CN110824384A - 一种基于人工智能极限学习机的变压器故障在线诊断*** - Google Patents
一种基于人工智能极限学习机的变压器故障在线诊断*** Download PDFInfo
- Publication number
- CN110824384A CN110824384A CN201911139699.9A CN201911139699A CN110824384A CN 110824384 A CN110824384 A CN 110824384A CN 201911139699 A CN201911139699 A CN 201911139699A CN 110824384 A CN110824384 A CN 110824384A
- Authority
- CN
- China
- Prior art keywords
- data
- learning machine
- extreme learning
- artificial intelligence
- system based
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000000926 separation method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000007789 gas Substances 0.000 claims description 24
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 7
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 7
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 7
- 239000005977 Ethylene Substances 0.000 claims description 7
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 7
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 7
- 229910052739 hydrogen Inorganic materials 0.000 claims description 7
- 239000001257 hydrogen Substances 0.000 claims description 7
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 6
- 238000011002 quantification Methods 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00722—Communications; Identification
- G01N35/00871—Communications between instruments or with remote terminals
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Telephonic Communication Services (AREA)
- Selective Calling Equipment (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于人工智能极限学习机的变压器故障在线诊断***，包括数据样本采集节点、现场分析控制单元、通讯单元以及本地控制中心，所述的数据样本采集节点包括油样采集模块、油样分离模块、气体检测模块以及数据采集卡，所述的油样采集模块、油样分离模块、气体检测模块以及数据采集卡依次连接，本发明运用物联网技术实现节点的数据采集以及数据分析，并通过远程控制中心展示实现在线监控的功能；采用设置多组数据样本采集节点用于多元化采集样本并通过极限学习机进行学习训练以及验证，保证了样本的量化，保证监控的准确性。
Description
技术领域
本发明涉及一种基于人工智能极限学习机的变压器故障在线诊断***。
背景技术
变压器是一种常见的电器设备，在电力***和电子线路中应用广泛。它是一种静止的电气设备，利用电磁感应原理将一种电压、电流的交流电能转换成同频率的另一种电压、电流的电能，换句话说，变压器就是实现电能在不同等级之间进行转换。
电力变压器是电力***的重要设备，其运行的稳定性直接关系到电网安全和用于的正常用电，电力变压器是一个复杂的***，在长期运行过程中，由于受到内部因素和外部因素的影响难免出现故障，对变压器前期产生的故障因素及早的发现有效减少故障所带来的损害，近年来，本领域技术人员均设计出新的变压器故障检测方法，例如BP神经网络检，例如采用传统的BP神经网络存在容易陷入局部的缺点，而SVM对参数的敏感，需要通过大量的实验进行测定，ELM具有学习速度快、泛化性能好的优点,目前现有ELM运用与变压器故障诊断中，在结合物联网大数据分析具有广泛的运用前景。
发明内容
本发明的目的在于克服现有技术中存在的上述不足，而提供一种结构设计合理，基于人工智能极限学习机的变压器故障在线诊断***。
本发明解决上述问题所采用的技术方案是：一种基于人工智能极限学习机的变压器故障在线诊断***，其包括数据样本采集节点、现场分析控制单元、通讯单元以及本地控制中心。
