CN116008756B - 电容式电压互感器绝缘故障诊断方法、***、设备和介质 - Google Patents
电容式电压互感器绝缘故障诊断方法、***、设备和介质 Download PDFInfo
- Publication number
- CN116008756B CN116008756B CN202310247981.9A CN202310247981A CN116008756B CN 116008756 B CN116008756 B CN 116008756B CN 202310247981 A CN202310247981 A CN 202310247981A CN 116008756 B CN116008756 B CN 116008756B
- Authority
- CN
- China
- Prior art keywords
- fault
- samples
- sample
- insulation
- voltage
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 190
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000009466 transformation Effects 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 24
- 239000003990 capacitor Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000009421 internal insulation Methods 0.000 description 11
- 230000015556 catabolic process Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及一种电容式电压互感器绝缘故障诊断方法、***、设备和介质，其中方法包括以下步骤：获取若干组CVT的历史绝缘故障数据，基于历史绝缘故障数据建立故障样本数据集；对故障样本数据集中少数类的绝缘故障类型故障样本进行样本扩充；对故障样本进行特征变换，将一维特征转换为三维特征图像，生成图像样本集；构建Resnet‑RBF网络，以图像样本作为输入，绝缘故障类型作为输出对Resnet‑RBF网络进行迭代训练，得到训练好的故障诊断模型；当一组CVT计量状态异常时，提取该组CVT的电压数据集，利用故障诊断模型对电压数据集进行绝缘故障诊断，并基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT。
Description
技术领域
本发明涉及一种电容式电压互感器绝缘故障诊断方法、***、设备和介质，属于互感器绝缘诊断技术领域。
背景技术
CVT （电容式电压互感器）的结构复杂，内部器件数量繁多，作为户外运行的一次设备，CVT 的绝缘状态在长期运行后会出现劣化，而内绝缘状态的劣化会直接影响CVT 的计量准确性和运行稳定性。与计量误差状态评估类似，现阶段广泛应用的内绝缘评估方法也是周期性停电检测，该方法不仅无法得知相邻两次试验周期内CVT 的内绝缘状态，而且由于检测需要安排CVT 停电，试验工作更为繁重，导致电网中存在大量超期未检的CVT。
因此，如何对CVT 的内绝缘劣化状态进行实时评估，在内绝缘状态发生异常变化时能够及时诊断异常类型和异常程度亦有待进行深入研究。
专利号为“CN114358092A”的发明专利公开了一种电容式电压互感器内绝缘性能在线诊断方法，包括以下：建立CVT诊断模型的源域数据集和目标域数据集，并确定CVT数据中的个性特征和共性特征；根据CVT内绝缘性能劣化机理，提取内绝缘故障CVT的相关参量作为共性特征；通过狄利克雷过程高斯混合模型估计共性特征分布模型；构建内绝缘故障虚拟CVT生成模型生成内绝缘故障虚拟CVT样本；基于图生成器平衡目标域中正常状态CVT样本与虚拟CVT样本的数量，通过训练图卷积网络识别器区分平衡网络上的节点，得到故障诊断模型；通过故障诊断模型对待测CVT样本进行内绝缘故障诊断。通过该方案可以降低样本数据需求，基于生成的虚拟样本实现对故障诊断模型的构建，可以有效保障故障诊断模型的识别准确率。
