CN114878674B - 基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法 - Google Patents
基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法 Download PDFInfo
- Publication number
- CN114878674B CN114878674B CN202210469682.5A CN202210469682A CN114878674B CN 114878674 B CN114878674 B CN 114878674B CN 202210469682 A CN202210469682 A CN 202210469682A CN 114878674 B CN114878674 B CN 114878674B
- Authority
- CN
- China
- Prior art keywords
- transformer winding
- layer
- winding
- input
- 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.)
- Active
Links
- 238000004804 winding Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 230000007547 defect Effects 0.000 title claims abstract description 29
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000006835 compression Effects 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000000265 homogenisation Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 239000013307 optical fiber Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Abstract
本发明涉及一种基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,属于变压器绕组变形在线监测领域,包括以下步骤:在变压器绕组正常和变形的情况下,测量出测点位置的轴向和辐向磁场数值以及变压器绕组的应力分布;采集故障特征并分类编码;将传感器采集到的数据信息进行分析处理;建立基于L‑M算法的优化BP神经网络的变压器绕组缺陷诊断模型;随机初始化网络参数,通过训练集对网络进行训练和调优,通过测试集对网络进行测试,通过训练好的基于L‑M算法的优化BP神经网络对后续待诊断的变压器进行故障诊断;向基于L‑M算法的优化BP神经网络中输入实测数据,实现变压器绕组缺陷实时性诊断。
Description
技术领域
本发明属于变压器绕组变形在线监测领域,涉及一种基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法。
背景技术
电力变压器作为电力***中最核心的设备,其安全稳定运行对确保供电可靠性具有重要作用。据不完全统计,造成变压器损坏和停运的各种故障因素中,绕组变形占据约百分之四十。常见的变压器绕组变形主要有轴向压缩、辐向凹陷、辐向鼓包等类型,绕组变形具有累积效应,随着变形程度的发展,导致绕组绝缘受损,进而引发匝间短路、饼间短路等故障,甚至会导致变压器结构崩塌,造成电网停运、电力***瘫痪等严重电力事故。
绕组变形的原因可能是变压器在运输、安装调试过程中可能由于机械的碰撞或挤压造成绕组变形,也可能正常运行时,遭受到多次区外短路的故障电磁力的冲击,使得绕组端部或者中部发生变形。变压器的稳定运行对于整个电力***都有较大的影响,同时其常规维修时间较长,如果不能做到在线监测变压器绕组变形状况很可能导致变压器故障损毁,直至电力***停运等严重后果。
发明内容
有鉴于此,本发明的目的在于提供一种基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,本方法基于绕组应力和漏磁参量特征,通过融合算法能在线监测变压器绕组变形状况。
为达到上述目的,本发明提供如下技术方案:
一种基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,包括以下步骤:
步骤1:在变压器绕组正常和变形的情况下,通过磁场传感器分别测量出测点位置的轴向和辐向磁场数值;
步骤2:在变压器绕组正常和变形的情况下,在变压器绕组表面布置多个应力传感器,测量到变压器绕组的应力分布;
步骤3:采集变压器绕组多种故障类型下的特征信息,按照变压器绕组的各故障状态进行分类和编码;
步骤4:将传感器采集到的数据信息进行分析处理,将冗余的信息进行整合、将冲突及互补的信息进行取舍判断,进而提取出传感数据的特征参量;
步骤5:建立基于L-M(Lenvenberg-Marquardt)算法的优化BP神经网络的变压器绕组缺陷诊断模型,包括感知层、融合层和决策层;
步骤6:随机初始化网络参数,将采集数据和对应故障状态编码按一定比例分为训练集和测试集,通过训练集对网络进行训练和调优;
步骤7:保存训练好的网络,并通过测试集对网络进行测试,通过训练好的基于L-M算法的优化BP神经网络对后续待诊断的变压器进行故障诊断;
步骤8:向基于L-M算法的优化BP神经网络中输入实测数据,实现变压器绕组缺陷实时性诊断。
进一步,步骤3中所述变压器绕组故障类型包括低压绕组上端轴向压缩、低压绕组下端轴向压缩、低压绕组辐向凹陷、高压绕组上端轴向压缩、高压绕组下端轴向压缩、高压绕组辐向鼓包,分别编码为(0,0,0,0,0,1)、(0,0,0,0,1,0)、(0,0,0,1, 0,0)、(0,0,1,0,0,0)、(0,1,0,0,0,0)和(1,0,0,0,0,0)。
进一步,步骤4中,对神经网络模型的输入数据进行预处理,具体为对不同种类的传感器进行同质化处理,再采用标准化的方法对数据进行归一化处理,包括以下内容:
假设***中包含N个异类传感器,则在t时刻的输入向量为X=[x1(t),x2(t),...,xN(t)]T,记为:
其中,K为样本数据的个数,多传感器数据同质化公式为:
其中输入向量变成了Y(t)=[y1(t),y2(t),...,yN(t)]T;
对神经网络模型的输入数据同质化处理后,再采用标准化的方法对数据进行归一化处理,对于标准sigmoid函数,输入和输出的范围都限制在[0,1]之间,因此将数据归一化为其中xi'为归一化输入值,yi为真实输入值,ymin、ymax为实际输入数据同质化后中的最小值和最大值。
进一步,步骤5中,所述基于L-M算法的优化BP神经网络的变压器绕组缺陷诊断模型的感知层通过传感器将非电量的模拟量直接转换成电信号,接着通过A/D转换器,把电信号再转换为数字信号,然后再通过数据预处理,即同质化处理,进行特征提取,所述非电量的模拟量包括磁场大小和应力分布。
进一步,步骤5中,所述基于L-M算法的优化BP神经网络的变压器绕组缺陷诊断模型决策层的具体实施方法为:
设置三层神经网络,包括输入层、隐藏层和输出层,所述输入层、隐藏层和输出层相互连接,但同一层的节点互不相连,网络的输入为X=[x1,x2,...,xn]T,输出层各神经元输出为 Y=[y1,y2,...,ym]T,期望输出为d1,d2,...,dp,P为学习的样本个数;
初始化网络,各单元连接权值与阈值设为(-1,1)之间任意数值,给出计算精度值ε与最大学习次数M;
计算隐藏层的各单元输入为:
其中,i表示样本输入参数个数,n表示正整数,j表示隐藏层个数,wij表输入层第i个神经元与输出层第j个神经元连接权系数,xi表示样本第i个输入参数,θj表示隐藏层第j个神经元的阈值;
输出为:
计算输出层的各单元输入为:
其中,m表示隐含层神经元个数;
输出为:
网络函数的目的是能够使ym和dp的误差最小;通过调整权重进行误差校正,将每个节点的阈值加到权向量中:
θj=ωnj,x'n1=x'n=-1
其中,θ'l表示隐含层阈值,表示输入层与隐含层的连接权值,θ'k表示输出层阈值,表示输入层和输出层连接权值,ωnj表示误差矫正前输入层与隐含层的连接权值, x'n1和x'n表示误差校正前后两种情况下的净输入值;
进一步,步骤5中,所述基于L-M算法的优化BP神经网络的学***方和:
其中,E(p)表示均方误差,其中k下标表示该数据为训练例数据,dk (p)表示期望输出, yk (p)表示神经网络输出层第k个神经元的输出值;
总误差为:
其中,p表示输出神经元个数。
假设ωsp是一个连接权,基于梯度下降算法,权值修正为:
其中Δωsp表示权值修正,η表示学习率,即梯度下降的补偿,范围通常在0.001~10之间。
进一步,步骤6中网络模型的具体训练方法为:
用L-M方法进行改进,新的权值调整为:
ω(k+1)=ω(k)-[JTJ+μI]-1JTe
式中,J为网络误差对权值的导数的雅克比矩阵;e为误差矢量;I是单位矩阵;μ为标量,在计算过程中具有自适应特性;当μ较大时,公式近似于梯度法;当μ很小时,得到高斯-牛顿法;网络中的自适应参数μ不断更新,优化模型的性能,直至达到预设精度。
本发明的有益效果在于:本发明的基于变压器绕组应力与漏磁参量综合特征的变压器绕组变形诊断,能够针对现有变压器绕组变形检测方法准确度不高,以及在线监测技术不成熟等问题,利用光纤应力传感器测量变压器绕组的应力分布,并运用光纤磁场传感器测量变压器绕组附近的辐向和轴向漏磁分量,基于上述的综合特征数据,通过融合算法检测变压器绕组状态。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明诊断方法流程图;
图2为本发明实施例的变压器绕组缺陷诊断模型的总体流程图;
图3为本发明检测方法实施例中磁场传感器的布置位置示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,本发明为了解决变压器绕组故障在线监测困难,绕组变形类型分辨准确度不高等问题,提出了一种基于变压器的绕组应力与漏磁参数综合特征的变压器绕组变形诊断方法,该方法包括以下几个步骤:
步骤1:变压器绕组应力分布的采集。
步骤2:变压器绕组附近漏磁场强度的采集。
步骤3:对于变压器绕组缺陷类型进行编码。
步骤4:对于采集数据进行预处理。
步骤5:构建基于L-M算法的优化BP神经网络。
步骤6:训练网络达到设置的精度。
步骤7:用测试集数据进行测试,检测变压器绕组缺陷状态。
步骤8:导入实测数据,实施变压器绕组缺陷状态实时监测。
步骤1中,在变压器绕组不同变形类型下,利用光纤应力传感器可以测量绕组表面的应力分布。由于变压器绕组内部环境的特殊性,只能采用胶粘法进行安装。为了不破坏变压器绕组导线表面的绝缘纸,采用间接的安装方法,即将光纤应力传感器先粘接在玻璃纤维带上,然后再将其粘接在变压器绕组上。为准确测量变压器绕组应力分布,本发明将在变压器绕组的上、中、下三个位置各布置一个光纤应力传感器,就能够测出绕组的上、中、下三个部位的应力变化。
步骤2中,在变压器绕组不同变形类型下,利用磁场传感器采集磁场强度,磁场传感器安装在变压器的中部、上端部、下端部,分别安装在内侧绕组外部和外侧绕组内部,如图3 所示。
步骤3中,按照变压器绕组的各故障状态,对故障进行分类和编码,将变压器故障分为六类:低压绕组上端轴向压缩、低压绕组下端轴向压缩、低压绕组辐向凹陷、高压绕组上端轴向压缩、高压绕组下端轴向压缩及高压绕组辐向鼓包,如表1所示:
表1 状态编码
步骤4中,对神经网络模型的输入数据进行预处理,方法是对不同种类的传感器进行同质化处理,再采用标准化的方法对数据进行归一化处理,具体过程如下:假设***中包含N 个异类传感器,则在t时刻的输入向量为X=[x1(t),x2(t),...,xN(t)]T,记:
其中,其中K为样本数据的个数。最终多传感器数据同质化公式为:
其中输入向量变成了Y(t)=[y1(t),y2(t),...,yN(t)]T。
对神经网络模型的输入数据同质化处理后,再采用标准化的方法对数据进行归一化处理,具体过程如下:其中xi'为归一化输入值,yi为真实输入值,ymin、ymax为实际输入数据同质化后中的最小值和最大值。
如图2所示,步骤5中,建立基于优化BP神经网络的诊断模型,初始化网络,各单元连接权值与阈值可设为(-1,1)之间任意数值,给出计算精度值ε与最大学习次数M。
计算隐藏层的各单元输入为:
输出为;
计算输出层的各单元输入为:
输出为:
用Lenvenberg-Marquardt(L-M)方法进行改进,该方法是梯度下降法和高斯-牛顿法的结合,新的权值调整为:ω(k+1)=ω(k)-[JTJ+μI]-1JTe。式中,J为网络误差对权值的导数的雅克比矩阵;e为误差矢量;I是单位矩阵;μ为标量,在计算过程中具有自适应特性。当μ较大时,公式近似于梯度法;当μ很小时,得到高斯-牛顿法。网络中的自适应参数μ不断更新,优化模型的性能,直至达到预设精度。
步骤6中,将前述的训练集数据导入诊断模型,对模型进行训练。
步骤7中,将前述的测试集数据导入诊断模型,对模型诊断精度进行测试。
步骤8中,导入实测数据,利用前述诊断模型对不同类型的变压器绕组变形故障进行诊断分类。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,其特征在于:包括以下步骤:
步骤1:在变压器绕组正常和变形的情况下,通过磁场传感器分别测量出测点位置的轴向和辐向磁场数值;
步骤2:在变压器绕组正常和变形的情况下,在变压器绕组表面布置多个应力传感器,测量到变压器绕组的应力分布;
步骤3:采集变压器绕组多种故障类型下的特征信息,按照变压器绕组的各故障状态进行分类和编码;
步骤4:将传感器采集到的数据信息进行分析处理,将冗余的信息进行整合、将冲突及互补的信息进行取舍判断,进而提取出传感数据的特征参量;
步骤5:建立基于L-M算法的优化BP神经网络的变压器绕组缺陷诊断模型,包括感知层、融合层和决策层;
步骤6:随机初始化网络参数,将采集数据和对应故障状态编码按一定比例分为训练集和测试集,通过训练集对网络进行训练和调优;
步骤7:保存训练好的网络,并通过测试集对网络进行测试,通过训练好的基于L-M算法的优化BP神经网络对后续待诊断的变压器进行故障诊断;
步骤8:向基于L-M算法的优化BP神经网络中输入实测数据,实现变压器绕组缺陷实时性诊断。
