CN114492542B - 一种有载分接开关的运行状态的检测方法及检测装置 - Google Patents
一种有载分接开关的运行状态的检测方法及检测装置 Download PDFInfo
- Publication number
- CN114492542B CN114492542B CN202210352722.8A CN202210352722A CN114492542B CN 114492542 B CN114492542 B CN 114492542B CN 202210352722 A CN202210352722 A CN 202210352722A CN 114492542 B CN114492542 B CN 114492542B
- Authority
- CN
- China
- Prior art keywords
- changer
- load tap
- fault
- sample
- vibration signal
- 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
Links
Images
Classifications
-
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供了一种有载分接开关的运行状态的检测方法及检测装置,包括:从有载调压变压器运行时产生的混合振动信号中提取出有载分接开关的振动信号;提取振动信号的特征向量;针对每个高斯混合模型,将特征向量输入该高斯混合模型中,以确定特征向量的概率分布情况;基于特征向量和每个高斯混合模型确定出的概率分布情况,利用贝叶斯分类器,确定有载分接开关实际的运行状态;当确定出的运行状态为预设的易错故障类别时,将特征向量输入支持向量机模型,以将支持向量机模型确定出的故障类别重新确定为有载分接开关的运行状态。这样,能够更加及时、准确地检测有载分接开关的运行状态,提高对故障振动信号的识别能力,减少误判的概率。
Description
技术领域
本申请涉及有载分接开关技术领域,尤其是涉及一种有载分接开关的运行状态的检测方法及检测装置。
背景技术
有载调压变压器是电力***中非常重要的输配电设备,其中,有载分接开关是有载调压变压器的核心部件。通过有载分接开关的逐级动作,有载调压变压器可以实现对高压输配电网电网的有载调压,使工业供电和居民供电的***电压保持稳定。因此,有载分接开关的性能状况直接关系到有载调压变压器的安全运行。
目前,有载调压变压器运行维护的主要工作量集中在有载分接开关上。而现有的有载分接开关的检测方法主要是以有载分接开关的运行时间和操作次数作为依据,通过定期的预防性试验、定期检查和故障检修的方式进行维护。因此,现有的检测方法很难及时地检测出有载分接开关存在的故障问题;此外,如果有载分接开关没有出现故障,检修更会造成不必要的停电。
发明内容
有鉴于此,本申请的目的在于提供一种有载分接开关的运行状态的检测方法及检测装置,利用有载分接开关的振动信号,结合高斯混合模型和贝叶斯分类器确定出有载分接开关的运行状态;并在确定出的运行状态为易错故障类别时,将支持向量机模型确定出的故障类别重新确定为有载分接开关的运行状态。这样,能够结合高斯混合模型、贝叶斯分类分类器和支持向量机模型,更加及时、准确地检测有载分接开关的运行状态,提高对故障振动信号的识别能力,减少误判的概率。
本申请实施例提供了一种有载分接开关的运行状态的检测方法,所述有载分接开关包括在有载调压变压器中,所述检测方法包括:
从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号;
利用主成分分析法提取所述振动信号的特征向量;
针对每个预先训练好的高斯混合模型,将所述特征向量输入该高斯混合模型中,以通过该高斯混合模型确定所述特征向量的概率分布情况;其中,该高斯混合模型用于描述若所述有载分接开关处于与该高斯混合模型对应的运行状态时,所述特征向量的概率分布情况;所述运行状态包括所述有载分接开关未发生故障以及所述有载分接开关所发生故障的故障类别;
基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态;
当确定出所述有载分接开关实际的运行状态为所述故障类别中预设的易错故障类别时,将所述特征向量输入预先训练好的支持向量机模型,以将所述支持向量机模型确定出的故障类别重新确定为所述有载分接开关实际的运行状态。
进一步的,通过以下方式训练所述高斯混合模型:
获取所述有载分接开关的多类样本振动信号;其中,所述多类样本振动信号包括所述有载分接开关未发生故障时的样本振动信号以及针对每种故障类别,所述有载分接开关在发生该种故障类别的故障时的样本振动信号;
针对所述多类样本振动信号中的每类样本振动信号,使用该类样本振动信号的样本特征向量,采用期望最大化算法训练初始高斯混合模型,以得到该类样本振动信号对应的高斯混合模型;其中,所述初始高斯混合模型的初始参数通过K均值聚类算法确定。
进一步的,通过以下方式确定所述易错故障类别:
将所述多类样本振动信号划分为第一组样本振动信号和第二组样本振动信号;
使用第一组样本振动信号和每个高斯混合模型,对初始贝叶斯分类器进行训练,得到训练好的贝叶斯分类器;
针对第二组样本振动信号中的任意一个第二振动信号,使用该第二振动信号和高斯混合模型,对训练好的贝叶斯分类器进行测试,以通过贝叶斯分类器确定出在产生该第二振动信号时,所述有载分接开关的预测运行状态;
将该第二振动信号的预设样本标签与贝叶斯分类器确定出的预测运行状态进行比较,判断贝叶斯分类器对运行状态的检测正确或错误;其中,该第二振动信号的预设样本标签为在产生该第二振动信号时,所述有载分接开关的真实运行状态;
通过对贝叶斯分类器检测错误和检测正确的运行状态分别进行数据统计,确定出贝叶斯分类器在检测运行状态时,出现分类相互混淆的一组故障类别;
将所述一组故障类别中的每个故障类别均确定为所述易错故障类别。
进一步的,通过以下方式训练所述支持向量机模型:
基于第二组样本振动信号中每个第二振动信号的预设样本标签,以第一筛选方式从第二组样本振动信号中筛选出多个第二振动信号;其中,所述第一筛选方式为筛选出预设样本标签属于所述易错故障类别的全部第二振动信号;
在以第一筛选方式筛选出的多个第二振动信号中,以第二筛选方式从中筛选出多个第二振动信号;其中,所述第二筛选方式为在对贝叶斯分类器进行测试的过程中,贝叶斯分类器对运行状态的检测正确的全部第二振动信号;
