CN103218662A - 一种基于bp神经网络的变压器故障诊断方法 - Google Patents
一种基于bp神经网络的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN103218662A CN103218662A CN2013101311874A CN201310131187A CN103218662A CN 103218662 A CN103218662 A CN 103218662A CN 2013101311874 A CN2013101311874 A CN 2013101311874A CN 201310131187 A CN201310131187 A CN 201310131187A CN 103218662 A CN103218662 A CN 103218662A
- Authority
- CN
- China
- Prior art keywords
- neural network
- encoded
- transformer
- method based
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 239000007789 gas Substances 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 9
- 206010020843 Hyperthermia Diseases 0.000 claims description 6
- 230000036031 hyperthermia Effects 0.000 claims description 6
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 5
- 125000000219 ethylidene group Chemical group [H]C(=[*])C([H])([H])[H] 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 13
- 238000007689 inspection Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络的变压器故障诊断方法,能够以绝缘油中特征气体的含量作为BP神经网络的输入,准确的对变压器的运行故障进行诊断,极大地提高变压器故障诊断的准确率,确保变压器安全可靠地运行。
Description
技术领域
本发明涉及一种变压器故障诊断方法,尤其涉及一种基于BP神经网络的变压器故障诊断方法。
背景技术
电力变压器是高压电气设备中非常昂贵的运行设备之一,同时也是电力***的重要组成部分。近几年来,随着我国经济的快速发展和电力技术的不断提高,电力工业逐步向高压、大容量方向发展,电力变压器的故障率也呈现了上升的趋势。由于变压器故障通常伴有电弧、放电以及剧烈燃烧等现象的发生,因此一旦变压器发生故障,轻则要停电检修,直接影响人民生活,重则将可能进一步导致电力设备贯通性击穿、***等事故,严重影响电力***供电的安全性、稳定性、可靠性及经济性。所以变压器的质量监测和故障诊断显得日益重要。
在变压器故障诊断的研究中,故障的征兆和故障类型存在很复杂的非线性的数学关系,这使得诊断的合适数学模型很难找到。其中,变压器的内部故障表现为机械、电和热三种类型,而后面两种又是最为主要的,而且机械故障通常也会以电或者热表现出来。电力变压器固体绝缘材料和油在电与热的双重作用下,会产生氢气、烃类、一氧化碳和二氧化碳等气体,而这些气体将溶解于变压器内部的油中,通过对油中的这些气体种类和含量进行分析,就能判断变压器的故障。其中氢气、甲烷、乙炔、乙烷、乙烯、一氧化碳、二氧化碳是判断故障时用到的主要气体,因此把它们叫做特征气体。
三比值法建立在油中溶解气体的基础上,是目前最基本的判断变压器故障的诊断方法。三比值法是通过确定C2H2 /C2H4、CH4 /H2和C2H4 /C2H6 这三个比值大小,再根据三比值编码规则(表1)和故障类型判断方法(表2)来确定变压器发生何种故障。但是,三比值法也存在很大的局限性,只有在油中溶解气体各组分含量都超过阈值的时候,才能采用三比值法进行变压器的故障诊断。另外,三比值法中缺少很多编码,会导致在三比值的编码规则表中找不到相对应的比值组合,无法进行故障判断;同时,如果计算出的数据处于三比值编码的边界,通过三比值法判断得出的变压器故障不准确,很容易诊断错误。
发明内容
本发明的目的是提供一种基于BP神经网络的变压器故障诊断方法,能够准确地对变压器的运行故障进行诊断,极大地提高变压器故障诊断的准确率,确保变压器安全可靠地运行。
本发明采用下述技术方案:
一种基于BP神经网络的变压器故障诊断方法,其特征在于:包括以下步骤:
A:收集训练样本数据当作输入向量;
B:对故障类型进行编码,编制训练样本和故障类型的对应表;
C:构建BP神经网络,并对BP神经网络进行训练,直到达到满意的精度为止;
D:诊断待测样本,将待测样本输入BP神经网络,经过网络计算后输出向量,得到诊断结果。
所述A步骤中的训练样本数据分别为H2、CH4、 C2H4、 C2H2、 C2H6和CO气体含量。
所述的B步骤中训练样本和故障类型的对应表为:若编码为1000000,则故障类型为低能放电;若编码为0100000,则故障类型为高能放电;若编码为0010000,则故障类型为局部放电;若编码为0001000,则故障类型为低温过热;若编码为0000100,则故障类型为中温过热;若编码为0000010,则故障类型为高温过热,若编码为0000001,则故障类型为高温过热兼高能放电。
所述的BP神经网络为具有一个隐层的前馈型BP神经网络,其中输入层有6个神经元,分别对应训练样本数据中的6种气体;输出层有7个神经元,分别对应7种故障类型。
所述的BP神经网络隐层的神经元个数为17个。
所述的BP神经网络的隐层传递函数是tansig(),输出层传递函数为线性函数,训练函数用trainlm。
所述B步骤中BP神经网络学习过程包括以下步骤:
B1:设置变量和参数;
B2:初始化;
B3:给定输入向量和目标输出;
B4:计算隐层、输出层各单元输出;
B5:计算实际输出与目标的偏差e,并判断是否满足要求,如果满足,进入步骤B6;如果不满足,进入步骤B7;
B6:判断是否学习完全部训练样本,全部计算实际输出与目标的偏差e是否均满足要求,如果满足,进入步骤B8,结束整个学习过程;如果不满足,则进入步骤B7;
B7:计算误差梯度,并修改权值,然后返回步骤B4;
B8:学习过程完成。
本发明能够以绝缘油中特征气体的含量作为BP神经网络的输入,准确的对变压器的运行故障进行诊断,极大地提高变压器故障诊断的准确率,确保变压器安全可靠地运行。
附图说明
图1为本发明的流程图;
图2为本发明所述BP神经网络的拓扑结构示意图;
图3为本发明所述BP神经网络学习过程的流程图;
图4为神经元个数为17时本发明所述BP神经网络训练均方差图;
图5为本发明所述回检诊断均方差随隐层神经元个数变化示意图。
具体实施方式
如图1所示,本发明所述的基于BP神经网络的变压器故障诊断方法包括以下步骤:
A:收集训练样本数据当作输入向量;
B:对故障类型进行编码,编制训练样本和故障类型的对应表;
C:构建BP神经网络,并对BP神经网络进行训练,直到达到满意的精度为止;
D:诊断待测样本,将待测样本输入BP神经网络,经过网络计算后输出向量,得到诊断结果。
本发明中,训练样本数据分别为H2、CH4、 C2H4、 C2H2、 C2H6和CO气体含量。在变压器中安装传感器,观测变压器油中溶解的各种气体含量,可得到上述BP神经网络的输入值。
建立故障种类矩阵T(如表3所示)和故障数据矩阵P(如表7所示),其中P为各种故障对应的6种气体含量,训练样本和故障类型的对应表为:若编码为1000000,则故障类型为低能放电;若编码为0100000,则故障类型为高能放电;若编码为0010000,则故障类型为局部放电;若编码为0001000,则故障类型为低温过热;若编码为0000100,则故障类型为中温过热;若编码为0000010,则故障类型为高温过热,若编码为0000001,则故障类型为高温过热兼高能放电;其中,
表3
表7
如图2所示,本发明所述的BP神经网络为具有一个隐层的前馈型BP神经网络,其中输入层有6个神经元,分别对应P矩阵中的6种气体;输出层有7个神经元,分别对应T矩阵的7种故障类型。
BP (Back Propagation)神经网络,即误差反传传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者到预先设定的学习次数为止。BP神经网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。
如图3所示,BP神经网络学习过程包括以下步骤:
B1:设置变量和参数;
B2:初始化;
B3:给定输入向量和目标输出;
B4:计算隐层、输出层各单元输出;
B5:计算实际输出与目标的偏差e,并判断是否满足要求,如果满足,进入步骤B6;如果不满足,进入步骤B7;
B6:判断是否学习完全部训练样本,全部计算实际输出与目标的偏差e是否均满足要求,如果满足,进入步骤B8,结束整个学习过程;如果不满足,则进入步骤B7;
B7:计算误差梯度,并修改权值,然后返回步骤B4;
B8:学习过程完成。
本实施例中,如图3所示,BP神经网络的学习过程具体如下:
(1) 设置变量和参数:
(2) 初始化。赋较小的随机非零值于 。
(8)学完所有的训练样本,学习过程完成。
本发明构造的BP神经网络模型结构含有一个隐层,该神经网络的输入层是P矩阵,隐层的神经元个数为17,输出层是7个神经元(与T矩阵相对应)。BP神经网络的隐层传递函数采用tansig(),输出层传递函数为线性函数,训练函数用trainlm,训练精度目标值为0.015,训练循环次数为50 。在Matlab 软件中对本发明所述的BP神经网络进行训练时,利用大量组故障数据P、T作为神经网络训练样本数据,分别取隐层神经元个数n=5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,对BP神经网络进行训练,调整和优化神经元阈值和连接权值。n=17 时,BP神经网络训练的均方差变化情况如图4所示。从图4中可以看到,均方差随着训练次数的增加而逐渐减小,当训练次数达到15次的时候,均方差基本上达到稳定,当训练次数达到37左右的时候,均方差保持稳定。
用隐层神经元个数分别为n=5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20时训练得到的BP神经网络进行回检诊断试验,将故障样本数据矩阵P输入到神经网络,得到回检诊断矩阵recheck,计算T与recheck的均方差分别为0,0174,0.0162,0.0205,0.0193,0.0187,0.0152,0.0170,0.0156,0.0193,0.0174,0.0284,0.0183,0.0146,0.0217,0.0248,0.0161。回检诊断均方差随隐层神经元个数变化的情况如图5所示。
由图5可以看出,回检诊断的均方差随隐层神经元的变化基本是稳定的,最小值是n=17 时的0.0146。因此,本发明选则隐层神经元个数为n=17的BP神经网络模型BPnn为变压器故障诊断模型,其隐层各神经元的阈值向量为:[-0.3877 -0.7588 -2.2231 5.9430 1.4356 -3.0014 4.2874 1.5326 3.0331 -0.5249 -2.5834 0.4915 0.6949 -0.6651 0.9589 -0.5256 -0.1726],输出层各神经元的阈值向量为:[0.2488 0.0907 -0.0907 -0.0661 0.6536 -0.1020 -0.2454 -0.2864];输入层与隐层各神经元之间以及隐层与输出层各神经元之间的节点权重分别如表4和表5所示。
使用训练得到的n=17时的BP神经网络故障诊断模型BPnn进行故障诊断实验。用226组神经网络训练样本数据P、T以外的40组故障数据组成BP神经网络故障诊断实验数据矩阵P1和T1,其中P1为6种气体含量,T1为对应的故障类型矩阵。把故障诊断样本P1 输入BP神经网络故障诊断模型BPnn进行故障诊断,得到诊断结果矩阵diagnose,如表6所示。应用最大隶属原则,将diagnose中的各个列向量的最大值取为1,其它分量的值取为0,然后与故障类型目标矩阵T1的各个列向量进行比较,计算结果故障识别准确率达到了95%。
本发明利用BP神经网络的自学习功能,实时记录、收集和整理变压器运行中所发生的故障数据,将其数据添加到网络训练样本矩阵P和T中,对神经网络故障诊断模型进行再训练,可持续优化神经网络模型的相关参数,提高模型的预测精度和稳健性。
Claims (7)
1.一种基于BP神经网络的变压器故障诊断方法,其特征在于:包括以下步骤:
A:收集训练样本数据当作输入向量;
B:对故障类型进行编码,编制训练样本和故障类型的对应表;
C:构建BP神经网络,并对BP神经网络进行训练,直到达到满意的精度为止;
D:诊断待测样本,将待测样本输入BP神经网络,经过网络计算后输出向量,得到诊断结果。
2.根据权利要求1所述的基于BP神经网络的变压器故障诊断方法,其特征在于:所述A步骤中的训练样本数据分别为H2、CH4、 C2H4、 C2H2、 C2H6和CO气体含量。