进一步的，所述的数据样本采集节点包括油样采集模块、油样分离模块、气体检测模块以及数据采集卡，所述的油样采集模块、油样分离模块、气体检测模块以及数据采集卡依次连接，所述的数据采集卡连接现场分析控制单元，所述的现场分析控制单元采集基于具有ELM学习策略的极限学习机。
进一步的，所述的现场分析控制单元设置有无线通信模块，所述的通讯单元为无线设备构成的局域网，所述的现场分析控制单元通过与无线通信模块与局域网连接并通信连接于本地控制中心所述的本地控制主机通过以太网络连接远程控制中心。
进一步的，所述的远程控制中心包括多屏监控***、数据服务器、应用服务器以及命令主机，多屏监控***、数据服务器、应用服务器与命令主机连接。
进一步的，包括多组数据样本采集节点以及多组对应连接的现场分析控制单元。
进一步的，所述的气体检测模块包括检测氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳六种气源数据。
进一步的，所述的数据样本采集节点采集的数据样本采用5:1分成用于极限学习机的训练集合测试集，采集份分数据中，5份用于训练建模，1份用于验证分类效果。
进一步的，所述的极限学习机通过无线局域网上传处理数据至本地控制中心，由本地控制中心汇总数据并上传至数据服务器用于数据共享。
进一步的，所述的局域网采用若干无线路由构成。
进一步的，所述的应用服务器设置有报警应用，使得在接收分析到故障数据通过应用服务器的短信功能发送故障数据到移动设备，所述的移动设备为移动平板或智能手机。
进一步的，所述的现场分析控制单元的无线通信模块与区域内的无线路由在统一通信协议下自组无线通信网络，现场分析控制单元通过构成的无线通信网络与本地控制中心连接。
本发明与现有技术相比，具有以下优点和效果：
(1)运用物联网技术实现节点的数据采集以及数据分析，并通过远程控制中心展示实现在线监控的功能。
(2)采用设置多组数据样本采集节点用于多元化采集样本并通过极限学习机进行学习训练以及验证，保证了样本的量化，保证监控的准确性。
(3)现场分析控制单元可通过网络下载读取数据服务器采集的其他现场分析控制单元采集的数据，用于优化自身学习能力。
(4)远程控制中心可以通过应用服务器进行短信报警，保证了故障及时发现及时处理。
(5)采用了自组网网络传输，可随时加入现场分析控制单元进行数据采集。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于人工智能极限学习机的变压器故障在线诊断***结构示意图；
图2是本发明实施例的数据样本采集节点结构示意图；
图3为本发明实施例的远程控制中心示意图。
在附图中，
1、数据样本采集节点；
2、现场分析控制单元；
3、通讯单元；
4、本地控制中心；
5、多屏监控***；
6、数据服务器；
7、应用服务器；
8、命令主机。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。
实施例1：
参见图1-3，本实施例一种基于人工智能极限学习机的变压器故障在线诊断***，包括数据样本采集节点1、现场分析控制单元2、通讯单元3以及本地控制中心4，所述的数据样本采集节点1包括油样采集模块、油样分离模块、气体检测模块以及数据采集卡，所述的油样采集模块、油样分离模块、气体检测模块以及数据采集卡依次连接，所述的数据采集卡连接现场分析控制单元2，所述的现场分析控制单元2采集基于具有ELM学习策略的极限学习机，所述的通讯单元3为无线设备构成的局域网，所述的现场分析控制单元2与局域网连接并通信连接于本地控制中心4，所述的本地控制主机通过以太网络连接远程控制中心。
所述的远程控制中心包括多屏监控***5、数据服务器6、应用服务器7以及命令主机8，多屏监控***5、数据服务器6、应用服务器7与命令主机8连接。
所述的气体检测模块包括检测氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳六种气源数据。
所述的数据样本采集节点1采集的数据样本采用5:1分成用于极限学习机的训练集合测试集。
所述的极限学习机通过无线局域网上传处理数据至本地控制中心，由本地控制中心汇总数据并上传至数据服务器6用于数据共享。
所述的局域网采用若干无线路由构成，所述的现场分析控制单元2的无线通信模块与区域内的无线路由在统一通信协议下自组无线通信网络，现场分析控制单元2通过构成的无线通信网络与本地控制中心连接。
所述的应用服务器7设置有报警应用，使得在接收分析到故障数据通过应用服务器7的短信功能发送故障数据到移动设备。
本实施例具体提供了一种基于人工智能极限学习机的变压器故障在线诊断***，其具有运用物联网技术实现节点的数据采集以及数据分析，并通过远程控制中心展示实现在线监控的功能；采用设置多组数据样本采集节点1用于多元化采集样本并通过极限学习机进行学习训练以及验证，保证了样本的量化，保证监控的准确性；现场分析控制单元2可通过网络下载读取数据服务器6采集的其他现场分析控制单元2采集的数据，用于优化自身学习能力；远程控制中心可以通过应用服务器7进行短信报警，保证了故障及时发现及时处理；采用了自组网网络传输，可随时加入现场分析控制单元2进行数据采集。
实施例2：
本实施例包括包括数据样本采集节点1、现场分析控制单元2、通讯单元3以及本地控制中心，所述的数据样本采集节点1包括油样采集模块、油样分离模块、气体检测模块以及数据采集卡，所述的油样采集模块、油样分离模块、气体检测模块以及数据采集卡依次连接，所述的数据采集卡连接现场分析控制单元2，所述的现场分析控制单元2采集基于具有ELM学习策略的极限学习机，所述的通讯单元3为无线设备构成的局域网，所述的现场分析控制单元2与局域网连接并通信连接于本地控制中心所述的本地控制主机通过以太网络连接远程控制中心，所述的远程控制中心包括多屏监控***5、数据服务器6、应用服务器7以及命令主机8，多屏监控***5、数据服务器6、应用服务器7与命令主机8连接。