将以第二筛选方式筛选出的多个第二振动信号按照预设样本标签划分为多类目标振动信号;其中,每类目标振动信号中的各第二振动信号均具有相同的预设样本标签;
使用所述多类目标振动信号,分别对初始支持向量机模型进行训练,以得到所述支持向量机模型。
进一步的,所述基于所述待检测特征向量和每个高斯混合模型确定出的概率分布情况,利用预先构建的贝叶斯分类器,确定所述有载分接开关实际的运行状态,包括:
利用所述贝叶斯分类器,基于所述待检测特征向量和每个高斯混合模型确定出的概率分布情况,确定出所述有载分接开关处于每种运行状态下的概率;
比较所述有载分接开关处于每种运行状态下的概率,将概率最大的运行状态确定为所述有载分接开关实际的运行状态。
进一步的,所述从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号,包括:
利用主成分分析法对所述混合振动信号进行降维处理;
利用Robust独立成分分析法将降维处理后的混合振动信号分成多个独立子分量信号;
利用基于小波变换的正交匹配追踪算法,根据所述多个独立子分量信号重构出所述混合振动信号中的周期信号;所述周期信号包括所述有载调压变压器运行时,所述有载调压变压器中的绕组、铁芯、油泵和风扇振动所产生的与电网频率相关的周期信号;
从所述混合振动信号中去除所述周期信号,以得到所述有载分接开关的振动信号。
进一步的,所述故障检测方法还包括:
当确定出所述有载分接开关实际的运行状态不为所述故障类别中预设的易错故障类别时,将所述贝叶斯分类器确定出的故障类别确定为所述有载分接开关的实际的运行状态;其中,所述故障类别包括以下各项中的至少一项或多项:触头松动、触头磨损、主轴变形和主弹簧弱化。
本申请实施例还提供了一种有载分接开关的运行状态的检测装置,所述有载分接开关包括在有载调压变压器中,所述检测装置包括:
第一提取模块,用于从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号;
第二提取模块,用于利用主成分分析法提取所述振动信号的特征向量;
输入模块,用于针对每个预先训练好的高斯混合模型,将所述特征向量输入该高斯混合模型中,以通过该高斯混合模型确定所述特征向量的概率分布情况;其中,该高斯混合模型用于描述若所述有载分接开关处于与该高斯混合模型对应的运行状态时,所述特征向量的概率分布情况;所述运行状态包括所述有载分接开关未发生故障以及所述有载分接开关所发生故障的故障类别;
第一确定模块,用于基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态;
第二确定模块,用于当确定出所述有载分接开关实际的运行状态为所述故障类别中预设的易错故障类别时,将所述特征向量输入预先训练好的支持向量机模型,以将所述支持向量机模型确定出的故障类别重新确定为所述有载分接开关实际的运行状态。
进一步的,所述检测装置还包括第一训练模块;所述第一训练模块通过以下方式训练所述高斯混合模型:
获取所述有载分接开关的多类样本振动信号;其中,所述多类样本振动信号包括所述有载分接开关未发生故障时的样本振动信号以及针对每种故障类别,所述有载分接开关在发生该种故障类别的故障时的样本振动信号;
针对所述多类样本振动信号中的每类样本振动信号,使用该类样本振动信号的样本特征向量,采用期望最大化算法训练初始高斯混合模型,以得到该类样本振动信号对应的高斯混合模型;其中,所述初始高斯混合模型的初始参数通过K均值聚类算法确定。
进一步的,所述检测装置还包括第二训练模块;所述第二训练模块通过以下方式确定所述易错故障类别:
将所述多类样本振动信号划分为第一组样本振动信号和第二组样本振动信号;
使用第一组样本振动信号和每个高斯混合模型,对初始贝叶斯分类器进行训练,得到训练好的贝叶斯分类器;
针对第二组样本振动信号中的任意一个第二振动信号,使用该第二振动信号和高斯混合模型,对训练好的贝叶斯分类器进行测试,以通过贝叶斯分类器确定出在产生该第二振动信号时,所述有载分接开关的预测运行状态;
将该第二振动信号的预设样本标签与贝叶斯分类器确定出的预测运行状态进行比较,判断贝叶斯分类器对运行状态的检测正确或错误;其中,该第二振动信号的预设样本标签为在产生该第二振动信号时,所述有载分接开关的真实运行状态;
通过对贝叶斯分类器检测错误和检测正确的运行状态分别进行数据统计,确定出贝叶斯分类器在检测运行状态时,出现分类相互混淆的一组故障类别;
将所述一组故障类别中的每个故障类别均确定为所述易错故障类别。
进一步的,所述检测装置还包括第三训练模块;所述第三训练模块通过以下方式训练所述支持向量机模型:
基于第二组样本振动信号中每个第二振动信号的预设样本标签,以第一筛选方式从第二组样本振动信号中筛选出多个第二振动信号;其中,所述第一筛选方式为筛选出预设样本标签属于所述易错故障类别的全部第二振动信号;
在以第一筛选方式筛选出的多个第二振动信号中,以第二筛选方式从中筛选出多个第二振动信号;其中,所述第二筛选方式为在对贝叶斯分类器进行测试的过程中,贝叶斯分类器对运行状态的检测正确的全部第二振动信号;
将以第二筛选方式筛选出的多个第二振动信号按照预设样本标签划分为多类目标振动信号;其中,每类目标振动信号中的各第二振动信号均具有相同的预设样本标签;
使用所述多类目标振动信号,分别对初始支持向量机模型进行训练,以得到所述支持向量机模型。
进一步的,所述第一确定模块在用于基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态时,所述第一确定模块用于:
利用所述贝叶斯分类器,基于所述待检测特征向量和每个高斯混合模型确定出的概率分布情况,确定出所述有载分接开关处于每种运行状态下的概率;
比较所述有载分接开关处于每种运行状态下的概率,将概率最大的运行状态确定为所述有载分接开关实际的运行状态。
进一步的,所述第一提取模块在用于从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号时,所述第一提取模块用于:
利用主成分分析法对所述混合振动信号进行降维处理;
利用Robust独立成分分析法将降维处理后的混合振动信号分成多个独立子分量信号;
利用基于小波变换的正交匹配追踪算法,根据所述多个独立子分量信号重构出所述混合振动信号中的周期信号;所述周期信号包括所述有载调压变压器运行时,所述有载调压变压器中的绕组、铁芯、油泵和风扇振动所产生的与电网频率相关的周期信号;
从所述混合振动信号中去除所述周期信号,以得到所述有载分接开关的振动信号。
进一步的,所述检测装置还包括第三确定模块;所述第三确定模块用于:
当确定出所述有载分接开关实际的运行状态不为所述故障类别中预设的易错故障类别时,将所述贝叶斯分类器确定出的故障类别确定为所述有载分接开关的实际的运行状态;其中,所述故障类别包括以下各项中的至少一项或多项:触头松动、触头磨损、主轴变形和主弹簧弱化。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的一种有载分接开关的运行状态的检测方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的一种有载分接开关的运行状态的检测方法的步骤。
本申请实施例提供的一种有载分接开关的运行状态的检测方法及检测装置,从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号;利用主成分分析法提取所述振动信号的特征向量;针对每个预先训练好的高斯混合模型,将所述特征向量输入该高斯混合模型中,以通过该高斯混合模型确定所述特征向量的概率分布情况;其中,该高斯混合模型用于描述若所述有载分接开关处于与该高斯混合模型对应的运行状态时,所述特征向量的概率分布情况;所述运行状态包括所述有载分接开关未发生故障以及所述有载分接开关所发生故障的故障类别;基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态;当确定出所述有载分接开关实际的运行状态为所述故障类别中预设的易错故障类别时,将所述特征向量输入预先训练好的支持向量机模型,以将所述支持向量机模型确定出的故障类别重新确定为所述有载分接开关实际的运行状态。
通过上述方式,能够利用有载分接开关的振动信号,结合高斯混合模型和贝叶斯分类器确定出有载分接开关的运行状态;并在确定出的运行状态为易错故障类别时,将支持向量机模型确定出的故障类别重新确定为有载分接开关的运行状态。这样,能够结合高斯混合模型、贝叶斯分类分类器和支持向量机模型,更加及时、准确地检测有载分接开关的运行状态,提高对故障振动信号的识别能力,减少误判的概率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种有载分接开关的运行状态的检测方法的流程图;
图2示出了本申请实施例所提供的一种有载分接开关的运行状态的检测装置的结构示意图之一;
图3示出了本申请实施例所提供的一种有载分接开关的运行状态的检测装置的结构示意图之二;
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于有载分接开关技术领域。
经研究发现,目前,有载调压变压器运行维护的主要工作量集中在有载分接开关上。而现有的有载分接开关的检测方法主要是以有载分接开关的运行时间和操作次数作为依据,通过定期的预防性试验、定期检查和故障检修的方式进行维护。因此,现有的检测方法很难及时地检测出有载分接开关存在的故障问题;此外,如果有载分接开关没有出现故障,检修更会造成不必要的停电。
基于此,本申请实施例提供了一种有载分接开关的运行状态的检测方法及检测装置,以更加及时、准确地检测有载分接开关的运行状态,提高对故障振动信号的识别能力,减少误判的概率。
请参阅图1,图1为本申请实施例所提供的一种有载分接开关的运行状态的检测方法的流程图。所述有载分接开关包括在有载调压变压器中,如图1中所示,本申请实施例提供的检测方法,包括:
S101、从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号。
其中,可以通过安装在变压器油箱上的传感器采集有载调压变压器运行时产生的混合振动信号。
需要说明的是,传感器采集到的振动信号除了有载分接开关本身的振动信号外,还包含了绕组、铁芯、油泵、风扇的振动信号。因为绕组、铁芯、油泵、风扇的振动信号是与电网频率相关的周期信号,而有载分接开关的动作产生的是非周期类的冲击信号,因此,这两类信号是彼此独立的,可以将有载分接开关动作时的独立振动信号提取出来。
在一种可能的实施方式中,步骤S101包括:
S1011、利用主成分分析法对所述混合振动信号进行降维处理。
需要说明的是,为了保证采样数据的完整性和准确性,可以采用较高的采样频率对混合振动信号进行采样,这样的话会导致采样到的数据量比较大。为了避免数据量大所造成的计算量大的问题,同时又能保证采集到的数据的完整性,可以根据实际情况的先验知识,首先对采集到的振动信号利用主成分分析法进行降维处理。在对所述混合振动信号进行降维处理之前,还可以通过补零将混合振动信号转为高维的子空间信号。
S1012、利用Robust独立成分分析法将降维处理后的混合振动信号分成多个独立子分量信号。
这里,采用Robust独立成分分析法可以减少迭代次数,加快收敛速度,极大地减少运算量;Robust独立成分分析法还能够提升当信号存在坏点和伪局部极值时的鲁棒性;在小样本空间下,Robust独立成分分析法的均方误差也明显优于普通独立成分分析法。
S1013、利用基于小波变换的正交匹配追踪算法,根据所述多个独立子分量信号重构出所述混合振动信号中的周期信号。
其中,所述周期信号包括所述有载调压变压器运行时,所述有载调压变压器中的绕组、铁芯、油泵和风扇振动所产生的与电网频率相关的周期信号。具体的,可以计算出各独立子分量信号的归一化峭度值,并筛选出最小的归一化峭度值所对应的独立子分量信号;再利用基于小波变换的正交匹配追踪算法重构出所述周期信号。
S1014、从所述混合振动信号中去除所述周期信号,以得到所述有载分接开关的振动信号。
S102、利用主成分分析法提取所述振动信号的特征向量。
该步骤中,通过主成分分析法对有载分接开关的振动信号进行特征提取,得到W维特征向量。
S103、针对每个预先训练好的高斯混合模型,将所述特征向量输入该高斯混合模型中,以通过该高斯混合模型确定所述特征向量的概率分布情况。
其中,该高斯混合模型用于描述若所述有载分接开关处于与该高斯混合模型对应的运行状态时,所述特征向量的概率分布情况;所述运行状态包括所述有载分接开关未发生故障以及所述有载分接开关所发生故障的故障类别。示例性的,故障类别可以包括以下各项中的至少一项或多项:触头松动、触头磨损、主轴变形和主弹簧弱化。
在一种可能的实施方式中,可通过以下方式训练所述高斯混合模型:
步骤1、获取所述有载分接开关的多类样本振动信号。
其中,所述多类样本振动信号的类别与有载分接开关的运行状态一一对应,即多类样本振动信号分别包括所述有载分接开关未发生故障时的样本振动信号以及针对每种故障类别,所述有载分接开关在发生该种故障类别的故障时的样本振动信号。对应于上述示例,可分别获取有载分接开关在无故障、触头松动、触头磨损、主轴变形和主弹簧弱化这五种运行状态下的五类样本振动信号。
步骤2、针对所述多类样本振动信号中的每类样本振动信号,使用该类样本振动信号的样本特征向量,采用期望最大化算法训练初始高斯混合模型,以得到该类样本振动信号对应的高斯混合模型。
该步骤中,首先,针对任意一类样本振动信号中的每个样本振动信号,提取其样本特征向量;其次,利用K均值聚类算法确定高斯混合模型的初始化参数以构建初始高斯混合模型;再次,利用该类样本振动信号的样本特征向量和期望最大化算法,得到高斯混合模型新的模型参数,其约束条件为:,其中,为高斯混合模型的似然函数;期望最大化算法可以通过多次迭代计算,对上一次迭代计算出的模型参数进行修正得到新的模型参数,直到高斯混合模型满足预定收敛条件。此时,与该类样本振动信号(即,在产生该类样本振动信号时,有载分接开关的运行状态)对应的高斯混合模型的训练完成。
采用上述方法,针对每类样本振动信号,分别训练出该类样本振动信号对应的高斯混合模型。这样,训练好的高斯混合模型与运行状态一一对应,对应于上述示例,可分别训练出有载分接开关处于无故障、触头松动、触头磨损、主轴变形和主弹簧弱化这五种运行状态下,用于描述振动信号的特征向量的概率分布情况的五个高斯混合模型。
S104、基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态。
在一种可能的实施方式中,步骤S104包括:
S1041、利用所述贝叶斯分类器,基于所述待检测特征向量和每个高斯混合模型确定出的概率分布情况,确定出所述有载分接开关处于每种运行状态下的概率。
S1042、比较所述有载分接开关处于每种运行状态下的概率,将概率最大的运行状态确定为所述有载分接开关实际的运行状态。
这里,预先训练好的高斯混合模型可以提供贝叶斯分类器决策所需的先验概率,由贝叶斯分类器根据待检测特征向量和每个高斯混合模型确定出的概率分布情况,确定出所述有载分接开关处于每种运行状态下的概率;通过比较有载分接开关处于每种运行状态下的概率,将概率最大的运行状态确定为所述有载分接开关实际的运行状态。其中,高斯混合模型不但充当了识别分类的参考模型,而且能够对待测特征矢量起到聚类的作用,即利用高斯模型混合聚类后,更容易进行分类,从而提高了对振动信号的识别能力。
S105、当确定出所述有载分接开关实际的运行状态为所述故障类别中预设的易错故障类别时,将所述特征向量输入预先训练好的支持向量机模型,以将所述支持向量机模型确定出的故障类别重新确定为所述有载分接开关实际的运行状态。
其中,预设的易错故障类别是在贝叶斯分类器进行训练和测试的过程中,根据训练好的贝叶斯分类器的分类情况确定的。具体说来,在一种可能的实施方式中,可通过以下方式确定所述易错故障类别:
步骤1、将所述多类样本振动信号划分为第一组样本振动信号和第二组样本振动信号。
该步骤中,可以按照一定的数量比例将多类样本振动信号划分为第一组样本振动信号和第二组样本振动信号。其中,每组样本振动信号中都应包括有载分接开关处于每种运行状态时产生的振动信号。
步骤2、使用第一组样本振动信号和每个高斯混合模型,对初始贝叶斯分类器进行训练,得到训练好的贝叶斯分类器。
步骤3、针对第二组样本振动信号中的任意一个第二振动信号,使用该第二振动信号和高斯混合模型,对训练好的贝叶斯分类器进行测试,以通过贝叶斯分类器确定出在产生该第二振动信号时,所述有载分接开关的预测运行状态。
步骤4、将该第二振动信号的预设样本标签与贝叶斯分类器确定出的预测运行状态进行比较,判断贝叶斯分类器对运行状态的检测正确或错误。
其中,该第二振动信号的预设样本标签为在产生该第二振动信号时,所述有载分接开关的真实运行状态。
步骤5、通过对贝叶斯分类器检测错误和检测正确的运行状态分别进行数据统计,确定出贝叶斯分类器在检测运行状态时,出现分类相互混淆的一组故障类别。
该步骤中,可以分别统计出针对每种样本标签,贝叶斯分类器的检测准确率。示例性的,如下表1所示,表1为一次实验中,贝叶斯分类器的检测结果统计表。
表1 贝叶斯分类器的检测结果统计表
示例性的,通过对贝叶斯分类器检测错误和检测正确的运行状态分别进行数据统计,得到检测结果统计表如上表;其中,以第二组样本信号中样本标签为“触头磨损”的样本振动信号为例(即,在产生该样本振动信号时,有载分接开关的真实运行状态为“触头磨损”),经过贝叶斯分类器的检测,在50个样本标签为“触头磨损”的样本振动信号中,40个样本振动信号的检测正确,而10个样本振动信号被错误地检测为“触头松动”,因此,贝叶斯分类器针对“触头磨损”类振动信号的分类准确率为80%;同样地,50个样本标签为“触头松动”的样本振动信号中,41个样本振动信号的检测正确,而9个样本振动信号被错误地检测为“触头磨损”。因此,通过数据统计结果可知,“触头松动”和“触头磨损”即为贝叶斯分类器在检测运行状态时,易出现分类相互混淆的一组故障类别。
步骤6、将所述一组故障类别中的每个故障类别均确定为所述易错故障类别。
对应于上述示例,可将“触头松动”和“触头磨损”均确定为易错故障类别。
值得注意的是,易错故障类别指的是贝叶斯分类器在检测运行状态时,出现分类相互混淆的一组故障类别;也就是说,易错故障类别并不仅是根据分类准确率筛选出的贝叶斯分类器容易分类错误的故障类别,而是指在属于易错故障类别的一组故障类别中,任一故障类别的振动信号易被贝叶斯分类器分类至该组中的其他故障类别;对应于上述示例,“触头松动”的振动信号易被贝叶斯分类器分类为“触头磨损”,且“触头磨损”的振动信号易被贝叶斯分类器分类为“触头松动”,此时说明“触头松动”和“触头磨损”构成了一组易错故障类别。
这是因为,某些类别的振动信号的特征较为相似,例如触头松动和触头磨损的振动信号的特征极为相似,都是尖峰脉冲幅值衰减信号。贝叶斯分类器由于自身的局限性不能有效地区分这些类别的振动信号,容易出现分类混淆,造成错判现象。
因此,为提高故障诊断的正确率,降低错判率,可以在利用贝叶斯分类器确定出有载分接开关实际的运行状态为预设的易错故障类别时,将特征向量重新输入预先训练好的支持向量机模型,以将所述支持向量机模型确定出的故障类别重新确定为所述有载分接开关实际的运行状态。
这样,可以利用支持向量机模型擅长线性不可分情况且所需样本数量较少的特点,实现更加准确地检测有载分接开关的运行状态。通过贝叶斯分类器的筛选,将易错判的振动信号与SVM模型相结合,解决了贝叶斯算法中在特征较为相似时的错判问题,同时减少处理器的存储占用资源,提高故障信号的识别能力,减少误判的概率。
在一种可能的实施方式中,可通过以下方式训练所述支持向量机模型:
步骤1、基于第二组样本振动信号中每个第二振动信号的预设样本标签,以第一筛选方式从第二组样本振动信号中筛选出多个第二振动信号。
其中,所述第一筛选方式为筛选出预设样本标签属于所述易错故障类别的全部第二振动信号。
步骤2、在以第一筛选方式筛选出的多个第二振动信号中,以第二筛选方式从中筛选出多个第二振动信号。
其中,所述第二筛选方式为在对贝叶斯分类器进行测试的过程中,贝叶斯分类器对运行状态的检测正确的全部第二振动信号。
这样,通过两次筛选可以将属于易错故障类别的样本振动信号中的干扰样本剔除,降低对模型的干扰,从而使得由两次筛选后得到的样本振动信号所训练出的支持向量机模型,能够更好地对易错故障类别进行检测。实验证明,这样训练出的支持向量机模型对易错故障类别的振动信号的错判次数可以明显减少。
步骤3、将以第二筛选方式筛选出的多个第二振动信号按照预设样本标签划分为多类目标振动信号。
其中,每类目标振动信号中的各第二振动信号均具有相同的预设样本标签。该步骤中,将以第二筛选方式筛选出的多个第二振动信号按照预设样本标签的不同进行分类。对应于上述示例,可以将以第二筛选方式筛选出的多个第二振动信号划分为两类目标振动信号,一类目标振动信号中每个振动信号的预设样本标签均为“触头松动”,而另一类目标振动信号中每个振动信号的预设样本标签均为“触头磨损”。
步骤4、使用所述多类目标振动信号,分别对初始支持向量机模型进行训练,以得到所述支持向量机模型。
示例性的,可以把样本标签为“触头松动”且贝叶斯分类器检测正确的样本振动信号作为支持向量机模型中触头松动类的训练样本,对初始支持向量机模型进行训练。
进一步的,所述检测方法还包括:S106、当确定出所述有载分接开关实际的运行状态不为所述故障类别中预设的易错故障类别时,将所述贝叶斯分类器确定出的故障类别确定为所述有载分接开关的实际的运行状态。
本申请实施例提供的一种有载分接开关的运行状态的检测方法,包括:从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号;利用主成分分析法提取所述振动信号的特征向量;针对每个预先训练好的高斯混合模型,将所述特征向量输入该高斯混合模型中,以通过该高斯混合模型确定所述特征向量的概率分布情况;其中,该高斯混合模型用于描述若所述有载分接开关处于与该高斯混合模型对应的运行状态时,所述特征向量的概率分布情况;所述运行状态包括所述有载分接开关未发生故障以及所述有载分接开关所发生故障的故障类别;基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态;当确定出所述有载分接开关实际的运行状态为所述故障类别中预设的易错故障类别时,将所述特征向量输入预先训练好的支持向量机模型,以将所述支持向量机模型确定出的故障类别重新确定为所述有载分接开关实际的运行状态。
这样,能够结合高斯混合模型、贝叶斯分类分类器和支持向量机模型,更加及时、准确地检测有载分接开关的运行状态,提高对故障振动信号的识别能力,减少误判的概率。
请参阅图2、图3,图2为本申请实施例所提供的一种有载分接开关的运行状态的检测装置的结构示意图之一,图3为本申请实施例所提供的一种有载分接开关的运行状态的检测装置的结构示意图之二。如图2中所示,所述检测装置200包括:
第一提取模块210,用于从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号;
第二提取模块220,用于利用主成分分析法提取所述振动信号的特征向量;
输入模块230,用于针对每个预先训练好的高斯混合模型,将所述特征向量输入该高斯混合模型中,以通过该高斯混合模型确定所述特征向量的概率分布情况;其中,该高斯混合模型用于描述若所述有载分接开关处于与该高斯混合模型对应的运行状态时,所述特征向量的概率分布情况;所述运行状态包括所述有载分接开关未发生故障以及所述有载分接开关所发生故障的故障类别;
第一确定模块240,用于基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态;
第二确定模块250,用于当确定出所述有载分接开关实际的运行状态为所述故障类别中预设的易错故障类别时,将所述特征向量输入预先训练好的支持向量机模型,以将所述支持向量机模型确定出的故障类别重新确定为所述有载分接开关实际的运行状态。
进一步的,如图3所示,所述检测装置200还包括第一训练模块260;所述第一训练模块260通过以下方式训练所述高斯混合模型:
获取所述有载分接开关的多类样本振动信号;其中,所述多类样本振动信号包括所述有载分接开关未发生故障时的样本振动信号以及针对每种故障类别,所述有载分接开关在发生该种故障类别的故障时的样本振动信号;
针对所述多类样本振动信号中的每类样本振动信号,使用该类样本振动信号的样本特征向量,采用期望最大化算法训练初始高斯混合模型,以得到该类样本振动信号对应的高斯混合模型;其中,所述初始高斯混合模型的初始参数通过K均值聚类算法确定。
进一步的,如图3所示,所述检测装置200还包括第二训练模块270;所述第二训练模块270通过以下方式确定所述易错故障类别:
将所述多类样本振动信号划分为第一组样本振动信号和第二组样本振动信号;
使用第一组样本振动信号和每个高斯混合模型,对初始贝叶斯分类器进行训练,得到训练好的贝叶斯分类器;
针对第二组样本振动信号中的任意一个第二振动信号,使用该第二振动信号和高斯混合模型,对训练好的贝叶斯分类器进行测试,以通过贝叶斯分类器确定出在产生该第二振动信号时,所述有载分接开关的预测运行状态;
将该第二振动信号的预设样本标签与贝叶斯分类器确定出的预测运行状态进行比较,判断贝叶斯分类器对运行状态的检测正确或错误;其中,该第二振动信号的预设样本标签为在产生该第二振动信号时,所述有载分接开关的真实运行状态;
通过对贝叶斯分类器检测错误和检测正确的运行状态分别进行数据统计,确定出贝叶斯分类器在检测运行状态时,出现分类相互混淆的一组故障类别;
将所述一组故障类别中的每个故障类别均确定为所述易错故障类别。
进一步的,如图3所示,所述检测装置200还包括第三训练模块280;所述第三训练模块280通过以下方式训练所述支持向量机模型:
基于第二组样本振动信号中每个第二振动信号的预设样本标签,以第一筛选方式从第二组样本振动信号中筛选出多个第二振动信号;其中,所述第一筛选方式为筛选出预设样本标签属于所述易错故障类别的全部第二振动信号;
在以第一筛选方式筛选出的多个第二振动信号中,以第二筛选方式从中筛选出多个第二振动信号;其中,所述第二筛选方式为在对贝叶斯分类器进行测试的过程中,贝叶斯分类器对运行状态的检测正确的全部第二振动信号;
将以第二筛选方式筛选出的多个第二振动信号按照预设样本标签划分为多类目标振动信号;其中,每类目标振动信号中的各第二振动信号均具有相同的预设样本标签;
使用所述多类目标振动信号,分别对初始支持向量机模型进行训练,以得到所述支持向量机模型。
进一步的,所述第一确定模块240在用于基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态时,所述第一确定模块240用于:
利用所述贝叶斯分类器,基于所述待检测特征向量和每个高斯混合模型确定出的概率分布情况,确定出所述有载分接开关处于每种运行状态下的概率;
比较所述有载分接开关处于每种运行状态下的概率,将概率最大的运行状态确定为所述有载分接开关实际的运行状态。
进一步的,所述第一提取模块210在用于从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号时,所述第一提取模块210用于:
利用主成分分析法对所述混合振动信号进行降维处理;
利用Robust独立成分分析法将降维处理后的混合振动信号分成多个独立子分量信号;
利用基于小波变换的正交匹配追踪算法,根据所述多个独立子分量信号重构出所述混合振动信号中的周期信号;所述周期信号包括所述有载调压变压器运行时,所述有载调压变压器中的绕组、铁芯、油泵和风扇振动所产生的与电网频率相关的周期信号;
从所述混合振动信号中去除所述周期信号,以得到所述有载分接开关的振动信号。
进一步的,如图3所示,所述检测装置200还包括第三确定模块290;所述第三确定模块290用于:
当确定出所述有载分接开关实际的运行状态不为所述故障类别中预设的易错故障类别时,将所述贝叶斯分类器确定出的故障类别确定为所述有载分接开关的实际的运行状态;其中,所述故障类别包括以下各项中的至少一项或多项:触头松动、触头磨损、主轴变形和主弹簧弱化。
请参阅图4,图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1所示方法实施例中的一种有载分接开关的运行状态的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的一种有载分接开关的运行状态的检测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种有载分接开关的运行状态的检测方法,其特征在于,所述有载分接开关包括在有载调压变压器中,所述检测方法包括:
从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号;
利用主成分分析法提取所述振动信号的特征向量;
针对每个预先训练好的高斯混合模型,将所述特征向量输入该高斯混合模型中,以通过该高斯混合模型确定所述特征向量的概率分布情况;其中,该高斯混合模型用于描述若所述有载分接开关处于与该高斯混合模型对应的运行状态时,所述特征向量的概率分布情况;所述运行状态包括所述有载分接开关未发生故障以及所述有载分接开关所发生故障的故障类别;
基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态;
当确定出所述有载分接开关实际的运行状态为所述故障类别中预设的易错故障类别时,将所述特征向量输入预先训练好的支持向量机模型,以将所述支持向量机模型确定出的故障类别重新确定为所述有载分接开关实际的运行状态。
2.根据权利要求1所述的检测方法,其特征在于,通过以下方式训练所述高斯混合模型:
获取所述有载分接开关的多类样本振动信号;其中,所述多类样本振动信号包括所述有载分接开关未发生故障时的样本振动信号以及针对每种故障类别,所述有载分接开关在发生该种故障类别的故障时的样本振动信号;
针对所述多类样本振动信号中的每类样本振动信号,使用该类样本振动信号的样本特征向量,采用期望最大化算法训练初始高斯混合模型,以得到该类样本振动信号对应的高斯混合模型;其中,所述初始高斯混合模型的初始参数通过K均值聚类算法确定。
3.根据权利要求2所述的检测方法,其特征在于,通过以下方式确定所述易错故障类别:
将所述多类样本振动信号划分为第一组样本振动信号和第二组样本振动信号;
使用第一组样本振动信号和每个高斯混合模型,对初始贝叶斯分类器进行训练,得到训练好的贝叶斯分类器;
针对第二组样本振动信号中的任意一个第二振动信号,使用该第二振动信号和高斯混合模型,对训练好的贝叶斯分类器进行测试,以通过贝叶斯分类器确定出在产生该第二振动信号时,所述有载分接开关的预测运行状态;
将该第二振动信号的预设样本标签与贝叶斯分类器确定出的预测运行状态进行比较,判断贝叶斯分类器对运行状态的检测正确或错误;其中,该第二振动信号的预设样本标签为在产生该第二振动信号时,所述有载分接开关的真实运行状态;
通过对贝叶斯分类器检测错误和检测正确的运行状态分别进行数据统计,确定出贝叶斯分类器在检测运行状态时,出现分类相互混淆的一组故障类别;
将所述一组故障类别中的每个故障类别均确定为所述易错故障类别。
4.根据权利要求3所述的检测方法,其特征在于,通过以下方式训练所述支持向量机模型:
基于第二组样本振动信号中每个第二振动信号的预设样本标签,以第一筛选方式从第二组样本振动信号中筛选出多个第二振动信号;其中,所述第一筛选方式为筛选出预设样本标签属于所述易错故障类别的全部第二振动信号;
在以第一筛选方式筛选出的多个第二振动信号中,以第二筛选方式从中筛选出多个第二振动信号;其中,所述第二筛选方式为在对贝叶斯分类器进行测试的过程中,贝叶斯分类器对运行状态的检测正确的全部第二振动信号;
将以第二筛选方式筛选出的多个第二振动信号按照预设样本标签划分为多类目标振动信号;其中,每类目标振动信号中的各第二振动信号均具有相同的预设样本标签;
使用所述多类目标振动信号,分别对初始支持向量机模型进行训练,以得到所述支持向量机模型。
5.根据权利要求1所述的检测方法,其特征在于,所述基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态,包括:
利用所述贝叶斯分类器,基于所述特征向量和每个高斯混合模型确定出的概率分布情况,确定出所述有载分接开关处于每种运行状态下的概率;
比较所述有载分接开关处于每种运行状态下的概率,将概率最大的运行状态确定为所述有载分接开关实际的运行状态。
6.根据权利要求1所述的检测方法,其特征在于,所述从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号,包括:
利用主成分分析法对所述混合振动信号进行降维处理;
利用Robust独立成分分析法将降维处理后的混合振动信号分成多个独立子分量信号;
利用基于小波变换的正交匹配追踪算法,根据所述多个独立子分量信号重构出所述混合振动信号中的周期信号;所述周期信号包括所述有载调压变压器运行时,所述有载调压变压器中的绕组、铁芯、油泵和风扇振动所产生的与电网频率相关的周期信号;
从所述混合振动信号中去除所述周期信号,以得到所述有载分接开关的振动信号。
7.根据权利要求1所述的检测方法,其特征在于,所述检测方法还包括:
当确定出所述有载分接开关实际的运行状态不为所述故障类别中预设的易错故障类别时,将所述贝叶斯分类器确定出的故障类别确定为所述有载分接开关的实际的运行状态;其中,所述故障类别包括以下各项中的至少一项或多项:触头松动、触头磨损、主轴变形和主弹簧弱化。
8.一种有载分接开关的运行状态的检测装置,其特征在于,所述有载分接开关包括在有载调压变压器中,所述检测装置包括:
第一提取模块,用于从所述有载调压变压器运行时产生的混合振动信号中提取出所述有载分接开关的振动信号;
第二提取模块,用于利用主成分分析法提取所述振动信号的特征向量;
输入模块,用于针对每个预先训练好的高斯混合模型,将所述特征向量输入该高斯混合模型中,以通过该高斯混合模型确定所述特征向量的概率分布情况;其中,该高斯混合模型用于描述若所述有载分接开关处于与该高斯混合模型对应的运行状态时,所述特征向量的概率分布情况;所述运行状态包括所述有载分接开关未发生故障以及所述有载分接开关所发生故障的故障类别;
第一确定模块,用于基于所述特征向量和每个高斯混合模型确定出的概率分布情况,利用预先训练好的贝叶斯分类器,确定所述有载分接开关实际的运行状态;
第二确定模块,用于当确定出所述有载分接开关实际的运行状态为所述故障类别中预设的易错故障类别时,将所述特征向量输入预先训练好的支持向量机模型,以将所述支持向量机模型确定出的故障类别重新确定为所述有载分接开关实际的运行状态。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的一种有载分接开关的运行状态的检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述的一种有载分接开关的运行状态的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352722.8A CN114492542B (zh) | 2022-04-06 | 2022-04-06 | 一种有载分接开关的运行状态的检测方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352722.8A CN114492542B (zh) | 2022-04-06 | 2022-04-06 | 一种有载分接开关的运行状态的检测方法及检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492542A CN114492542A (zh) | 2022-05-13 |
CN114492542B true CN114492542B (zh) | 2022-07-12 |
Family
ID=81487468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210352722.8A Active CN114492542B (zh) | 2022-04-06 | 2022-04-06 | 一种有载分接开关的运行状态的检测方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492542B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007294543A (ja) * | 2006-04-21 | 2007-11-08 | Toshiba Corp | 負荷時タップ切換装置の故障診断装置およびその方法 |
CN101364408A (zh) * | 2008-10-07 | 2009-02-11 | 西安成峰科技有限公司 | 一种声像联合的监控方法及*** |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN107328560A (zh) * | 2017-05-26 | 2017-11-07 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关诊断方法及装置 |
CN112014047A (zh) * | 2020-08-27 | 2020-12-01 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
-
2022
- 2022-04-06 CN CN202210352722.8A patent/CN114492542B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007294543A (ja) * | 2006-04-21 | 2007-11-08 | Toshiba Corp | 負荷時タップ切換装置の故障診断装置およびその方法 |
CN101364408A (zh) * | 2008-10-07 | 2009-02-11 | 西安成峰科技有限公司 | 一种声像联合的监控方法及*** |
CN107273585A (zh) * | 2017-05-25 | 2017-10-20 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关故障检测方法及装置 |
CN107328560A (zh) * | 2017-05-26 | 2017-11-07 | 国网山东省电力公司青岛供电公司 | 一种有载分接开关诊断方法及装置 |
CN112014047A (zh) * | 2020-08-27 | 2020-12-01 | 华侨大学 | 一种有载分接开关机械故障诊断方法 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于有效频带特征的有载分接开关机械状态诊断方法;胡东等;《电气应用》;20180720(第14期);全文 * |
基于混合高斯模型的变压器振动状态诊断方法;张琛亮;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114492542A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10805151B2 (en) | Method, apparatus, and storage medium for diagnosing failure based on a service monitoring indicator of a server by clustering servers with similar degrees of abnormal fluctuation | |
CN110826648B (zh) | 一种利用时序聚类算法实现故障检测的方法 | |
US8495429B2 (en) | Log message anomaly detection | |
US20130332773A1 (en) | Generalized pattern recognition for fault diagnosis in machine condition monitoring | |
CN108171064B (zh) | 一种用于灰盒模糊测试的样本格式保护方法及装置 | |
Prasojo et al. | Precise transformer fault diagnosis via random forest model enhanced by synthetic minority over-sampling technique | |
CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
Zhang et al. | Diagnostic system based on support-vector machines for board-level functional diagnosis | |
Choeikiwong et al. | Software defect prediction in imbalanced data sets using unbiased support vector machine | |
Morais et al. | A framework for evaluating automatic classification of underlying causes of disturbances and its application to short-circuit faults | |
CN114492542B (zh) | 一种有载分接开关的运行状态的检测方法及检测装置 | |
CA3035387C (en) | Digitization of industrial inspection sheets by inferring visual relations | |
CN114298209A (zh) | 硬件设备维护方法、装置及电子设备 | |
CN117763432A (zh) | 通讯故障预测方法、装置、设备及存储介质 | |
US20240168835A1 (en) | Hard disk failure prediction method, system, device and medium | |
Jia Yong et al. | Classification of fault and stray gassing in transformer by using duval pentagon and machine learning algorithms | |
CN113722239B (zh) | 机载嵌入式软件质量检测方法、装置、介质及电子设备 | |
KR20240015457A (ko) | 반도체 제품의 이상 탐지를 위한 적응형 분리 필터 모델 생성방법, 반도체 제품의 이상 탐지 방법, 이의 기록매체 및 시스템 | |
CN111178374A (zh) | 损坏模式确定方法及装置、电子设备、存储介质 | |
CN111258788B (zh) | 磁盘故障预测方法、装置及计算机可读存储介质 | |
CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
CN117743889A (zh) | 一种变电站操作票规范性检测方法及*** | |
CN112819002B (zh) | 车牌识别结果评估方法、装置、电子设备及存储介质 | |
Kumar et al. | An Empirical Framework for Software Aging-Related Bug Prediction using Weighted Extreme Learning Machine. | |
Noom et al. | Data-Driven Fault Diagnosis under Sparseness Assumption |
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 |