3.根据权利要求2所述的基于BP神经网络的变压器故障诊断方法,其特征在于:所述的B步骤中训练样本和故障类型的对应表为:若编码为1000000,则故障类型为低能放电;若编码为0100000,则故障类型为高能放电;若编码为0010000,则故障类型为局部放电;若编码为0001000,则故障类型为低温过热;若编码为0000100,则故障类型为中温过热;若编码为0000010,则故障类型为高温过热,若编码为0000001,则故障类型为高温过热兼高能放电。
4.根据权利要求3所述的基于BP神经网络的变压器故障诊断方法,其特征在于:所述的BP神经网络为具有一个隐层的前馈型BP神经网络,其中输入层有6个神经元,分别对应训练样本数据中的6种气体;输出层有7个神经元,分别对应7种故障类型。
5.根据权利要求4所述的基于BP神经网络的变压器故障诊断方法,其特征在于:所述的BP神经网络隐层的神经元个数为17个。
6.根据权利要求5所述的基于BP神经网络的变压器故障诊断方法,其特征在于:所述的BP神经网络的隐层传递函数是tansig(),输出层传递函数为线性函数,训练函数用trainlm。
7.根据权利要求6所述的基于BP神经网络的变压器故障诊断方法,其特征在于:所述B步骤中BP神经网络学习过程包括以下步骤:
B1:设置变量和参数;
B2:初始化;
B3:给定输入向量和目标输出;
B4:计算隐层、输出层各单元输出;
B5:计算实际输出与目标的偏差e,并判断是否满足要求,如果满足,进入步骤B6;如果不满足,进入步骤B7;
B6:判断是否学习完全部训练样本,全部计算实际输出与目标的偏差e是否均满足要求,如果满足,进入步骤B8,结束整个学习过程;如果不满足,则进入步骤B7;
B7:计算误差梯度,并修改权值,然后返回步骤B4;
B8:学习过程完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101311874A CN103218662A (zh) | 2013-04-16 | 2013-04-16 | 一种基于bp神经网络的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101311874A CN103218662A (zh) | 2013-04-16 | 2013-04-16 | 一种基于bp神经网络的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103218662A true CN103218662A (zh) | 2013-07-24 |
Family
ID=48816429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101311874A Pending CN103218662A (zh) | 2013-04-16 | 2013-04-16 | 一种基于bp神经网络的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103218662A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063577A (zh) * | 2014-05-12 | 2014-09-24 | 吉林省电力科学研究院有限公司 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
CN107122829A (zh) * | 2017-06-16 | 2017-09-01 | 华北电力大学(保定) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
CN107194465A (zh) * | 2017-06-16 | 2017-09-22 | 华北电力大学(保定) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
CN107228913A (zh) * | 2017-06-09 | 2017-10-03 | 广西电网有限责任公司电力科学研究院 | 一种变压器故障类型的状态诊断*** |
CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及*** |
CN108693448A (zh) * | 2018-03-28 | 2018-10-23 | 西安博源电气有限公司 | 一种应用于电力设备局部放电模式识别*** |
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 |
CN109033612A (zh) * | 2018-07-20 | 2018-12-18 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
CN109188082A (zh) * | 2018-08-14 | 2019-01-11 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的变压器状态评估方法 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及*** |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
CN109784475A (zh) * | 2019-01-02 | 2019-05-21 | 广东工业大学 | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
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 |
CN110163389A (zh) * | 2019-05-27 | 2019-08-23 | 上海电气泰雷兹交通自动化***有限公司 | 运用于预见性维护管理中的神经元网络方法 |
CN110927501A (zh) * | 2019-12-12 | 2020-03-27 | 吉林省电力科学研究院有限公司 | 基于灰色关联改进加权小波神经网络的变压器故障诊断方法 |
CN110979589A (zh) * | 2019-12-16 | 2020-04-10 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 基于波浪增阻预测的船舶控制方法、装置及智能终端 |
CN111060221A (zh) * | 2019-12-31 | 2020-04-24 | 云领电气智能科技(苏州)有限公司 | 基于循环神经网络的变压器过热故障预警方法 |
CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 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 |
CN113109666A (zh) * | 2021-04-09 | 2021-07-13 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
CN113740778A (zh) * | 2021-09-06 | 2021-12-03 | 长春工业大学 | 一种电厂用500kV大功率电力变压器故障的诊断装置及其方法 |
CN115758899A (zh) * | 2021-06-28 | 2023-03-07 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5598509A (en) * | 1992-08-28 | 1997-01-28 | Hitachi, Ltd. | Method of configuring a neural network and a diagnosis/recognition system using the same |
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
-
2013
- 2013-04-16 CN CN2013101311874A patent/CN103218662A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5598509A (en) * | 1992-08-28 | 1997-01-28 | Hitachi, Ltd. | Method of configuring a neural network and a diagnosis/recognition system using the same |
CN101231673A (zh) * | 2008-02-02 | 2008-07-30 | 湖南大学 | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
孟涛 等: "利用变压器油中溶解气体分析技术进行故障诊断的研究", 《电工电气》, 15 January 2011 (2011-01-15) * |
李俊峰 等: "基于夹角余弦的油浸式变压器故障诊断研究", 《仪器仪表学报》 * |
殷跃: "基于BP神经网络的电力变压器故障诊断的研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, 15 September 2007 (2007-09-15), pages 42 - 64 * |
谭凌峰: "电力变压器绝缘故障模糊诊断方法的研究", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》, 15 June 2008 (2008-06-15) * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063577A (zh) * | 2014-05-12 | 2014-09-24 | 吉林省电力科学研究院有限公司 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
CN104063577B (zh) * | 2014-05-12 | 2017-02-15 | 吉林省电力科学研究院有限公司 | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN105447568B (zh) * | 2015-11-09 | 2018-03-27 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
CN107228913A (zh) * | 2017-06-09 | 2017-10-03 | 广西电网有限责任公司电力科学研究院 | 一种变压器故障类型的状态诊断*** |
CN107228913B (zh) * | 2017-06-09 | 2023-08-08 | 广西电网有限责任公司电力科学研究院 | 一种变压器故障类型的状态诊断*** |
CN107122829A (zh) * | 2017-06-16 | 2017-09-01 | 华北电力大学(保定) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
CN107194465A (zh) * | 2017-06-16 | 2017-09-22 | 华北电力大学(保定) | 一种利用虚拟样本训练神经网络诊断变压器故障的方法 |
CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN107480787B (zh) * | 2017-08-10 | 2020-12-11 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及*** |
CN108693448B (zh) * | 2018-03-28 | 2020-11-13 | 西安博源电气有限公司 | 一种应用于电力设备局部放电模式识别*** |
CN108693448A (zh) * | 2018-03-28 | 2018-10-23 | 西安博源电气有限公司 | 一种应用于电力设备局部放电模式识别*** |
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 |
CN109033612A (zh) * | 2018-07-20 | 2018-12-18 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
CN109188082A (zh) * | 2018-08-14 | 2019-01-11 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的变压器状态评估方法 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及*** |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
CN109784475A (zh) * | 2019-01-02 | 2019-05-21 | 广东工业大学 | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
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 |
CN109784475B (zh) * | 2019-01-02 | 2022-12-16 | 广东工业大学 | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
CN110163389A (zh) * | 2019-05-27 | 2019-08-23 | 上海电气泰雷兹交通自动化***有限公司 | 运用于预见性维护管理中的神经元网络方法 |
CN110163389B (zh) * | 2019-05-27 | 2023-06-30 | 上海电气泰雷兹交通自动化***有限公司 | 运用于预见性维护管理中的神经元网络方法 |
CN110927501A (zh) * | 2019-12-12 | 2020-03-27 | 吉林省电力科学研究院有限公司 | 基于灰色关联改进加权小波神经网络的变压器故障诊断方法 |
CN110979589B (zh) * | 2019-12-16 | 2020-10-30 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 基于波浪增阻预测的船舶控制方法、装置及智能终端 |
CN110979589A (zh) * | 2019-12-16 | 2020-04-10 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 基于波浪增阻预测的船舶控制方法、装置及智能终端 |
CN111060221A (zh) * | 2019-12-31 | 2020-04-24 | 云领电气智能科技(苏州)有限公司 | 基于循环神经网络的变压器过热故障预警方法 |
CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 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 |
CN113109666A (zh) * | 2021-04-09 | 2021-07-13 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
CN113109666B (zh) * | 2021-04-09 | 2024-03-15 | 河南省博海大数据科技有限公司 | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
CN115758899A (zh) * | 2021-06-28 | 2023-03-07 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断*** |
CN115758899B (zh) * | 2021-06-28 | 2023-05-09 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断*** |
CN113740778A (zh) * | 2021-09-06 | 2021-12-03 | 长春工业大学 | 一种电厂用500kV大功率电力变压器故障的诊断装置及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103218662A (zh) | 一种基于bp神经网络的变压器故障诊断方法 | |
CN103245861B (zh) | 一种基于贝叶斯网络的变压器故障诊断方法 | |
Fei et al. | Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm | |
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 | |
CN103268516A (zh) | 一种基于神经网络的变压器故障诊断方法 | |
Cui et al. | Improvement of power transformer insulation diagnosis using oil characteristics data preprocessed by SMOTEBoost technique | |
Parcollet et al. | The energy and carbon footprint of training end-to-end speech recognizers | |
CN104535865A (zh) | 基于多参数的电力变压器运行故障综合诊断方法 | |
Zhang et al. | A novel neural network approach to transformer fault diagnosis based on momentum-embedded BP neural network optimized by genetic algorithm and fuzzy c-means | |
CN110879373B (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
CN101907665A (zh) | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 | |
CN106156434A (zh) | 基于局部时滞重构的滑动窗时间差‑高斯过程回归建模方法 | |
CN107132310A (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
CN106597154B (zh) | 基于dag-svm的变压器故障诊断提升方法 | |
CN109100429A (zh) | 一种组合预测残差修正的油中气体预测方法 | |
CN112085084B (zh) | 一种基于多特征融合共同向量的变压器故障诊断方法 | |
CN104598968A (zh) | 变压器故障诊断方法 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN114418166A (zh) | 一种变压器油中的溶解气体浓度预测方法、装置及介质 | |
Farooque et al. | Artificial neural network (ANN) based implementation of Duval pentagon | |
Chen et al. | Fault diagnosis of transformer based on random forest | |
CN104102214A (zh) | 变压器及其周边电路故障控制方法 | |
CN107103361B (zh) | 基于粗糙集与回答集的变压器故障诊断方法和*** | |
CN104101795A (zh) | 一种变压器故障控制方法 | |
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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130724 |