所述的气体检测模块包括检测氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳六种气源数据。
所述的数据样本采集节点1采集的数据样本采用5:1分成用于极限学习机的训练集合测试集，采集份分数据中，500份用于训练建模，100份用于验证分类效果。
所述的极限学习机通过无线局域网上传处理数据至本地控制中心，由本地控制中心汇总数据并上传至数据服务器6用于数据共享。
所述的局域网采用若干无线路由构成，所述的现场分析控制单元2的无线通信模块与区域内的无线路由在统一通信协议下自组无线通信网络，现场分析控制单元2通过构成的无线通信网络与本地控制中心连接。
所述的应用服务器7设置有报警应用，使得在接收分析到故障数据通过应用服务器7的短信功能发送故障数据到移动设备。
在本实施例中，所述的移动设备为移动平板或智能手机。
实施例3：
参见图1-2，本实施例一种基于人工智能极限学习机的变压器故障在线诊断***，包括数据样本采集节点1、现场分析控制单元2、通讯单元3以及本地控制中心4，所述的数据样本采集节点1包括油样采集模块、油样分离模块、气体检测模块以及数据采集卡，所述的油样采集模块、油样分离模块、气体检测模块以及数据采集卡依次连接，所述的数据采集卡连接现场分析控制单元2，所述的现场分析控制单元2采集基于具有ELM学习策略的极限学习机，所述的通讯单元3为无线设备构成的局域网，所述的本地控制主机通过以太网络连接远程控制中心。
在本实施例中，所述的现场分析控制单元2设置有无线通信模块，现场分析控制单元2通过无线通信模块与局域网连接并通信连接于本地控制中心4。
所述的远程控制中心包括多屏监控***5、数据服务器6、应用服务器7以及命令主机8，多屏监控***5、数据服务器6、应用服务器7与命令主机8连接。
所述的气体检测模块包括检测氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳六种气源数据。
所述的数据样本采集节点1采集的数据样本采用5:1分成用于极限学习机的训练集合测试集，采集份分数据中，500份用于训练建模，100份用于验证分类效果。
所述的极限学习机通过无线局域网上传处理数据至本地控制中心，由本地控制中心汇总数据并上传至数据服务器6用于数据共享。
所述的局域网采用若干无线路由构成，所述的现场分析控制单元2的无线通信模块与区域内的无线路由在统一通信协议下自组无线通信网络，现场分析控制单元2通过构成的无线通信网络与本地控制中心连接。
所述的应用服务器7设置有报警应用，使得在接收分析到故障数据通过应用服务器7的短信功能发送故障数据到移动设备。
实施例4：
参见图1-2，本实施例一种基于人工智能极限学习机的变压器故障在线诊断***，包括数据样本采集节点1、现场分析控制单元2、通讯单元3以及本地控制中心4，所述的数据样本采集节点1包括油样采集模块、油样分离模块、气体检测模块以及数据采集卡，所述的油样采集模块、油样分离模块、气体检测模块以及数据采集卡依次连接，所述的数据采集卡连接现场分析控制单元2，所述的现场分析控制单元2采集基于具有ELM学习策略的极限学习机，所述的现场分析控制单元2设置有无线通信模块，所述的通讯单元3为无线设备构成的局域网，所述的现场分析控制单元2通过与无线通信模块与局域网连接并通信连接于本地控制中心4，所述的本地控制主机通过以太网络连接远程控制中心。
所述的远程控制中心包括多屏监控***5、数据服务器6、应用服务器7以及命令主机8，多屏监控***5、数据服务器6、应用服务器7与命令主机8连接。
所述的气体检测模块包括检测氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳六种气源数据。
所述的数据样本采集节点1采集的数据样本采用5:1分成用于极限学习机的训练集合测试集，采集份分数据中，500份用于训练建模，100份用于验证分类效果。
所述的极限学习机通过无线局域网上传处理数据至本地控制中心，由本地控制中心汇总数据并上传至数据服务器6用于数据共享。
所述的局域网采用若干无线路由构成，所述的现场分析控制单元2的无线通信模块与区域内的无线路由在统一通信协议下自组无线通信网络，现场分析控制单元2通过构成的无线通信网络与本地控制中心连接。
所述的应用服务器7设置有报警应用，使得在接收分析到故障数据通过应用服务器7的短信功能发送故障数据到移动设备。
在本实施例中，所述的移动设备为移动平板。
实施例5：
本实施例一种基于人工智能极限学习机的变压器故障在线诊断***，包括数据样本采集节点1、现场分析控制单2元、通讯单元以及本地控制中心，所述的数据样本采集节点1包括油样采集模块、油样分离模块、气体检测模块以及数据采集卡，所述的油样采集模块、油样分离模块、气体检测模块以及数据采集卡依次连接，所述的数据采集卡连接现场分析控制单2元，所述的现场分析控制单2元采集基于具有ELM学习策略的极限学习机，所述的现场分析控制单2元设置有无线通信模块，所述的通讯单元为无线设备构成的局域网，所述的现场分析控制单2元通过与无线通信模块与局域网连接并通信连接于本地控制中心所述的本地控制主机通过以太网络连接远程控制中心，所述的远程控制中心包括多屏监控***5、数据服务器6、应用服务器7以及命令主机8，多屏监控***5、数据服务器6、应用服务器7与命令主机8连接。
所述的气体检测模块包括检测氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳六种气源数据。
所述的数据样本采集节点1采集的数据样本采用5:1分成用于极限学习机的训练集合测试集，采集份分数据中，500份用于训练建模，100份用于验证分类效果。
所述的极限学习机通过无线局域网上传处理数据至本地控制中心，由本地控制中心汇总数据并上传至数据服务器6用于数据共享。
所述的局域网采用若干无线路由构成，所述的现场分析控制单2元的无线通信模块与区域内的无线路由在统一通信协议下自组无线通信网络，现场分析控制单2元通过构成的无线通信网络与本地控制中心连接。
所述的应用服务器7设置有报警应用，使得在接收分析到故障数据通过应用服务器7的短信功能发送故障数据到移动设备。
在本实施例中，所述的移动设备为智能手机。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的。
Claims (10)
1.一种基于人工智能极限学习机的变压器故障在线诊断***，其特征在于其包括数据样本采集节点、现场分析控制单元、通讯单元以及本地控制中心；
所述数据样本采集节点包括油样采集模块、油样分离模块、气体检测模块以及数据采集卡，所述油样采集模块、油样分离模块、气体检测模块以及数据采集卡依次连接，所述数据采集卡连接现场分析控制单元，所述现场分析控制单元采集基于具有ELM学习策略的极限学习机。
2.根据权利要求1所述一种基于人工智能极限学习机的变压器故障在线诊断***，其特征在于所述现场分析控制单元设置有无线通信模块，所述通讯单元为无线设备构成的局域网，所述现场分析控制单元通过与无线通信模块与局域网连接并通信连接于本地控制中心，所述本地控制主机通过以太网络连接远程控制中心。
3.根据权利要求2所述一种基于人工智能极限学习机的变压器故障在线诊断***，其特征在于所述远程控制中心包括多屏监控***、数据服务器、应用服务器以及命令主机，多屏监控***、数据服务器、应用服务器与命令主机连接。
4.根据权利要求3所述一种基于人工智能极限学习机的变压器故障在线诊断***，其特征在于：包括多组数据样本采集节点以及多组对应连接的现场分析控制单元。
5.根据权利要求3所述一种基于人工智能极限学习机的变压器故障在线诊断***，其特征在于：所述气体检测模块包括检测氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳六种气源数据。
6.根据权利要求4所述一种基于人工智能极限学习机的变压器故障在线诊断***，其特征在于：所述数据样本采集节点采集的数据样本采用5:1分成用于极限学习机的训练集合测试集，采集份分数据中，5份用于训练建模，1份用于验证分类效果。
7.根据权利要求3所述一种基于人工智能极限学习机的变压器故障在线诊断***，其特征在于：所述极限学习机通过无线局域网上传处理数据至本地控制中心，由本地控制中心汇总数据并上传至数据服务器用于数据共享。
8.根据权利要求3所述一种基于人工智能极限学习机的变压器故障在线诊断***，其特征在于：所述局域网采用若干无线路由构成。
9.根据权利要求3所述一种基于人工智能极限学***板或智能手机。
10.根据权利要求1所述一种基于人工智能极限学习机的变压器故障在线诊断***，其特征在于所述现场分析控制单元的无线通信模块与区域内的无线路由在统一通信协议下自组无线通信网络，现场分析控制单元通过构成的无线通信网络与本地控制中心连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911139699.9A CN110824384A (zh) | 2019-11-20 | 2019-11-20 | 一种基于人工智能极限学习机的变压器故障在线诊断*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911139699.9A CN110824384A (zh) | 2019-11-20 | 2019-11-20 | 一种基于人工智能极限学习机的变压器故障在线诊断*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110824384A true CN110824384A (zh) | 2020-02-21 |
Family
ID=69557320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911139699.9A Pending CN110824384A (zh) | 2019-11-20 | 2019-11-20 | 一种基于人工智能极限学习机的变压器故障在线诊断*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110824384A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111707895A (zh) * | 2020-06-22 | 2020-09-25 | 合肥博雷电气有限公司 | 一种基于机器学习的电磁环境复杂度评估方法及*** |
| CN112748372A (zh) * | 2020-12-21 | 2021-05-04 | 湘潭大学 | 一种人工蜂群优化极限学习机的变压器故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102287330A (zh) * | 2011-07-25 | 2011-12-21 | 哈尔滨理工大学 | 采用3g网络的风电场远程实时监控与智能视频遥视*** |
| CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
| CN103281364A (zh) * | 2013-05-20 | 2013-09-04 | 中山新鑫自动化设备有限公司 | 一种用于电力设施的防盗、监控及运行参数监测、管理的物联网***平台 |
