CN111695452B - 基于rbf神经网络的并联电抗器内部老化程度评估方法 - Google Patents

基于rbf神经网络的并联电抗器内部老化程度评估方法 Download PDF

Info

Publication number
CN111695452B
CN111695452B CN202010459935.1A CN202010459935A CN111695452B CN 111695452 B CN111695452 B CN 111695452B CN 202010459935 A CN202010459935 A CN 202010459935A CN 111695452 B CN111695452 B CN 111695452B
Authority
CN
China
Prior art keywords
neural network
reactor
rbf neural
output
layer
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.)
Active
Application number
CN202010459935.1A
Other languages
English (en)
Other versions
CN111695452A (zh
Inventor
孟令明
高树国
张明文
何瑞东
岳国良
乔国华
张克谦
赵芳初
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010459935.1A priority Critical patent/CN111695452B/zh
Publication of CN111695452A publication Critical patent/CN111695452A/zh
Application granted granted Critical
Publication of CN111695452B publication Critical patent/CN111695452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/003—Environmental or reliability tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明涉及一种基于RBF神经网络的并联电抗器内部老化程度评估方法，对高压并联电抗器噪声信号进行采集，同时记录该电抗器投运时间，提取各通道信号中的基频幅值；将每台电抗器噪声信号基频幅值输入RBF神经网络预测它的期望运行年限，并与其实际投入年限相比较，通过两者误差判断电抗器内部是否有明显缺陷，当预测结果远远偏离于实际年限，说明电抗器内部的老化速度大于自然趋势，老化过快会对内部结构造成持续影响。本发明属于高压并联电抗器电抗器的深度状态评估，从电抗器内部老化的角度进行状态评估。通过噪声信号数据与投运年限训练RBF神经网络，从而得到基于网络模型输出的投运年限。

Description

基于RBF神经网络的并联电抗器内部老化程度评估方法
技术领域
本发明属于一种利用高压并联电抗器振动噪声数据集对其运行年限预测诊断的方法，具体涉及一种基于RBF神经网络的并联电抗器内部老化程度评估方法。
背景技术
高压并联油浸式电抗器是电力***中重要的设备之一，对电力***稳定、安全运行具有重要意义。目前国内外对并联电抗器的噪声特性有了大量研究，在致力于对电抗器油箱表面减振降噪的同时，可以利用其传播出的声信号中丰富的特征量评估电抗器内部机械状态。电抗器长期运行的过程中，内部逐渐发生机械老化、热老化等反应，振动加剧、声学信号异常。
高压并联电抗器的噪声与其电气性能和机械性能一样，都是极为重要的技术参数，油箱本体噪声水平的大小，是衡量其运行水平和缺陷程度的重要指标之一。无论电抗器内部结构是否良好，混合噪声通过电抗器内部结构元件传递到外壳并向四周辐射，因此油箱表面噪声可以作为判断电抗器运行状况的一个重要因素。
将电抗器油箱表面的声信号加以处理，通过RBF神经网络预测它的运行年限，并与其实际投入年限相比较。当预测结果远远偏离于实际年限，说明电抗器内部的老化速度大于自然趋势，老化过快会对内部结构造成持续影响。
发明内容
本发明适用于在具备完备高压并联电抗器振动噪声数据集的前提下，对其进行投运年限预测故障诊断。
本发明的技术方案：
一种基于RBF神经网络的并联电抗器内部老化程度评估方法，对高压并联电抗器噪声信号进行采集，同时记录该电抗器投运时间，提取各通道信号中的基频幅值；
将每台电抗器噪声信号基频幅值输入RBF神经网络预测它的期望运行年限，并与其实际投入年限相比较，通过两者误差判断电抗器内部是否有明显缺陷，当预测结果远远偏离于实际年限，说明电抗器内部的老化速度大于自然趋势，老化过快会对内部结构造成持续影响。
进一步的，高压并联电抗器在实际运行过程中，铁芯和绕组由于受到应力作用产生振动，利用振动传感器和传声器获取相关测点的振动数据，利用历史数据对未来时间内的数据进行预测，从而进行状态评估。
进一步的，利用在线监测***对高压并联电抗器进行振动噪声信号采集，利用RBF神经网络其过程包含以下几个步骤：1)采集油箱表面4个测点的噪声信号；2)对数据进行快速傅里叶变换，提取基频幅值；3)将大量基频幅值组成向量与电抗器年限所对应。
进一步的，针对噪声信号与投运年限的RBF神经网络算法步骤如下：
步骤1：确定输入向量X：X＝[x1,x2,...,xn]T，n为输入层单元数
步骤2：确定输出向量Y：Y＝[y1,y2,...,yq]T，q是输出层单元数
步骤3：初始化隐含层至输出层的连接权值Wk＝[wk1,wk2,...,wkp]T(k＝1,2,...,q)
其中p是隐藏层单元数，q是输出层单元数；
参考中心初始化的方法给出隐藏层到输出层的权值初始化方法：
其中mink是训练集中第k个输出神经元中所有期望输出的最小值；maxk是训练集中第k个输出神经元中所有期望输出的最大值；
步骤4：初始化隐含层各神经元的中心参数Cj＝[cj1,cj2,...,cjn]T
RBF神经网络中心参数的初始值为：
步骤5：初始化宽度向量Dj＝[dj1,dj2,...,djn]。
步骤6：计算隐含层第j个神经元的输出值
步骤7：计算输出层神经元的输出Y＝[y1,y2,...,yq]T,其中
步骤8：迭代计算权重参数
wkj(t)为第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重。cji(t)为第j个隐含层神经元对于第i个输入神经元在第t次迭代计算时的中心分量；dji(t)为与中心cji(t)对应的宽度；
步骤9：按下式计算网络输出的均方根误差RMS的值，若RMS≤ε，则训练结束，否则转到步骤8；
步骤10：将预测值与真实值比较，得到最终诊断结论。
进一步的，通过在线监测***对高压并联电抗器噪声信号进行采集。
进一步的，提取各通道信号中的基频幅值时，先将振动噪声信号进行FFT变换，由时域信号转化为频域信号。
进一步的，记录每台高压并联电抗器的投运时间，分别与每台噪声信号基频向量一一对应。
进一步的，从采集到的数据中划分训练集和测试集，确定神经网络相关参数，输入层神经元为8个，隐含层神经元为30个，输出层神经元为1个，将训练集输入RBF神经网络中，并对网络进行训练。
进一步的，建立RBF神经网络模型结构，RBF神经网络由输入层、隐含层和输出层构成。
进一步的，输入层由单个电抗器所有通道基频幅值组成的数组形成，隐含层是将输入层中低维空间信号转换到高维空间，输出层是电抗器的实际投运年份，由隐层单元输出的线性加权确定。
本发明的有益效果：
本发明属于高压并联电抗器电抗器的深度状态评估，从电抗器内部老化的角度进行状态评估。通过噪声信号数据与投运年限训练RBF神经网络，从而得到基于网络模型输出的投运年限。本发明的结论准确可靠，使用方便。
附图说明
图1RBF神经网络权重值更新过程图。
图2声学信号处理图。
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。
以下结合附图对本发明的技术方案、结构作进一步详细的说明。
本发明基于RBF神经网络的高压并联电抗器状态自评估方法特点，如下：
1.采集多台并联电抗器的声压信号
分别提取各通道信号基频作为RBF神经网络的输入向量。记录每台高压并联电抗器的投运年限，分别与每台噪声信号基频向量一一对应。
从采集到的数据中划分训练集和测试集，确定神经网络相关参数，输入层神经元为8个，隐含层神经元为30个，输出层神经元为1个，将训练集输入RBF神经网络中，并对网络进行训练。将测试集输入网络中进行验证，并得到待验证电抗器的预测年限，预测结果与实际投运年限相对比，通过两年限之间误差来对电抗器内部进行故障诊断。
根据预测的投运年份计算相对误差，考虑到环境因素的影响，预测结果可以存在微小的误差，当某台电抗器的预测结果相对实际年限的误差结果大于一定阈值，可以表明这台电抗器内部存在一定的潜在故障和缺陷。
2.算法流程
建立RBF神经网络模型结构见图1，该网络主要由输入层、隐含层和输出层构成。其中，输入层由单个电抗器所有通道基频幅值组成的数组形成，隐含层是将输入层中低维空间信号转换到高维空间，输出层是电抗器的实际投运年份，由隐层单元输出的线性加权确定；
为第P个输入样本，P＝1,2,…,N,N为样本总数；ω为输出层和隐含层之间的连接权值；
步骤1：进行网络初始化，随机选取l个训练样本作为初始聚类中心ci(i＝1,2,…,l)，计算xp与初始聚类中心ci之间的欧式距离，按最近邻规则进行聚类分组。
步骤2：重新调整聚类中心，计算各个聚类集合中样本的平均值从而得到新的聚类中心，若新的聚类中心不再变化，则停止计算，否则返回上一步继续确定基函数的中心，RBF神经网络的基函数为高斯函数，其方差求解为
其中i＝1,2,…,l；cmax为所选取的基函数中心之间的最大距离。
步骤3：隐含层到输出层的连接权值利用最小二乘法直接计算得到，计算公式如下
式中i＝1,2,...,l；P＝1,2,...,P，P为样本总数。
步骤4：RBF神经网络通过输入和输出误差来调整参数中心ci和权值ω，再据此调整网络内部系数，通过反复迭代计算直至网络的输出均方误差达到预设的精度要求时，网络中止计算并输出预测值。
基于RBF神经网络的并联电抗器内部老化程度评估方法。在长期运行的过程中，内部多种应力的作用和外部环境对其产生综合影响，其结构性能老化，进而产生缺陷甚至故障。运行工况、环境影响、监测结果等大量信息使得设备运行的状态变化和故障演变过程日益完善。噪声作为其中一项信息，为电抗器年限估计提供可靠准确的参考依据，通过神经网络的训练，精确掌握电抗器的运行状态和发展趋势，从而进一步提升电抗器的状态管理水平。
具体实施包括以下几个步骤：
高压并联电抗器在实际运行过程中，铁芯和绕组由于受到应力作用产生振动，利用振动传感器和传声器获取相关测点的振动数据，利用历史数据对未来短时间内的数据进行预测，从而进行状态评估。
利用在线监测***对高压并联电抗器进行振动噪声信号采集，利用RBF神经网络其过程主要包含以下几个步骤：1)采集油箱表面4个测点的噪声信号。2)对数据进行快速傅里叶变换，提取基频幅值。3)将大量基频幅值组成向量与电抗器年限所对应。
针对噪声信号与投运年限的RBF神经网络算法步骤如下：
步骤1：确定输入向量X：X＝[x1,x2,...,xn]T，n为输入层单元数
步骤2：确定输出向量Y：Y＝[y1,y2,...,yq]T，q是输出层单元数
步骤3：初始化隐含层至输出层的连接权值Wk＝[wk1,wk2,...,wkp]T(k＝1,2,...,q)
其中p是隐藏层单元数，q是输出层单元数。
参考中心初始化的方法给出隐藏层到输出层的权值初始化方法：
其中mink是训练集中第k个输出神经元中所有期望输出的最小值；maxk是训练集中第k个输出神经元中所有期望输出的最大值。
步骤4：初始化隐含层各神经元的中心参数Cj＝[cj1,cj2,...,cjn]T RBF神经网络中心参数的初始值为：
步骤5：初始化宽度向量
步骤6：计算隐含层第j个神经元的输出值
步骤7：计算输出层神经元的输出Y＝[y1,y2,...,yq]T,其中
步骤8：迭代计算权重参数
wkj(t)为第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重。cji(t)为第j个隐含层神经元对于第i个输入神经元在第t次迭代计算时的中心分量；dji(t)为与中心cji(t)对应的宽度。
步骤9：按下式计算网络输出的均方根误差RMS的值，若RMS≤ε，则训练结束，否则转到步骤8。
步骤10：将预测值与真实值比较，得到最终诊断结论。
如图2所示，某变电站高压并联电抗器运行状况
对电抗器噪声的测量和比较是为了区分出多台电抗器内部缺陷程度的不同，电抗器投运时间可以直观地表明内部老化程度，将多组噪声信号和电抗器运行年限数据利用神经网络算法训练，通过正确估计待研究电抗器的使用年限，密切注视临界状态，确定进行检修的必要性，能有效地防止故障状态的转化，减少或避免电抗器故障发展带来的损失，增强电抗器运行的可靠性。
采用在线监测设备对高压并联电抗器噪声信号进行采集，同时记录该电抗器投运时间，噪声信号特征可以在一定程度上可以反映电抗器内部老化程度，提取各通道信号中的基频幅值。
将每台电抗器噪声信号基频幅值输入RBF神经网络预测它的期望运行年限，并与其实际投入年限相比较。通过两者误差判断电抗器内部是否有明显缺陷，当预测结果远远偏离于实际年限，说明电抗器内部的老化速度大于自然趋势，老化过快会对内部结构造成持续影响。

Claims (1)

1.一种基于RBF神经网络的并联电抗器内部老化程度评估方法，其特征在于，对高压并联电抗器噪声信号进行采集，同时记录该电抗器投运时间，提取各通道信号中的基频幅值；
将每台电抗器噪声信号基频幅值输入RBF神经网络预测它的期望运行年限，并与其实际投入年限相比较，通过两者误差判断电抗器内部是否有明显缺陷，当预测结果偏离于实际年限，说明电抗器内部的老化速度大于自然趋势，老化过快会对内部结构造成持续影响；
高压并联电抗器在实际运行过程中，铁芯和绕组由于受到应力作用产生振动，利用振动传感器和传声器获取相关测点的振动数据，利用历史数据对未来时间内的数据进行预测，从而进行状态评估；
利用在线监测***对高压并联电抗器进行振动噪声信号采集，利用RBF神经网络其过程包含以下几个步骤：1)采集油箱表面4个测点的噪声信号；2)对数据进行快速傅里叶变换，提取基频幅值；3)将基频幅值组成向量与电抗器年限所对应；针对噪声信号与投运年限的RBF神经网络算法步骤如下：
步骤1：确定输入向量X：X＝[x1,x2,...,xn]T，n为输入层单元数；
步骤2：确定输出向量Y：Y＝[y1,y2,...,yq]T，q是输出层单元数；
步骤3：初始化隐含层至输出层的连接权值Wk＝[wk1,wk2,...,wkp]T
(k＝1,2,...,q)；
其中p是隐藏层单元数，q是输出层单元数；
参考中心初始化的方法给出隐藏层到输出层的权值初始化方法：
其中mink是训练集中第k个输出神经元中所有期望输出的最小值；maxk是训练集中第k个输出神经元中所有期望输出的最大值；
步骤4：初始化隐含层各神经元的中心参数Cj＝[cj1,cj2,...,cjn]T
RBF神经网络中心参数的初始值为：
步骤5：初始化宽度向量Dj＝[dj1,dj2,...,djn]，
步骤6：计算隐含层第j个神经元的输出值
步骤7：计算输出层神经元的输出Y＝[y1,y2,...,yq]T,其中
步骤8：迭代计算权重参数
wkj(t)为第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重，cji(t)为第j个隐含层神经元对于第i个输入神经元在第t次迭代计算时的中心分量；dji(t)为与中心cji(t)对应的宽度；
步骤9：按下式计算网络输出的均方根误差RMS的值，若RMS≤ε，则训练结束，否则转到步骤8
步骤10：将预测值与真实值比较，得到最终诊断结论；
通过在线监测***对高压并联电抗器噪声信号进行采集；
提取各通道信号中的基频幅值时，先将振动噪声信号进行FFT变换，由时域信号转化为频域信号；
记录每台高压并联电抗器的投运时间，分别与每台噪声信号基频向量一一对应；从采集到的数据中划分训练集和测试集，确定神经网络相关参数，输入层神经元为8个，隐含层神经元为30个，输出层神经元为1个，将训练集输入RBF神经网络中，并对网络进行训练；
建立RBF神经网络模型结构，RBF神经网络由输入层、隐含层和输出层构成；输入层由单个电抗器所有通道基频幅值组成的数组形成，隐含层是将输入层中低维空间信号转换到高维空间，输出层是电抗器的实际投运年份，由隐层单元输出的线性加权确定。
CN202010459935.1A 2020-05-28 2020-05-28 基于rbf神经网络的并联电抗器内部老化程度评估方法 Active CN111695452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010459935.1A CN111695452B (zh) 2020-05-28 2020-05-28 基于rbf神经网络的并联电抗器内部老化程度评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010459935.1A CN111695452B (zh) 2020-05-28 2020-05-28 基于rbf神经网络的并联电抗器内部老化程度评估方法

Publications (2)

Publication Number Publication Date
CN111695452A CN111695452A (zh) 2020-09-22
CN111695452B true CN111695452B (zh) 2023-08-18

Family

ID=72478519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010459935.1A Active CN111695452B (zh) 2020-05-28 2020-05-28 基于rbf神经网络的并联电抗器内部老化程度评估方法

Country Status (1)

Country Link
CN (1) CN111695452B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435843A (zh) * 2021-06-28 2021-09-24 平安信托有限责任公司 批复文件生成方法、装置、电子设备及存储介质
CN116151169B (zh) * 2022-11-30 2024-03-12 西安西电变压器有限责任公司 预测电抗器噪声强度的方法和装置
CN116861164A (zh) * 2023-05-08 2023-10-10 华电电力科学研究院有限公司 一种汽轮机运行故障监测***
CN117761442B (zh) * 2024-02-19 2024-05-03 深圳市鼎泰佳创科技有限公司 一种电子负载老化程度测试方法、***及试验设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1274849A (zh) * 1999-05-24 2000-11-29 三菱电机株式会社 旋转电机的异常检测装置
CN101576443A (zh) * 2009-06-16 2009-11-11 北京航空航天大学 基于灰色rbf神经网络的加速寿命试验寿命预测方法
CN104504260A (zh) * 2014-12-16 2015-04-08 西北工业大学 一种多失效模式***故障预测方法
CN107101828A (zh) * 2017-05-27 2017-08-29 辽宁大学 一种编码器健康度评价的轴承剩余寿命预测方法
CN108181580A (zh) * 2018-01-25 2018-06-19 江苏德春电力科技股份有限公司 固体绝缘开关设备智能诊断装置及寿命评估方法
EP3343428A1 (en) * 2016-12-31 2018-07-04 INTEL Corporation Architecture for telemetry and adaptive lifetime control of integrated circuits
CN108445382A (zh) * 2018-04-23 2018-08-24 温州大学 一种高压断路器的快速失效检测方法
CN108776818A (zh) * 2018-06-05 2018-11-09 北京航空航天大学 轴承特征提取方法、轴承剩余寿命预测方法和装置
CN110377984A (zh) * 2019-07-02 2019-10-25 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、***及电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1274849A (zh) * 1999-05-24 2000-11-29 三菱电机株式会社 旋转电机的异常检测装置
CN101576443A (zh) * 2009-06-16 2009-11-11 北京航空航天大学 基于灰色rbf神经网络的加速寿命试验寿命预测方法
CN104504260A (zh) * 2014-12-16 2015-04-08 西北工业大学 一种多失效模式***故障预测方法
EP3343428A1 (en) * 2016-12-31 2018-07-04 INTEL Corporation Architecture for telemetry and adaptive lifetime control of integrated circuits
CN107101828A (zh) * 2017-05-27 2017-08-29 辽宁大学 一种编码器健康度评价的轴承剩余寿命预测方法
CN108181580A (zh) * 2018-01-25 2018-06-19 江苏德春电力科技股份有限公司 固体绝缘开关设备智能诊断装置及寿命评估方法
CN108445382A (zh) * 2018-04-23 2018-08-24 温州大学 一种高压断路器的快速失效检测方法
CN108776818A (zh) * 2018-06-05 2018-11-09 北京航空航天大学 轴承特征提取方法、轴承剩余寿命预测方法和装置
CN110377984A (zh) * 2019-07-02 2019-10-25 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、***及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张伟.基于模糊理论和RBF网络的低压开关设备故障预测诊断研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2010,第40-60页. *

Also Published As

Publication number Publication date
CN111695452A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111695452B (zh) 基于rbf神经网络的并联电抗器内部老化程度评估方法
CN109033612B (zh) 一种基于振动噪声及bp神经网络的变压器故障诊断方法
CN110132554B (zh) 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN110781592B (zh) 一种设备剩余寿命的预测方法及***
CN113837477A (zh) 数据双驱动的台风灾害下电网故障预测方法、装置和设备
Feng et al. Design and implementation of a self-validating pressure sensor
CN110969096A (zh) 基于粒子群优化支持向量机的电机故障模式诊断方法
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
CN113255848A (zh) 基于大数据学习的水轮机空化声信号辨识方法
Song et al. Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal
CN114091525A (zh) 一种滚动轴承退化趋势预测方法
Shang et al. Fault diagnosis method of rolling bearing based on deep belief network
CN115877205A (zh) 一种伺服电机的故障智能诊断***及其诊断方法
CN112990627B (zh) 电能质量评估方法
CN112507479A (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN115542099A (zh) 一种在线gis局部放电检测方法和装置
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN110188399B (zh) 一种基于多相关序列的大坝安全监测单测点评价方法
Zhang et al. Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis
Li et al. A novel application of intelligent algorithms in fault detection of rudder system
CN117574275A (zh) 一种电力***异常检测分类方法
CN111474476B (zh) 一种电机故障预测方法
CN117454324A (zh) 风速风向仪故障预警方法、***、电子设备及存储介质
CN110443358B (zh) 一种基于加权正则化极限学习机的谐波源辨识方法
JP2002323371A (ja) 音響診断装置及び音響診断方法

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