CN109657720A - 一种电力变压器匝间短路故障的在线诊断方法 - Google Patents

一种电力变压器匝间短路故障的在线诊断方法 Download PDF

Info

Publication number
CN109657720A
CN109657720A CN201811560473.1A CN201811560473A CN109657720A CN 109657720 A CN109657720 A CN 109657720A CN 201811560473 A CN201811560473 A CN 201811560473A CN 109657720 A CN109657720 A CN 109657720A
Authority
CN
China
Prior art keywords
transformer
measured
short circuit
monitoring
monitoring data
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
Application number
CN201811560473.1A
Other languages
English (en)
Other versions
CN109657720B (zh
Inventor
华中生
游雨暄
徐晓燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201811560473.1A priority Critical patent/CN109657720B/zh
Publication of CN109657720A publication Critical patent/CN109657720A/zh
Application granted granted Critical
Publication of CN109657720B publication Critical patent/CN109657720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了一种电力变压器匝间短路故障的在线诊断方法，包括：(1)收集案例变压器的各监测指标记录的在短路前后的监测数据，检验各监测指标在短路前后是否发生显著性变化，筛选出短路前后有显著性变化的监测指标；(2)将短路前后有显著性变化的监测指标记录的监测数据输入到随机森林模型中，训练短路故障在线诊断模型；(3)将待测变压器的待测监测数据输入优化后的随机森林模型中，输出对待测监测数据的在线诊断结果，判断待测变压器是否故障。上述方法只需对待测变压器的待测监测数据进行远程分析，相比于离线检测法而言不需要现场试验，节省试验费用，提高诊断效率。