| CN103501309A (zh) * | 2013-07-03 | 2014-01-08 | 陕西广电网络传媒（集团）股份有限公司 | 基于数字电视终端的物联网智能家居管控*** |
| 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*** |
| CN108490323A (zh) * | 2018-03-21 | 2018-09-04 | 广东电网有限责任公司电力科学研究院 | 一种用于对变压器故障进行处理的***及方法 |
-
2019
- 2019-11-20 CN CN201911139699.9A patent/CN110824384A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102287330A (zh) * | 2011-07-25 | 2011-12-21 | 哈尔滨理工大学 | 采用3g网络的风电场远程实时监控与智能视频遥视*** |
| CN102944769A (zh) * | 2012-10-18 | 2013-02-27 | 上海市电力公司 | 基于极限学习机的电力变压器故障诊断方法 |
| CN103281364A (zh) * | 2013-05-20 | 2013-09-04 | 中山新鑫自动化设备有限公司 | 一种用于电力设施的防盗、监控及运行参数监测、管理的物联网***平台 |
| CN103501309A (zh) * | 2013-07-03 | 2014-01-08 | 陕西广电网络传媒（集团）股份有限公司 | 基于数字电视终端的物联网智能家居管控*** |
| 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*** |
| CN108490323A (zh) * | 2018-03-21 | 2018-09-04 | 广东电网有限责任公司电力科学研究院 | 一种用于对变压器故障进行处理的***及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111707895A (zh) * | 2020-06-22 | 2020-09-25 | 合肥博雷电气有限公司 | 一种基于机器学习的电磁环境复杂度评估方法及*** |
| CN112748372A (zh) * | 2020-12-21 | 2021-05-04 | 湘潭大学 | 一种人工蜂群优化极限学习机的变压器故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019015311A1 (zh) | 一种基于振动信号支持向量机的gil故障在线监测*** | |
| CN108062571A (zh) | 基于差分进化随机森林分类器的光伏阵列故障诊断方法 | |
| CN206524538U (zh) | 一种故障自动报警的高压开关柜 | |
| CN105424395A (zh) | 设备故障的确定方法和装置 | |
| CN110824384A (zh) | 一种基于人工智能极限学习机的变压器故障在线诊断*** | |
| CN205826142U (zh) | 一种避雷器在线测温装置 | |
| CN104391184B (zh) | 台变缺相检测和示警装置及方法 | |
| CN108344931A (zh) | 基于紫外图谱技术的电力设备安全分析*** | |
| CN109902373A (zh) | 一种辖区变电站故障诊断、定位方法及*** | |
| CN206099897U (zh) | 一种带有故障识别功能的光伏电站 | |
| CN103837764B (zh) | 家用太阳能光伏发电的电能质量检测方法 | |
| CN205941032U (zh) | 一种空调分体内机商检*** | |
| CN205846861U (zh) | 一种500千伏变电站通信设备智能定期巡检*** | |
| CN104392591A (zh) | 输电线杆故障监测专家*** | |
| CN102967839B (zh) | 变电站在线监测通信***的检测方法及装置 | |
| CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测*** | |
| CN111190072A (zh) | 集抄***诊断模型建立方法、故障诊断方法及装置 | |
| CN207753502U (zh) | 自动化主站远程运维监控*** | |
| CN116204846B (zh) | 一种基于可见图的配电网传感器数据异常快速定位方法 | |
| CN107017835B (zh) | 光伏组件的故障监测***及方法 | |
| CN115829168B (zh) | 基于数据分析的新能源设备远程协调运维管理*** | |
| Liu et al. | Design and implementation of intelligent monitoring terminal for distribution room based on edge computing | |
| CN111147324A (zh) | 一种多维度一体化检测评估*** | |
| CN207149078U (zh) | 一种低压集抄***故障定位装置 | |
| CN207149071U (zh) | 用于电力低压集抄本地检测的电路及手持终端设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |