861B (zh) * | 2016-04-13 | 2019-08-06 | 西安西拓电气股份有限公司 | 一种基于Adaboost算法的变压器故障诊断方法 |
CN105930861A (zh) * | 2016-04-13 | 2016-09-07 | 西安西拓电气股份有限公司 | 一种基于Adaboost算法的变压器故障诊断方法 |
CN106066432B (zh) * | 2016-05-26 | 2018-02-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合*** |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合*** |
CN107274112A (zh) * | 2017-07-07 | 2017-10-20 | 许寅卿 | 改良油中溶解气体的诊断算法模型 |
CN107274112B (zh) * | 2017-07-07 | 2021-11-26 | 国网上海市电力公司 | 改良油中溶解气体的诊断算法模型 |
CN107843816B (zh) * | 2017-10-20 | 2020-02-04 | 广东电网有限责任公司河源供电局 | 一种考虑负载率影响的变压器绝缘缺陷状态评估方法 |
CN107843816A (zh) * | 2017-10-20 | 2018-03-27 | 广东电网有限责任公司河源供电局 | 一种考虑负载率影响的变压器绝缘缺陷状态评估方法 |
CN107843788A (zh) * | 2017-10-31 | 2018-03-27 | 西安科技大学 | 一种利用特征气体进行油浸变压器的故障诊断方法 |
CN108761287A (zh) * | 2018-05-28 | 2018-11-06 | 深圳供电局有限公司 | 一种变压器局部放电类型识别方法 |
CN109633369A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
CN109840548A (zh) * | 2019-01-02 | 2019-06-04 | 广东工业大学 | 一种基于bp神经网络变压器故障诊断方法 |
CN110618340A (zh) * | 2019-03-11 | 2019-12-27 | 广东工业大学 | 一种变压器状态评估方法 |
CN112269151A (zh) * | 2020-10-15 | 2021-01-26 | 芜湖金牛电气股份有限公司 | 变压器油中气体故障诊断方法 |
CN114252724A (zh) * | 2022-03-02 | 2022-03-29 | 山东和兑智能科技有限公司 | 变压器智能检测方法与检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN103207950B (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103207950A (zh) | 一种基于rbf神经网络的变压器故障诊断的智能方法 | |
Khan et al. | A comprehensive comparative study of DGA based transformer fault diagnosis using fuzzy logic and ANFIS models | |
Hooshmand et al. | Adaptive neuro-fuzzy inference system approach for simultaneous diagnosis of the type and location of faults in power transformers | |
Ashkezari et al. | Application of fuzzy support vector machine for determining the health index of the insulation system of in-service power transformers | |
CN105224782B (zh) | 一种基于故障模式的变电设备故障概率计算方法 | |
CN104091416B (zh) | 一种监测电力变压器异常状态的报警*** | |
CN106324405A (zh) | 一种基于改进主成分分析的变压器故障诊断方法 | |
CN103268516A (zh) | 一种基于神经网络的变压器故障诊断方法 | |
CN104020401B (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
CN104535865A (zh) | 基于多参数的电力变压器运行故障综合诊断方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
Khalyasmaa et al. | Expert system for engineering assets' management of utility companies | |
CN106780108A (zh) | 一种基于改进证据推理融合的配电变压器状态评估方法 | |
CN101782625B (zh) | 一种基于Gradation-Boosting算法的电力电子***故障诊断方法 | |
Xu et al. | A method for diagnosing mechanical faults of on-load tap changer based on ensemble empirical mode decomposition, Volterra model and decision acyclic graph support vector machine | |
CN106813921A (zh) | 一种旋转机械复合故障诊断方法 | |
Khan et al. | ANFIS based identification and location of paper insulation faults of an oil immersed transformer | |
Farooque et al. | Artificial neural network (ANN) based implementation of Duval pentagon | |
CN104102214A (zh) | 变压器及其周边电路故障控制方法 | |
CN104101795A (zh) | 一种变压器故障控制方法 | |
CN108491358A (zh) | 一种变压器套管状态评估方法及装置 | |
Chen et al. | Fault diagnosis of transformer based on random forest | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN107843788A (zh) | 一种利用特征气体进行油浸变压器的故障诊断方法 | |
CN104101794A (zh) | 电力变压器综合控制*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191219 Address after: Room 2301-2312, 23 / F, block B, Weiye international, intersection of Zhengkai Avenue and Jinxiu Road, Baisha Town, Zhengdong New District, Zhengzhou City, Henan Province Patentee after: Henan Zhengshu Intelligent Technology Co., Ltd Address before: 450000 Henan Province, Zhengzhou District, No. 27 University Road, No. 2 Patentee before: Zhengzhou Institute of Aeronautical Industry Management |