Description

一种电力变压器匝间短路故障的在线诊断方法
技术领域
本发明涉及故障诊断领域，具体涉及一种电力变压器匝间短路故障的在线诊断方法。
背景技术
电力变压器是电网***的重要设备之一，承担着电网枢纽的工作。及时杜绝电力变压器的故障隐患，对保障电网的安全稳定运行具有十分重要的意义。据统计，约25％的变压器匝间事故是由短路冲击后变压器绕组发生变形后引起的，故障的严重程度与短路电流的大小有关。
短路电流不良工况分类可分为三类：I级不良工况是指短路电流在最大可承受短路电流的50％～70％之间，且次数累计达到6次及以上；II级不良工况是指短路电流在最大可承受短路电流的70％～100％之间；III级不良工况是指短路电流在最大可承受短路电流的100％以上。
目前，国内变压器匝间短路故障的诊断主要依靠观察主变保护动作情况、油样分析情况和短路电流值。若主变未跳闸、油样无异常且短路电流值小于50％可承受最大短路电流值，则认为主变不存在明显故障，加强后续油色谱跟踪监测。若主变未跳闸、油样异常或短路电流值大于50％可承受最大短路电流值，则需要尽快安排停电试验，包括频率响应测试、短路阻抗测试、电容量测试等，综合所有试验结果进行专题分析，判断绕组是否受冲击发生了严重变形，以决定变压器能否继续运行。若主变非电量保护动作，则需对该变压器安排试验并进行动态抗短路能力分析，综合所有试验结果进行专题分析以决定是否进行局放试验或是吊罩、解体检查。
以上短路故障诊断方法最终都需要进行停电试验或解体检查来确认变压器绕组是否受冲击后发生了变形，属于离线诊断法，存在操作复杂、试验困难、依赖人工经验等缺点。
与离线诊断法相对的不需要停电试验的诊断方法称为在线诊断法，如用超声波信号或其他宽带信号的变化来检测是否变形、使用雷达图来测量绕组尺寸和观测是否变形以及利用磁通分布的变化来检测是否变形等。
以上方法操作简单，且能对变压器内部结构直接观测，做出非常准确的判断结果，但缺点是新技术和新设备的应用成本高，这些方法也未能投入实际应用和大范围推广中。
公开号为CN 108197639 A的专利说明书公开了一种基于随机森林的变压器故障诊断方法，包括：采集变压器中绝缘油中故障气体浓度数据以及对应的故障类别作为训练样本；根据所述训练样本按照决策树的生成步骤建立故障决策树：根据故障决策树建立随机森林模型；采集未知故障类别的故障气体浓度数据，输入到所述随机森林模型，以所述随机森林模型得到故障类别。利用变压器中绝缘油中故障气体浓度数据作为训练样本建立的随机森林模型，对整个变压器故障有精确的诊断，而且稳定性高，可应用于变压器诊断技术领域。
公开号为CN 107025514 A的专利说明书公开了一种动态评估变压器设备状态的评价方法，包括以下步骤：统计变压器设备的每个状态量的历史数据；基于每个状态量的历史数据，使用随机森林算法计算每个状态量的重要度；将每个状态量的重要度按照修正因素的量化值进行修正，再将修正后的状态量重要度离散化，转换成预先设定的参数，反映每个状态量的重要度等级；根据每个状态量的重要度等级对变压器设备进行状态评估，确定设备的实时状态；把状态评价方法中的每个状态量的重要度等级作为历史数据，并重复以上步骤，实现评价方法的白我优化和动态评估。
发明内容
针对本领域存在的不足之处，本发明提供了一种电力变压器匝间短路故障的在线诊断方法，针对发生过变形、有变形运行数据的变压器，通过随机森林算法将待测数据分别与该变压器的历史变形运行数据和正常运行数据相匹配，实现远程智能诊断，不仅节省试验费用，还综合了在线监测数据的多源信息，进行更全面的诊断。
一种电力变压器匝间短路故障的在线诊断方法，包括：
(1)收集案例变压器的各监测指标记录的在短路前后的监测数据，检验各监测指标在短路前后是否发生显著性变化，筛选出短路前后有显著性变化的监测指标；
(2)将短路前后有显著性变化的监测指标记录的监测数据作为训练集，输入到随机森林模型中，训练短路故障在线诊断模型；
(3)将待测变压器的待测监测数据输入优化后的随机森林模型中，输出对待测监测数据的在线诊断结果，判断待测变压器是否故障。
步骤(1)中，优选地，所述的各监测指标为电压、电流、油温和功率。
优选地，所述的检验各监测指标在短路前后是否发生显著性变化的具体步骤包括：
a.对监测指标记录的在线监测数据的分布进行正态性检验；
b.若满足正态分布，使用ANOVA检验短路前和短路后的监测数据的算术平均值是否有显著差异；若不满足正态分布，使用Kruskal-Wallis检验短路前和短路后监测指标的中位数、极差和分布是否有显著差异。
所述的正态性检验、ANOVA检验和Kruskal-Wallis检验均可通过SPSS软件进行。
当监测指标的显著性值小于0.05时，认为该监测指标在短路前后存在显著差异。
步骤(2)中，所述的随机森林是一种重要的基于Bagging的集成学习方法，既能处理离散型数据，也能处理连续型数据，且对高维数据也有很好的适用性。
优选地，所述的训练短路故障在线诊断模型的具体步骤包括：
a.从训练集中使用Bootstraping方法随机有放回采样选出m个样本，共进行n次采样，生成n个子训练集；
b.对于n个子训练集，分别训练n个决策树；
c.每棵决策树***时根据信息增益比最大的特征进行***，直到该节点的所有训练样例都属于同一类；
d.将生成的多棵决策树组成随机森林。
优选地，可以对步骤(2)所述的随机森林模型进行优化调整，提升诊断精度，可采用的具体方法有：
1、根据变压器的三相不平衡原理构建相差值作为新特征。
构建相差值作为新特征的依据是可通过对变压器同一电压等级的A、B、C三相绕组幅频响应特性进行比较，计算三相的不平衡率，来判断变压器绕组是否变形。原理在于，A、B、C三相的电压和电流正常情况下幅度是相等的，如果某一相发生变形，三相就会处于不平衡状态。
2、设置决策树数量梯度，进行分类性能比较，权衡诊断精度与算法效率。
分类性能随着决策树子树数量的增加而提高，但提高幅度会逐渐减小。因此，需要合理选择决策树数量，得到分类性能和运行时长综合较优的结果。为了较高的算法效率，优选地，运行时长为5～10分钟。
步骤(3)所述的输出对待测监测数据的在线诊断结果，判断待测变压器是否故障的具体方法可以是输出每一棵决策树对该待测监测数据的分类结果，若分类结果为故障的决策树数量小于分类结果为正常的决策树数量，判断待测变压器为正常；若分类结果为故障的决策树数量大于分类结果为正常的决策树数量，判断待测变压器为故障。
本发明与现有技术相比，主要优点包括：
(1)只需对待测变压器的待测监测数据进行远程分析，相比于离线检测法而言不需要现场试验，节省试验费用，提高诊断效率。
(2)融合利用了变压器电压、电流、功率和油温等在线监测数据的多源信息，能进行更为全面的诊断。
附图说明
图1为实施例1的电力变压器匝间短路故障的在线诊断方法的流程图。
具体实施方式
下面结合附图及具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件，或按照制造厂商所建议的条件。
实施例1
如图1所示，电力变压器匝间短路故障的在线诊断方法的流程包括：
S01，收集案例变压器的各监测指标记录的在短路前后的监测数据，监测指标包括电压、电流、油温和功率四类。
S02，检验上述监测指标在短路前后是否发生显著性变化。若上述监测数据满足正态分布，使用ANOVA检验短路前和短路后的监测数据的算术平均值是否有显著差异；若不满足正态分布，使用Kruskal-Wallis检验短路前和短路后监测指标的中位数、极差和分布是否有显著差异。
S03，筛选出短路前后有显著性变化的监测指标，输入到随机森林模型中，训练短路故障在线诊断模型；
S04，对随机森林模型进行优化调整，根据变压器的三相不平衡原理构建相差值作为新特征，分别设置决策树数量为30、100和200，进行分类性能比较，择优参数以权衡诊断精度与算法效率；
S05，将待测变压器的待测监测数据输入到优化后的随机森林模型中，输出每一棵决策树对该待测监测数据的分类结果，若分类结果为故障的决策树数量小于分类结果为正常的决策树数量，则判断该待测变压器为正常；若分类结果为故障的决策树数量大于分类结果为正常的决策树数量，则判断该待测变压器为故障。
(1)采用浙江电网六台发生短路后经离线检测显示绕组已发生变形的变压器作为案例变压器。收集上述六台变压器三相三绕组下监测的短路前后的电压、电流、油温和功率数据，按照短路前和短路后分为正常组和故障组。
首先进行方差分析判断正常组和故障组的监测数据的算术平均值是否有差异。方差分析需要满足三个假设条件：正态性、齐方差和独立性。正态性检验结果显示，各指标的P值均在0.001以下，因此拒绝正态分布原假设，认为所有指标都显著不服从正态分布，因此不能使用独立性T检验以及普通的ANOVA，考虑使用不需要满足正态性假设的非参数检验方法Kruskal-Wallis检验。
Kruskal-Wallis检验又被称为秩和检验，可用来判别计算两个独立样本所来自的两个总体分布位置是否有差别。使用Kruskal-Wallis检验故障组和正常组数据的中位数、极差以及分布是否存在差异，结果如表1所示。通常认为，当统计量的显著性小于0.05时，认为该统计量在两组之间存在显著差异。因此，除了110kV侧A相电流幅值、220kV侧A相电流幅值和220kV侧无功值、220kV侧有功值的中位数在故障组和正常组差异不显著以外，故障组和正常组的其余监测指标的中位数、极差和分布均存在差异，说明电流、电压、功率和油温四类监测指标对于判断变压器是否故障都能提供有效信息。
表1非参数Kruskal-Wallis检验
因此将所选的电压、电流、功率和油温四类监测指标均作为特征，输入到随机森林模型进行训练，采用十折交叉验证，来评判诊断模型的精度。主要采用了三个精度指标：准确率(Precision)、召回率(Recall)和F1分数。准确率衡量的是对故障的误判情况，准确度越高，误判率越小。召回率衡量的是对故障的漏判情况，召回率越高，漏判率越小。一般情况下，提高准确率的同时会降低召回率，F1分数是将两者综合起来的指标。三种指标的计算方法如下所示：
如表2所示，综合观察准确率、召回率和F1分数，随机森林模型除了在变压器2上的诊断效果略低以外，在另外五台变压器上的F1分数都在80％以上，诊断效果较好。
表2随机森林模型在6台变压器上的诊断结果
变压器1 变压器2 变压器3 变压器4 变压器5 变压器6
准确率 0.9861 0.8792 0.9887 0.9667 0.9836 0.8595
召回率 0.985 0.6947 0.9741 0.8325 0.9681 0.7804
F1分数 0.9856 0.7761 0.9813 0.8946 0.9758 0.818
为了进一步提高诊断精度，考虑增加相差值作为新特征，依据是可通过对变压器同一电压等级的A、B、C三相绕组幅频响应特性进行比较，计算三相的不平衡率，来判断变压器绕组是否变形。原理在于，A、B、C三相的电压和电流正常情况下幅度是相等的，如果某一相发生变形，三相就会处于不平衡状态。
因此，在特征合并的时候，考虑计算出每侧的AB相以及BC相的电流和电压差值，作为新特征。为了保留最多的原始信息，原来的电压、电流数据依然保留，只是新增加了12个特征值。
增加了相差值指标后，再次计算随机森林模型在各变压器上的分类性能。如表3所示，增加了相差值后，随机森林模型对变压器2的召回率提高了13.71％，F1分数提高了6.4％。同时，增加了相差值的随机森林模型对变压器6的召回率和F1分数均提升了5％左右。
表3增加相差值指标前后的随机森林模型的诊断结果对比
随机森林模型中，较多的决策树子树可以让模型有更好的性能，但子树过多，会让模型运行得非常慢。在本实施例中，案例变压器的记录数都在2万～10万之间，决策树数量设置为500时，运行时间就超过了20分钟。
综合考虑后，分别设置决策树数量为30、100和200，进行分类性能比较，随机森林模型运行结果如表4所示，分类性能随着决策树子树数量的增加而提高，但提高幅度逐渐减小。因此，选择决策树数量为200时，能得到一个分类性能和运行时长综合较优的结果，运行时长为5～10分钟。
表4不同决策树数量的随机森林模型的运行结果
经过特征合并和参数调优后，本实施例的电力变压器匝间短路故障的在线诊断方法在六台变压器上都有了一个比较可观的诊断结果，对短路后绕组变形故障识别的准确率、召回率和F1分数都达到了85％以上。
此外应理解，在阅读了本发明的上述描述内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (8)

1.一种电力变压器匝间短路故障的在线诊断方法，包括：
(1)收集案例变压器的各监测指标记录的在短路前后的监测数据，检验各监测指标在短路前后是否发生显著性变化，筛选出短路前后有显著性变化的监测指标；
(2)将短路前后有显著性变化的监测指标记录的监测数据作为训练集，输入到随机森林模型中，训练短路故障在线诊断模型；
(3)将待测变压器的待测监测数据输入优化后的随机森林模型中，输出对待测监测数据的在线诊断结果，判断待测变压器是否故障。
2.根据权利要求1所述的电力变压器匝间短路故障的在线诊断方法，其特征在于，所述的各监测指标为电压、电流、油温和功率。
3.根据权利要求1所述的电力变压器匝间短路故障的在线诊断方法，其特征在于，所述的检验各监测指标在短路前后是否发生显著性变化的具体步骤包括：
a.对监测指标记录的在线监测数据的分布进行正态性检验；
b.若满足正态分布，使用ANOVA检验短路前和短路后的监测数据的算术平均值是否有显著差异；若不满足正态分布，使用Kruskal-Wallis检验短路前和短路后监测指标的中位数、极差和分布是否有显著差异。
4.根据权利要求1所述的电力变压器匝间短路故障的在线诊断方法，其特征在于，所述的训练短路故障在线诊断模型的具体步骤包括：
a.从训练集中使用Bootstraping方法随机有放回采样选出m个样本，共进行n次采样，生成n个子训练集；
b.对于n个子训练集，分别训练n个决策树；
c.每棵决策树***时根据信息增益比最大的特征进行***，直到该节点的所有训练样例都属于同一类；
d.将生成的多棵决策树组成随机森林。
5.根据权利要求1所述的电力变压器匝间短路故障的在线诊断方法，其特征在于，对步骤(2)所述的随机森林模型进行优化调整，提升诊断精度。
6.根据权利要求5所述的电力变压器匝间短路故障的在线诊断方法，其特征在于，所述的随机森林模型进行优化调整的具体方法为根据变压器的三相不平衡原理构建相差值作为新特征。
7.根据权利要求5所述的电力变压器匝间短路故障的在线诊断方法，其特征在于，所述的随机森林模型进行优化调整的具体方法为设置决策树数量梯度，进行分类性能比较，权衡诊断精度与算法效率。
8.根据权利要求1所述的电力变压器匝间短路故障的在线诊断方法，其特征在于，所述的输出对待测监测数据的在线诊断结果，判断待测变压器是否故障的具体方法为输出每一棵决策树对该待测监测数据的分类结果，若分类结果为故障的决策树数量小于分类结果为正常的决策树数量，判断待测变压器为正常；若分类结果为故障的决策树数量大于分类结果为正常的决策树数量，判断待测变压器为故障。
CN201811560473.1A 2018-12-20 2018-12-20 一种电力变压器匝间短路故障的在线诊断方法 Active CN109657720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811560473.1A CN109657720B (zh) 2018-12-20 2018-12-20 一种电力变压器匝间短路故障的在线诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811560473.1A CN109657720B (zh) 2018-12-20 2018-12-20 一种电力变压器匝间短路故障的在线诊断方法