2.根据权利要求1所述的基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,其特征在于:步骤3中所述变压器绕组故障类型包括低压绕组上端轴向压缩、低压绕组下端轴向压缩、低压绕组辐向凹陷、高压绕组上端轴向压缩、高压绕组下端轴向压缩、高压绕组辐向鼓包,分别编码为(0,0,0,0,0,1)、(0,0,0,0,1,0)、(0,0,0,1,0,0)、(0,0,1,0,0,0)、(0,1,0,0,0,0)和(1,0,0,0,0,0)。
3.根据权利要求1所述的基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,其特征在于:步骤4中,对神经网络模型的输入数据进行预处理,具体为对不同种类的传感器进行同质化处理,再采用标准化的方法对数据进行归一化处理,包括以下内容:
假设***中包含N个异类传感器,则在t时刻的输入向量为X=[x1(t),x2(t),...,xN(t)]T,记为:
其中,K为样本数据的个数,多传感器数据同质化公式为:
其中输入向量变成了Y(t)=[y1(t),y2(t),...,yN(t)]T;
对神经网络模型的输入数据同质化处理后,再采用标准化的方法对数据进行归一化处理为其中xi'为归一化输入值,yi为真实输入值,ymin、ymax为实际输入数据同质化后中的最小值和最大值。
4.根据权利要求1所述的基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,其特征在于:步骤5中,所述基于L-M算法的优化BP神经网络的变压器绕组缺陷诊断模型的感知层通过传感器将非电量的模拟量直接转换成电信号,接着通过A/D转换器,把电信号再转换为数字信号,然后再通过数据预处理,即同质化处理,进行特征提取,所述非电量的模拟量包括磁场大小和应力分布。
5.根据权利要求4所述的基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,其特征在于:步骤5中,所述基于L-M算法的优化BP神经网络的变压器绕组缺陷诊断模型决策层的具体实施方法为:
设置三层神经网络,包括输入层、隐藏层和输出层,所述输入层、隐藏层和输出层相互连接,但同一层的节点互不相连,网络的输入为X=[x1,x2,...,xn]T,输出层各神经元输出为Y=[y1,y2,...,ym]T,期望输出为d1,d2,...,dp,P为学习的样本个数;
初始化网络,各单元连接权值与阈值设为(-1,1)之间任意数值,给出计算精度值ε与最大学习次数M;
计算隐藏层的各单元输入为:
其中,i表示样本输入参数个数,n表示正整数,j表示隐藏层个数,wij表示输入层第i个神经元与输出层第j个神经元连接权系数,xi表示样本第i个输入参数,θj表示隐藏层第j个神经元的阈值;
输出为:
计算输出层的各单元输入为:
其中,m表示隐含层神经元个数;
输出为:
网络函数的目的是能够使ym和dp的误差最小;通过调整权重进行误差校正,将每个节点的阈值加到权向量中:
θj=ωnj,x'n1=x'n=-1
其中,θ'l表示隐含层阈值,表示输入层与隐含层的连接权值,θ'k表示输出层阈值,ω'n1k表示输入层和输出层连接权值,ωnj表示误差矫正前输入层与隐含层的连接权值,x'n1和x'n表示误差校正前后两种情况下的净输入值。
6.根据权利要求5所述的基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,其特征在于:步骤5中,所述基于L-M算法的优化BP神经网络的学***方和:
其中,E(p)表示均方误差,其中k下标表示该数据为训练例数据,dk (p)表示期望输出,yk (p)表示神经网络输出层第k个神经元的输出值;
总误差为:
其中,p表示输出神经元个数;
假设ωsp是一个连接权,基于梯度下降算法,权值修正为:
其中Δωsp表示权值修正,η表示学习率,即梯度下降的补偿。
7.根据权利要求1所述的基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法,其特征在于:步骤6中网络模型的具体训练方法为:
用L-M方法进行改进,新的权值调整为:
ω(k+1)=ω(k)-[JTJ+μI]-1JTe
式中,J为网络误差对权值的导数的雅克比矩阵;e为误差矢量;I是单位矩阵;μ为标量,在计算过程中具有自适应特性;网络中的自适应参数μ不断更新,优化模型的性能,直至达到预设精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210469682.5A CN114878674B (zh) | 2022-04-28 | 基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210469682.5A CN114878674B (zh) | 2022-04-28 | 基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114878674A CN114878674A (zh) | 2022-08-09 |
CN114878674B true CN114878674B (zh) | 2024-06-28 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于PCA与GA-LM-BP神经网络的变压器故障诊断;禹建丽;潘笑天;陈洪根;;河北工业大学学报;20171015(第05期);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11474163B2 (en) | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification | |
CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
Jayasinghe et al. | Winding movement in power transformers: a comparison of FRA measurement connection methods | |
CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
Zhao et al. | Diagnosing transformer winding deformation faults based on the analysis of binary image obtained from FRA signature | |
CN109838696A (zh) | 基于卷积神经网络的管道故障诊断方法 | |
CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
CN110728257A (zh) | 基于振动灰度图像的变压器绕组故障监测方法 | |
Bigdeli et al. | A probabilistic neural network classifier‐based method for transformer winding fault identification through its transfer function measurement | |
CN114814501B (zh) | 一种电容式电压互感器电容击穿故障在线诊断方法 | |
Shamlou et al. | Interpretation of frequency response analysis of power transformer based on evidence theory | |
CN117347796B (zh) | 一种基于智能网关的开关设备局部放电诊断***及方法 | |
CN109975634A (zh) | 一种基于原子稀疏分解的变压器绕组故障诊断方法 | |
CN114878674B (zh) | 基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法 | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及*** | |
Behkam et al. | Detection of Transformer Defects in Smart Environment Using Frequency Response Analysis and Artificial Neural Network Based on Data-Driven Systems | |
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 | |
CN116578922A (zh) | 基于多通道卷积神经网络的阀冷***故障诊断方法及装置 | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
CN114878674A (zh) | 基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法 | |
CN116338545A (zh) | 电流互感器计量误差状态识别方法、***、设备及介质 | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及*** | |
CN112819067A (zh) | 一种配电网不良数据的处理方法、装置、设备和存储介质 | |
CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及*** | |
CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |