CN108304931A - 一种变电设备状态检修故障诊断方法 - Google Patents
一种变电设备状态检修故障诊断方法 Download PDFInfo
- Publication number
- CN108304931A CN108304931A CN201810117857.XA CN201810117857A CN108304931A CN 108304931 A CN108304931 A CN 108304931A CN 201810117857 A CN201810117857 A CN 201810117857A CN 108304931 A CN108304931 A CN 108304931A
- Authority
- CN
- China
- Prior art keywords
- condition
- training
- substation equipment
- sample
- based maintenance
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004587 chromatography analysis Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 24
- 230000008439 repair process Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种变电设备状态检修故障诊断方法，其主要技术特点是：通过改进典型及差异样本，建立基于优化自适应调整学***衡，能够指导变电设备的更换、改造、运行维护与检修试验等工作的开展，也可以为变电设备的管理决策及设备检修等提供直接依据。
Description
技术领域
本发明属于变电设备技术领域，尤其是一种变电设备状态检修故障诊断方 法。
背景技术
变电设备是电力***中的重要设备，对于电力***的正常运行起着重要作 用。长期以来，变电设备检修工作执行的是以预防性试验规程为基础的计划检 修制度。由于电网规模的不断扩大，采用周期检修和故障检修，普遍存在着欠 修或过修问题，对电网可靠运行造成重大威胁，以至于变电设备运维成本浪费， 并增加人力资源负担。主要原因包括新旧设备状态差异共存，运行环境导致风 险不一，既定的检修周期导致检修工作存在不足或过度的风险。因此，上述传 统检修方式已不能满足实际生产的需求。
目前状态检修的工作虽已得到一定的研究及应用，但在满足设备和电网安 全性的前提下，如何兼顾修理、改造与更换等方式的经济性评价仍需研究。
发明内容
本发明的目的在于克服现有技术的不足，提出一种变电设备状态检修故障 诊断方法，解决传统检修模式普遍存在着欠修或过修现象以及变电设备运维成 本及人力资源成本浪费的问题。
本发明解决其技术问题是采取以下技术方案实现的：
一种变电设备状态检修故障诊断方法，包括以下步骤：
步骤1、通过改进典型及差异样本，建立基于优化自适应调整学习率模型；
步骤2、根据基于优化自适应调整学习率模型进行变电设备状态检修故障诊 断。
所述步骤1的具体方法包括以下步骤：
步骤1.1、采用自适应调整学习率算法，进行BPNN模型训练；
步骤1.2、对BPNN源范例集中的范例数据进行归一化处理；
步骤1.3、对归一化处理的范例数据进行筛选归类；
步骤1.4、根据故障类型进行网络训练，得到基于优化自适应调整学习率模 型。
所述步骤1.1的处理方法包括以下步骤：
⑴始化各层节点的权值系数Wij，i表示层数索引，j表示节点个数索引；
⑵由标准输入值和初始化权值系数，利用网络正向传播路径计算输出结果；
⑶根据输出结果和期望输出结果的差值作为反馈因子调整节点权值系数Wij；
⑷重复步骤⑵、⑶直到计算输出结果和期望值的误差达到理想范围内；
⑸设输入向量X＝(x1，x2…xn)，正向传播输出结果为Y＝(y1，y2…ym)，期望输 出为T＝(t1，t2…tm)，节点权值系数为W＝(wi1，wi2…wis)，则第k次反向传播误差 为:
E(k)＝T-Y(k)＝T-XW(k)。
在训练过程中，采用自适应调整学习率的网络学习算法，其权值调整过程 可表示为：
式中，Δw为权值变化量；mc为动量因子，O≤mc≤l；α(k)为k时刻的学 习率；D(k)为k时刻的梯度值；
其中，学习率的调整具有自适应能力，当训练过程中网络的输出误差大于 上一次的输出误差时，即E(k)≥E(k-l)时，学习率将自动减小，而E(k)<E(k-l) 时，则学习率将自行增加。
所述步骤1.2的处理方法包括以下步骤：
⑴搜集并选取经核实确认且结论较明确的变压器事故前色谱检测数据组成 训练样本集；
⑵针对不同特征气体含量大小分别进行排序，并依其含量大小分组；
⑶分别统计不同特征气体在各分组的频次Δrj和频率wj＝Δrj/n，其中n为 气体观测值个数；
⑷利用累积频率的概念计算各分组后的数据，对第i组数据其累积频率为：
其中ri为到第i组结束时的累积频次；将己计算出的累积频率值Fi代替该 组特征气体的含量作为神经网络的输入；通过将训练样本集中的不同特征气体 的含量替换为各自所对应的累计频次组成原范例集。
所述步骤1.3的处理方法包括以下步骤：
⑴对源范例库中范例进行类属函数值计算：针对N个训练样本分别属于K 类故障类型的求解，其评估个体样本的类属函数可表示为：
Fclass＝max(M1/l，M2/l，…Mi/l…Mk/l)
式中l为距被评估个体距离最近的训练样本数，其数量可根据现有数据量的 大小进行调整，i表示故障模式的下标，Mi是l个学习样本中属于第i类故障的 样本数；
⑵在对源范例库中范例进行类属函数值计算后，可取其中类属函数值最大 的数据样本作为训练样本组合代表；在典型性筛选的基础上，需剔除差异性较 小的边缘性范例样本，差异性指标的衡量，通过相关性分析求解相关系数值实 现；
⑶得到具备典型训练范例的源范例集。
所述步骤1.4的处理方法为：将训练得到的网络节点系数分别输入到BPNN 中各层节点中，建立相对应的故障类型识别模型，其输出结果为类型匹配的相 似度，得到目标范例与具体故障类型的匹配相似度，如果若范例检索采用多种 检索方式，则各种检索方式均可得到一种分类结果，最后采用加权平均计算目 标范例与各故障类型的综合匹配相似度，确保网络的误差平方和最小。
本发明的优点和积极效果是：
本发明通过对变电设备基础数据、试验、缺陷、故障等信息的收集和分析， 建立基于优化自适应调整学*** 衡，能够指导变电设备的更换、改造、运行维护与检修试验等工作的开展，也 可以为变电设备的管理决策及设备检修等提供直接依据。
具体实施方式
以下结合具体实施例对本发明做进一步详述。
一种变电设备状态检修故障诊断方法，包括以下步骤：
步骤1、通过改进典型及差异样本，建立基于优化自适应调整学习率模型。
在本步骤中，采用范例分级检索算法构建BPNN模型，并对BPNN训练以解 析各层网络节点系数，从而确定网络识别模型。BPNN网络训练包含正向传播输 出和反向传播调整两部分，在其正向传播输出过程中，输入值由输入层经隐层 节点处理后传至输出层；若输出值达不到预期效果，则输出值的误差将沿原连 接路径反向传播到输入层，自动修正各层神经元间的连接权值，使误差逐步缩 小。本步骤的具体方法包括以下步骤：
步骤1.1、采用自适应调整学习率算法，进行BPNN模型训练
BPNN模型需要进行训练，其训练步骤为：
(1)始化各层节点的权值系数Wij，i表示层数索引，j表示节点个数索引。
(2)由标准输入值和初始化权值系数，利用网络正向传播路径计算输出结 果。
(3)根据输出结果和期望输出结果的差值作为反馈因子调整节点权值系数 Wij。
(4)重复步骤(2)、(3)直到计算输出结果和期望值的误差达到理想范围 内。
(5)设输入向量X＝(x1，x2…xn)，正向传播输出结果为Y＝(y1，y2…ym)，期 望输出为T＝(t1，t2…tm)，节点权值系数为W＝(wi1，wi2…wis)。则第k次反向传播 误差为:
E(k)＝T-Y(k)＝T-XW(k)
为提高网络训练算法的收敛性能，采用自适应调整学习率的网络学习算法， 其权值调整过程可表示为：
式中，Δw为权值变化量；mc为动量因子(O≤mc≤l)；α(k)为k时刻的学 习率；D(k)为k时刻的梯度值。其中，学习率的调整具有自适应能力，当训练 过程中网络的输出误差大于上一次的输出误差时，即E(k)≥E(k-l)时，学习率 将自动减小，即α(k+l)＝α(k)×dm(其中dm为小于1的常数)。而E(k)<E(k-l) 时，则学习率将自行增加，即α(k+l)＝α(k)×im(其中im为大于1的常数)。
网络训练和网络识别的区别在于网络训练输入层参数和输出层参数为已知 变量，而网络节点系数为未知变量，需通过网络训练计算得到；网络识别则输 入层参数和网络节点系数为已知变量，输出层输出参数为未知变量，需通过网 络识别计算得到。网络训练首先对数据做归一化处理，保证不同特征的数据量 具有一致性；然后对训练样本筛选归类，去掉边缘性范例样本；最后对处理后 的样本数据训练。
步骤1.2、对BPNN源范例集中的范例数据进行归一化处理
如果BPNN源范例集中的范例数据过于离散，将导致神经网络收敛困难， 因此采用累积频率的概念对油中溶解气体数据进行了归一化处理，其过程为：
(1)搜集并选取经核实确认，且结论较明确的变压器事故前色谱检测数据 组成训练样本集。
(2)针对七种特征气体(H2、CH4、C2H6、C2H4、C2H2、CO、CO2)含 量大小分别进行排序，并依其含量大小分组。
(3)分别统计七种特征气体在各分组的频次Δrj和频率wj＝Δrj/n，其中n 为气体观测值个数。
(4)利用累积频率的概念计算各分组后的数据，如对第i组数据其累积频 率为
其中ri为到第i组结束时的累积频次。将己计算出的累积频率值Fi代替该 组特征气体的含量作为神经网络的输入。
通过将训练样本集中的七种特征气体的含量替换为各自所对应的累计频次 组成原范例集。
步骤1.3、对归一化处理的范例数据进行筛选归类
由于很难用一个精确的数值来描述专业规程中大量文字定义及复杂的专家 经验；所以为确保范例推理可有效识别故障类型，其源范例库中的训练样本应 满足一定的边界条件或约束条件，即具备典型性和差异性。典型性保证训练得 到的识别模型有效地识别未知数据样本；差异性则保证降低训练数据库冗余性。
定义类属函数是典型样本选取的关键，针对N个训练样本分别属于K类故 障类型的求解，其评估个体样本的类属函数可表示为：
Fclass＝max(M1/l，M2/l，…M，/l…Mk/l)
式中ι为距被评估个体距离最近的训练样本数，其数量可根据现有数据量 的大小进行调整，i表示故障模式的下标，Mi是ι个学习样本中属于第i类故障 的样本数。
可见，根据被评估样本在具体故障模式中的相对匹配度的计算值，可判断 被评估个体样本所属的模式可能性。因此，可将类属函数值视为衡量被评估个 体样本典型指标；在对源范例库中范例进行类属函数值计算后，可取其中类属 函数值最大的数据样本作为训练样本组合代表。
在典型性筛选的基础上，需剔除差异性较小的边缘性范例样本。差异性指 标的衡量，通过相关性分析求解相关系数值实现。相关系数值的计算可表示为：
对归一化处理后的原范例集进行筛选后，可得到容量不大但已具备典型训 练范例的源范例集。
步骤1.4、根据故障类型进行网络训练，得到基于优化自适应调整学习率模 型
根据故障类型(如过热故障和放电故障两种类型)，同时每种故障类型包含 两种分支故障类型，第二级神经网络训练中，需要构建分别对应过热故障、放 电故障两种分支网络模型。同时，通过反向传播来不断调整网络的权值和阈值， 降低网络的误差平方和。网络模型训练与各故障类型源范例库对应。
网络训练输入层数据为归一化处理后气体浓度数据。若条件允许，可将变 压器电气试验数据也作为输入参量，以利于神经网络识别。
将训练得到的网络节点系数分别输入到BPNN中各层节点中，便可以建立 相对应的故障类型识别模型。其输出结果为类型匹配的相似度，得到目标范例 与具体故障类型的匹配相似度，相似度越高则判定的准确性越高。若范例检索 采用多种检索方式，则各种检索方式均可得到一种分类结果，最后采用加权平 均计算目标范例与各故障类型的综合匹配相似度，确保网络的误差平方和最小。 综合评判的指标为：
syn＝∑Rigij×Simik/2。
步骤2、根据基于优化自适应调整学习率模型进行变电设备状态检修故障诊 断。
本步骤是利用步骤1建立基于优化自适应调整学习率模型进行变电设备状 态检修故障诊断。其结合神经网络、模糊数学、粗糙集和援例分析算法，能够 监测数据智能诊断模型和容性设备在线监测数据的智能诊断模型。通过深层次 地挖掘设备状态监测数据价值，从而发现变电设备健康状况变化趋势。同时， 准确的故障诊断结果有助于提高检修效率，控制故障修复成本及用户缺电损失 成本。故障类型诊断模型应涵盖变电站内一次主设备，具体设备应包括变压器、 电抗器、断路器、组合电器、电磁式电压互感器、电容式电压互感器、电流互 感器、隔离开关、接地刀闸、避雷器、并联电容器、开关柜等12类设备。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此 本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根 据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (7)
1.一种变电设备状态检修故障诊断方法，其特征在于包括以下步骤：
步骤1、通过改进典型及差异样本，建立基于优化自适应调整学习率模型；
步骤2、根据基于优化自适应调整学习率模型进行变电设备状态检修故障诊断。
2.根据权利要求1所述的一种变电设备状态检修故障诊断方法，其特征在于：所述步骤1的具体方法包括以下步骤：
步骤1.1、采用自适应调整学习率算法，进行BPNN模型训练；
步骤1.2、对BPNN源范例集中的范例数据进行归一化处理；
步骤1.3、对归一化处理的范例数据进行筛选归类；
步骤1.4、根据故障类型进行网络训练，得到基于优化自适应调整学习率模型。
3.根据权利要求2所述的一种变电设备状态检修故障诊断方法，其特征在于：所述步骤1.1的处理方法包括以下步骤：
⑴始化各层节点的权值系数Wij，i表示层数索引，j表示节点个数索引；
⑵由标准输入值和初始化权值系数，利用网络正向传播路径计算输出结果；
⑶根据输出结果和期望输出结果的差值作为反馈因子调整节点权值系数Wij；
⑷重复步骤⑵、⑶直到计算输出结果和期望值的误差达到理想范围内；
⑸设输入向量X＝(x1，x2…xn)，正向传播输出结果为Y＝(y1，y2…ym)，期望输出为T＝(t1，t2…tm)，节点权值系数为W＝(wi1，wi2…wis)，则第k次反向传播误差为:
E(k)＝T-Y(k)＝T-XW(k)。
4.根据权利要求3所述的一种变电设备状态检修故障诊断方法，其特征在于：在训练过程中，采用自适应调整学习率的网络学习算法，其权值调整过程可表示为：
式中，Δw为权值变化量；mc为动量因子，O≤mc≤l；α(k)为k时刻的学习率；D(k)为k时刻的梯度值；
其中，学习率的调整具有自适应能力，当训练过程中网络的输出误差大于上一次的输出误差时，即E(k)≥E(k-l)时，学习率将自动减小，而E(k)<E(k-l)时，则学习率将自行增加。
5.根据权利要求2所述的一种变电设备状态检修故障诊断方法，其特征在于：所述步骤1.2的处理方法包括以下步骤：
⑴搜集并选取经核实确认且结论较明确的变压器事故前色谱检测数据组成训练样本集；
⑵针对不同特征气体含量大小分别进行排序，并依其含量大小分组；
⑶分别统计不同特征气体在各分组的频次Δrj和频率wj＝Δrj/n，其中n为气体观测值个数；
⑷利用累积频率的概念计算各分组后的数据，对第i组数据其累积频率为：
其中ri为到第i组结束时的累积频次；将己计算出的累积频率值Fi代替该组特征气体的含量作为神经网络的输入；通过将训练样本集中的不同特征气体的含量替换为各自所对应的累计频次组成原范例集。
6.根据权利要求2所述的一种变电设备状态检修故障诊断方法，其特征在于：所述步骤1.3的处理方法包括以下步骤：
⑴对源范例库中范例进行类属函数值计算：针对N个训练样本分别属于K类故障类型的求解，其评估个体样本的类属函数可表示为：
Fclass＝max(Ml/l，M2/l，…Mi/l…Mk/l)
式中l为距被评估个体距离最近的训练样本数，其数量可根据现有数据量的大小进行调整，i表示故障模式的下标，Mi是l个学习样本中属于第i类故障的样本数；
⑵在对源范例库中范例进行类属函数值计算后，可取其中类属函数值最大的数据样本作为训练样本组合代表；在典型性筛选的基础上，需剔除差异性较小的边缘性范例样本，差异性指标的衡量，通过相关性分析求解相关系数值实现；
⑶得到具备典型训练范例的源范例集。
7.根据权利要求2所述的一种变电设备状态检修故障诊断方法，其特征在于：所述步骤1.4的处理方法为：将训练得到的网络节点系数分别输入到BPNN中各层节点中，建立相对应的故障类型识别模型，其输出结果为类型匹配的相似度，得到目标范例与具体故障类型的匹配相似度，如果若范例检索采用多种检索方式，则各种检索方式均可得到一种分类结果，最后采用加权平均计算目标范例与各故障类型的综合匹配相似度，确保网络的误差平方和最小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810117857.XA CN108304931A (zh) | 2018-02-06 | 2018-02-06 | 一种变电设备状态检修故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810117857.XA CN108304931A (zh) | 2018-02-06 | 2018-02-06 | 一种变电设备状态检修故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108304931A true CN108304931A (zh) | 2018-07-20 |
Family
ID=62864735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810117857.XA Pending CN108304931A (zh) | 2018-02-06 | 2018-02-06 | 一种变电设备状态检修故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108304931A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263949A (zh) * | 2019-06-21 | 2019-09-20 | 安徽智寰科技有限公司 | 融合机器机理与人工智能算法***的数据处理方法及*** |
| CN111222085A (zh) * | 2020-04-15 | 2020-06-02 | 广东电网有限责任公司佛山供电局 | 一种电容式电压互感器健康状态实时评价方法 |
| CN111308260A (zh) * | 2020-04-16 | 2020-06-19 | 山东卓文信息科技有限公司 | 一种基于小波神经网络的电能质量监测和电器故障分析***及其工作方法 |
| CN111476471A (zh) * | 2020-03-30 | 2020-07-31 | 北京四方继保工程技术有限公司 | 一种基于综合能源模型的综合能源故障诊断***及方法 |
| CN112666423A (zh) * | 2020-12-03 | 2021-04-16 | 广州电力通信网络有限公司 | 一种用于电力通信网络的测试装置 |
| CN113435579A (zh) * | 2021-06-29 | 2021-09-24 | 国网河南省电力公司检修公司 | 基于深度神经网络的电力设备智能识别方法 |
| CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104399682A (zh) * | 2014-11-28 | 2015-03-11 | 许继集团有限公司 | 一种光伏电站组件清扫智能决策预警*** |
| 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 |
| CN105675802A (zh) * | 2014-11-19 | 2016-06-15 | 国网河南省电力公司南阳供电公司 | 一种变压器故障的诊断方法 |
| CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
-
2018
- 2018-02-06 CN CN201810117857.XA patent/CN108304931A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105675802A (zh) * | 2014-11-19 | 2016-06-15 | 国网河南省电力公司南阳供电公司 | 一种变压器故障的诊断方法 |
| CN104399682A (zh) * | 2014-11-28 | 2015-03-11 | 许继集团有限公司 | 一种光伏电站组件清扫智能决策预警*** |
| 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 |
| CN105930901A (zh) * | 2016-07-18 | 2016-09-07 | 河海大学 | 一种基于rbpnn的变压器故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| 张炜 等: "基于自适应案例推理算法识别变压器故障", 《控制工程》 * |
| 张炜: "基于状态评价及风险评估的变电设备状态检修方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 钱政 等: "用可靠性数据分析及BP网络诊断变压器故障", 《高压电技术》 * |
| 钱政 等: "组合神经网络模型中典型训练样本集的选取", 《高压电技术》 * |
| 钱政 等: "结合多元统计分析的神经网络在变压器故障诊断中的应用", 《变压器》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263949A (zh) * | 2019-06-21 | 2019-09-20 | 安徽智寰科技有限公司 | 融合机器机理与人工智能算法***的数据处理方法及*** |
| CN110263949B (zh) * | 2019-06-21 | 2021-08-31 | 安徽智寰科技有限公司 | 融合机器机理与人工智能算法***的数据处理方法及*** |
| CN111476471A (zh) * | 2020-03-30 | 2020-07-31 | 北京四方继保工程技术有限公司 | 一种基于综合能源模型的综合能源故障诊断***及方法 |
| CN111476471B (zh) * | 2020-03-30 | 2023-10-27 | 北京四方继保工程技术有限公司 | 一种基于综合能源模型的综合能源故障诊断***及方法 |
| CN111222085A (zh) * | 2020-04-15 | 2020-06-02 | 广东电网有限责任公司佛山供电局 | 一种电容式电压互感器健康状态实时评价方法 |
| CN111308260A (zh) * | 2020-04-16 | 2020-06-19 | 山东卓文信息科技有限公司 | 一种基于小波神经网络的电能质量监测和电器故障分析***及其工作方法 |
| CN112666423A (zh) * | 2020-12-03 | 2021-04-16 | 广州电力通信网络有限公司 | 一种用于电力通信网络的测试装置 |
| CN113435579A (zh) * | 2021-06-29 | 2021-09-24 | 国网河南省电力公司检修公司 | 基于深度神经网络的电力设备智能识别方法 |
| CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
| CN109490726A (zh) | 基于云理论的电力变压器绝缘状态评估方法 | |
| CN103926491B (zh) | 一种计及直流偏磁影响的变压器状态评估方法 | |
| CN110689240A (zh) | 一种配电网经济运行模糊综合评价方法 | |
| 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 | |
| CN111413589B (zh) | 一种基于灰靶决策的配电网单相短路故障定位方法 | |
| 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 | |
| CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
| CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
| CN112686536A (zh) | 一种基于模糊综合评判的电网应灾能力量化评估方法 | |
| CN110783913B (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
| CN115860321A (zh) | 一种配电网供电可靠性评估方法、***、电子设备及介质 | |
| CN104101795A (zh) | 一种变压器故障控制方法 | |
| CN104102214A (zh) | 变压器及其周边电路故障控制方法 | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| CN112924813B (zh) | 基于电气数据的配电网短路故障监控方法及装置 | |
| CN111179576A (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及*** | |
| CN115345392A (zh) | 一种配电网异常态势研判与关键指标筛选方法 | |
| CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
| CN109146335B (zh) | 判断10kV线路电能表***变比与实际变比一致性的方法 | |
| CN104101794A (zh) | 电力变压器综合控制*** | |
| CN111369388A (zh) | 用于城市电网的对抗脆弱性评估方法及*** | |
| CN115037054A (zh) | 基于三相自平衡、低压故障定位隔离的换相开关智能终端 | |
| CN115470846A (zh) | 一种基于图神经网络的变压器故障在线诊断方法 | |
| CN115693692A (zh) | 基于配电网电压数据分析的电压合格率提升方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |
|
| RJ01 | Rejection of invention patent application after publication |