Publications (2)

Publication Number Publication Date
CN109657720A true CN109657720A (zh) 2019-04-19
CN109657720B CN109657720B (zh) 2021-05-11

Family

ID=66115132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811560473.1A Active CN109657720B (zh) 2018-12-20 2018-12-20 一种电力变压器匝间短路故障的在线诊断方法

Country Status (1)

Country Link
CN (1) CN109657720B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872200A (zh) * 2021-10-13 2021-12-31 国网江苏省电力有限公司电力科学研究院 一种中压配网停电事件诊断识别方法、***及存储介质
CN114019298A (zh) * 2021-09-28 2022-02-08 中电华创(苏州)电力技术研究有限公司 一种基于pcc-svm的发电机转子匝间短路在线监测方法
US11474163B2 (en) * 2019-08-12 2022-10-18 Wuhan University Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification
CN116799741A (zh) * 2023-05-24 2023-09-22 华斗数字科技(上海)有限公司 一种基于斜率检测的精密设备短路监测保护方法及***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1441257A (zh) * 2003-03-27 2003-09-10 河海大学 基于损耗变化的变压器绕组匝间短路在线故障诊断技术
US20160343133A1 (en) * 2014-07-04 2016-11-24 Arc Devices Limited Non-Touch Optical Detection of Vital Signs From Variation Amplification Subsequent to Multiple Frequency Filters
CN106372747A (zh) * 2016-08-27 2017-02-01 天津大学 基于随机森林的台区合理线损率估计方法
CN107516108A (zh) * 2017-08-15 2017-12-26 国网四川省电力公司电力科学研究院 分类器创建方法及变压器局部放电故障模式识别方法
CN107782442A (zh) * 2017-10-24 2018-03-09 华北电力大学（保定） 基于大数据和随机森林的变压器多特征参量选择方法
CN108062571A (zh) * 2017-12-27 2018-05-22 福州大学 基于差分进化随机森林分类器的光伏阵列故障诊断方法
CN108197639A (zh) * 2017-12-14 2018-06-22 佛山科学技术学院 一种基于随机森林的变压器故障诊断方法
CN108398612A (zh) * 2018-01-12 2018-08-14 广州市扬新技术研究有限责任公司 一种城市轨道交通直流供电***短路故障定位方法
CN108594067A (zh) * 2018-04-02 2018-09-28 湖南大学 一种多端直流配电网线路短路故障测距方法
CN108693478A (zh) * 2018-04-17 2018-10-23 北京理工大学 一种锂离子动力电池的漏液检测方法
CN108872778A (zh) * 2018-07-03 2018-11-23 安徽理工大学 一种基于关联维数与随机森林的变压器绕组故障诊断***
CN108959732A (zh) * 2018-06-15 2018-12-07 西安科技大学 一种基于卷积神经网络的输电线路故障类型识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1441257A (zh) * 2003-03-27 2003-09-10 河海大学 基于损耗变化的变压器绕组匝间短路在线故障诊断技术
US20160343133A1 (en) * 2014-07-04 2016-11-24 Arc Devices Limited Non-Touch Optical Detection of Vital Signs From Variation Amplification Subsequent to Multiple Frequency Filters
CN106372747A (zh) * 2016-08-27 2017-02-01 天津大学 基于随机森林的台区合理线损率估计方法
CN107516108A (zh) * 2017-08-15 2017-12-26 国网四川省电力公司电力科学研究院 分类器创建方法及变压器局部放电故障模式识别方法
CN107782442A (zh) * 2017-10-24 2018-03-09 华北电力大学（保定） 基于大数据和随机森林的变压器多特征参量选择方法
CN108197639A (zh) * 2017-12-14 2018-06-22 佛山科学技术学院 一种基于随机森林的变压器故障诊断方法
CN108062571A (zh) * 2017-12-27 2018-05-22 福州大学 基于差分进化随机森林分类器的光伏阵列故障诊断方法
CN108398612A (zh) * 2018-01-12 2018-08-14 广州市扬新技术研究有限责任公司 一种城市轨道交通直流供电***短路故障定位方法
CN108594067A (zh) * 2018-04-02 2018-09-28 湖南大学 一种多端直流配电网线路短路故障测距方法
CN108693478A (zh) * 2018-04-17 2018-10-23 北京理工大学 一种锂离子动力电池的漏液检测方法
CN108959732A (zh) * 2018-06-15 2018-12-07 西安科技大学 一种基于卷积神经网络的输电线路故障类型识别方法
CN108872778A (zh) * 2018-07-03 2018-11-23 安徽理工大学 一种基于关联维数与随机森林的变压器绕组故障诊断***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TIAGO DOS SANTOS.ET.: "Stator winding short-circuit fault diagnosis in induction motors using random forest", 《2017 IEEE INTERNATIONAL ELECTRIC MACHINES AND DRIVES CONFERENCE》 *
单林森: "配电变压器故障分析及随机森林诊断实现", 《科技风》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11474163B2 (en) * 2019-08-12 2022-10-18 Wuhan University Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification
CN114019298A (zh) * 2021-09-28 2022-02-08 中电华创(苏州)电力技术研究有限公司 一种基于pcc-svm的发电机转子匝间短路在线监测方法
CN114019298B (zh) * 2021-09-28 2023-12-05 中电华创(苏州)电力技术研究有限公司 一种基于pcc-svm的发电机转子匝间短路在线监测方法
CN113872200A (zh) * 2021-10-13 2021-12-31 国网江苏省电力有限公司电力科学研究院 一种中压配网停电事件诊断识别方法、***及存储介质
CN116799741A (zh) * 2023-05-24 2023-09-22 华斗数字科技(上海)有限公司 一种基于斜率检测的精密设备短路监测保护方法及***
CN116799741B (zh) * 2023-05-24 2024-03-26 华斗数字科技(上海)有限公司 一种基于斜率检测的精密设备短路监测保护方法及***

Also Published As

Publication number Publication date
CN109657720B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN109657720A (zh) 一种电力变压器匝间短路故障的在线诊断方法
CN109670242B (zh) 基于椭圆包络线的变压器绕组变形无监督在线监测方法
CN104156568A (zh) 一种基于加权灰色关联和模糊聚类的变压器故障诊断方法
CN106777984A (zh) 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
CN113124929A (zh) 一种变电站多参数信号采集综合分析***和方法
CN103884943B (zh) 一种变压器绕组变形综合分析诊断方法
CN104215323B (zh) 机械设备的振动传感器网络中各传感器敏感度确定方法
CN109359271A (zh) 一种基于逻辑回归的变压器绕组变形程度在线检测方法
CN108802535B (zh) 筛选方法、主干扰源识别方法及装置、服务器及存储介质
CN107844067B (zh) 一种水电站闸门在线状态监测控制方法及监测***
CN110647924B (zh) 一种基于支持向量描述与k近邻算法的gis设备状态评估方法
CN103439631A (zh) 接地网腐蚀状态检测方法及***
US20130151461A1 (en) Identification of power system events using fuzzy logic
CN116184265A (zh) 一种基于多分类svm的避雷器泄漏电流检测方法和***
CN113447766A (zh) 一种高阻接地故障的检测方法、装置、设备和存储介质
CN105911407A (zh) 基于物元增广可拓关联的变压器状态模糊集对评估方法
CN110632455A (zh) 一种基于配网同步量测大数据的故障检测定位方法
CN104655967A (zh) 配电变压器绕组振动信号特征量提取方法
CN112801135B (zh) 一种基于特征量相关性的发电厂厂用电***故障选线方法及设备
CN113611568A (zh) 一种基于遗传卷积深度网络的真空断路器
CN117520951A (zh) 一种基于多特征量的变压器健康评估方法和***
CN115343579B (zh) 一种电网故障分析方法、装置及电子设备
CN116990633A (zh) 一种基于多特征量的故障研判方法
CN107832264A (zh) 一种电机设计的综合评价***及评价方法
CN114091593A (zh) 一种基于多尺度特征融合的网络级电弧故障诊断方法

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
GR01 Patent grant
GR01 Patent grant