但是，上述现有技术存在的技术问题是，1）使用了虚拟的CVT生成模型生成虚拟样本，利用包括虚拟样本的训练集进行诊断模型的训练，虚拟样本是不真实的，用不真实的数据进行模型训练会造成诊断模型的精确性下降；2）特征参数复杂，使用了个性特征和共性特征作为参数，使得数据特征复杂度极高，且每个样本的个性特征都不同，导致诊断模型的训练量大，难以达到拟合状态。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了一种电容式电压互感器绝缘故障诊断方法、***、设备和介质。
本发明的技术方案如下：
一方面，本发明提供一种电容式电压互感器绝缘故障诊断方法，包括以下步骤：
获取若干组CVT的历史绝缘故障数据，基于历史绝缘故障数据获取各组CVT的绝缘故障类型以及输出的电压数据，根据各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压放入故障样本数据集中，并以各组CVT的绝缘故障类型作为故障样本的标签；
采用SOMTE算法对故障样本数据集中少数类的绝缘故障类型故障样本进行过采样，完成样本扩充；
对完成样本扩充后的故障样本数据集中的故障样本进行特征变换，将一维特征转换为三维特征图像，生成图像样本集；
构建由Resnet网络模型和RBF网络模型组成的Resnet-RBF网络，其中，以Resnet网络模型的池化层输出作为RBF网络模型的输入；以图像样本作为输入，绝缘故障类型作为输出对Resnet-RBF网络进行迭代训练，得到训练好的故障诊断模型；
当一组CVT计量状态异常时，提取异常时段该组CVT的电压数据集，利用所述故障诊断模型对异常时段该组CVT的电压数据集进行绝缘故障诊断，并基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT。
作为优选实施方式，所述绝缘故障类型包括：电容未击穿，单个高压电容击穿，两个高压电容击穿，单个中压电容击穿，两个中压电容击穿；
所述根据各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压放入故障样本数据集的步骤具体为：
根据采集的各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压：
其中，
、/>
、/>
分别表示第i组CVT输出的A、B、C三相电压，i=1,2，…,N,/>
、/>
、/>
分别表示第i组互感器三相电压的正序分量、负序分量、零序分量，运算子/>
，/>
；
对计算得到三相电压的正序分量、负序分量、零序分量进行帕克变换处理：
其中，上述帕克变换在d-q坐标系中以角速度
逆时针旋转，/>
以d轴领先a相轴线的方向为正；/>
、/>
、/>
分别为正序分量、负序分量、零序分量的帕克变换结果；/>
以各组CVT的三相电压的正序分量、负序分量、零序分量以及帕克变换结果作为故障样本放入样本数据集中。
作为优选实施方式，所述采用SOMTE算法对故障样本数据集中少数类的绝缘故障类型故障样本进行过采样的步骤具体为：
设置过采样后少数类的绝缘故障类型故障样本的数量：
其中，
，/>
为过采样倍率，/>
、/>
分别为多数类、少数类的绝缘故障类型故障样本的原始数量；
根据不平衡度对少数类的绝缘故障类型故障样本进行划分，对每一个少数类的绝缘故障类型故障样本
，从整个样本数据集Q中计算出它的m个最近邻，其中多数类的绝缘故障类型故障样本个数用/>
表示，少数类的绝缘故障类型故障样本个数用/>
表示，基于下式对少数类的绝缘故障类型故障样本进行划分：
其中j=1,2，…，
，表示少数类样本数量；对判断为噪声样本的故障样本进行剔除，对划分为边界样本、安全样本的少数类的绝缘故障类型故障样本进行过采样：
基于少数类的绝缘故障类型故障样本的类别指标R、距离指标L、密度指标P，为非噪声样本的少数类的绝缘故障类型故障样本分配过采样样本数量。
作为优选实施方式，所述类别指标R、距离指标L、密度指标P的计算方法具体为：
类别指标R计算：
其中，
，表示非噪声的少数类的绝缘故障类型故障样本集，/>
为样本/>
的m近邻内多数类的绝缘故障类型故障样本数量；
距离指标L计算：
其中，
表示非噪声的少数类的绝缘故障类型故障样本集中任意样本/>
与其同类样本聚类中心/>
的距离：
其中，
为样本维度；
密度指标P计算：
对于任意样本
，计算其在非噪声的少数类的绝缘故障类型故障样本集范围内的K个近邻样本为/>
，k=1,2，……，K，计算/>
与/>
的欧式距离为：
计算非噪声的少数类的绝缘故障类型故障样本集中
个数据点分别与其k近邻的距离，取其均值作为半径：
计算密度值：
其中，
表示到/>
距离小于r的非噪声的少数类的绝缘故障类型故障样本的个数；cont（）表示计数函数。
作为优选实施方式，所述基于少数类的绝缘故障类型故障样本的类别指标R、距离指标L、密度指标P，为非噪声样本的少数类的绝缘故障类型故障样本分配过采样样本数量步骤中，基于以下公式为非噪声样本的少数类的绝缘故障类型故障样本分配过采样样本数量：
其中，
为分配给样本/>
的过采样样本的数量。
作为优选实施方式，所述对完成样本扩充后的故障样本数据集中的故障样本进行特征变换，将一维特征转换为三维特征图像的方法具体采用格拉姆角场变换，具体步骤为：
进行归一化处理，将故障样本的一维特征数据
映射至[0,1]的区间上，归一化处理公式如下：
其中，
=1,2,3，……，6；/>
、/>
、/>
分别为相应故障样本数据中的三相电压的正序分量、负序分量、零序分量；/>
、/>
、/>
分别为相应故障样本数据中的三相电压的正序分量、负序分量、零序分量的帕克变换结果；/>
为相应特征数据归一化后的结果；
将特征数据归一化后的结果
编码为余弦角，在极坐标中重新表示为/>
和/>
，如下所示：
其中，W为常数因子集合，u是对极坐标***生成空间进行正则化的常数因子，
为/>
点极角，/>
为/>
点极径；
对计算出的极坐标分别进行角度求和内积与作差内积，得到两种格拉姆角场GASF矩阵、GADF矩阵：
将得到的数值分布在[0, 1]的GASF矩阵、GADF矩阵重新映射至[0,255]的像素值区间，并依次复制到RGB三通道，使其变为标准的三维彩色图像作为所述三维特征图像。
作为优选实施方式，所述基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT的步骤具体为：
获取异常时段该组CVT的电压数据集，数据集时序长度为Z；
构建贡献率指标：
其中，Y为贡献率指标，
为三相中其中一相的贡献率，/>
为三相中其中一相的电压，/>
为时序表示，/>
为同一时序三相电压幅值均值；
以异常时段该组CVT中贡献率指标
最大的CVT作为绝缘故障的CVT；
还包括一适应不同接线形式下判断CVT绝缘故障的步骤，具体为：
确定目标组CVT的一次主接线形式；
当一次主接线形式为双母线接线时，若其中一母线的任一相上的CVT出现绝缘故障，则以该母线上另外两相的电压数据和另一母线上与绝缘故障CVT同相的电压数据组成新的评估电压数据集，重新执行CVT绝缘故障诊断方法；
当一次主接线形式为双母分段接线或3/2接线时，若其中一母线的任一相上的CVT出现绝缘故障，则以该母线上另外两相的电压数据和高压侧与绝缘故障CVT同相的其他所有CVT的电压数据均值组成新的评估电压数据集，重新执行CVT绝缘故障诊断方法。
另一方面，本发明还提供一种电容式电压互感器绝缘故障诊断***，包括：
数据集建立模块，用于获取若干组CVT的历史绝缘故障数据，基于历史绝缘故障数据获取各组CVT的绝缘故障类型以及输出的电压数据，根据各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压放入故障样本数据集中，并以各组CVT的绝缘故障类型作为故障样本的标签；
样本扩充模块，用于采用SOMTE算法对故障样本数据集中少数类的绝缘故障类型故障样本进行过采样，完成样本扩充；
特征变换模块，用于对完成样本扩充后的故障样本数据集中的故障样本进行特征变换，将一维特征转换为三维特征图像，生成图像样本集；
模型训练模块，用于构建由Resnet网络模型和RBF网络模型组成的Resnet-RBF网络，其中，以Resnet网络模型的池化层输出作为RBF网络模型的输入；以图像样本作为输入，绝缘故障类型作为输出对Resnet-RBF网络进行迭代训练，得到训练好的故障诊断模型；
诊断模块，用于当一组CVT计量状态异常时，提取异常时段该组CVT的电压数据集，利用所述故障诊断模型对异常时段该组CVT的电压数据集进行绝缘故障诊断，并基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT。
再一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如本发明任一实施例所述的电容式电压互感器绝缘故障诊断方法。
再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的电容式电压互感器绝缘故障诊断方法。
本发明具有如下有益效果：
1、本发明一种电容式电压互感器绝缘故障诊断方法，通过CVT的历史绝缘故障数据获取绝缘故障类型以及电压数据，以电压数据计算样本的特征参数，特征参数选择上简单有效，并采用SOMTE算法进行少数类样本的样本扩充，以真实的样本为基准，保证扩充样本的客观性和有效性，大大提高了诊断模型的训练效率，并提高了CVT绝缘故障诊断的精确性。
2、本发明一种电容式电压互感器绝缘故障诊断方法，基于少数类样本的类别指标R、距离指标L、密度指标P，采用了改进的SMOTE方法对少数类故障样本进行过采样，保证了样本数据的均衡性。
3、本发明一种电容式电压互感器绝缘故障诊断方法，采用了格拉姆角场变换将内绝缘一维特征参量转换为三维特征图像，有效增强一维原始数据的故障特征。
4、本发明一种电容式电压互感器绝缘故障诊断方法，对Resnet网络模型进行优化，使用RBF模型替换了softmax分类模型，提升了算法精度。
5、本发明一种电容式电压互感器绝缘故障诊断方法，针对不同接线形式下出现CVT绝缘故障的情况，分别构建新模态，完成多台CVT绝缘状态的判断，大大增强了诊断方法的适应性。
附图说明
图1为本发明实施例的方法流程示例图；
图2为本发明实施例中残差单元的示例图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例一：
参见图1，本实施例提供一种电容式电压互感器绝缘故障诊断方法，具体包括以下步骤：
S100、获取若干组CVT的历史绝缘故障数据，基于历史绝缘故障数据获取各组CVT的绝缘故障类型以及输出的电压数据，根据各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压放入故障样本数据集中，并以各组CVT的绝缘故障类型作为故障样本的标签。
在其中一种实施例中，在步骤S100中，将绝缘故障类型定义为：A=[电容未击穿，单个高压电容击穿，两个高压电容击穿，单个中压电容击穿，两个中压电容击穿]；集合A中的5种绝缘故障类型也就组成了故障样本的标签集合。
在其中一种实施例中，在步骤S100中，所述根据各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压放入故障样本数据集的步骤具体为：
S101、根据采集的各组CVT输出的电压数据，计算各组CVT（A、B、C相）的正序电压、负序电压和零序电压，计算公式如下：
其中，
、/>
、/>
分别表示第i组CVT输出的A、B、C三相电压，i=1,2，…,N,
、/>
、/>
分别表示第i组互感器三相电压的正序分量、负序分量、零序分量，运算子/>
，/>
；
S102、对计算得到三相电压的正序分量、负序分量、零序分量进行帕克变换处理：
其中，上述帕克变换在d-q坐标系中以角速度
逆时针旋转，/>
以d轴领先a相轴线的方向为正；/>
、/>
、/>
分别为正序分量、负序分量、零序分量的帕克变换结果。
S103、以各组CVT的三相电压的正序分量、负序分量、零序分量以及帕克变换结果
、/>
和/>
作为故障样本组成样本数据集：
其中，
表示第i个样本，i=1,2，…,N,表示样本数。
S200、考虑到CVT绝缘故障样本存在类间不平衡问题，也就是绝缘故障样本存在有的绝缘故障类型太多，有的绝缘故障类型太少，本实施例采用SOMTE算法对故障样本数据集中少数类的绝缘故障类型故障样本进行过采样，完成样本扩充。
在其中一种实施例中，步骤S200具体包括：
S201、设置过采样后少数类（少数类指的是，数量少的绝缘故障类型，多数类同理）的绝缘故障类型故障样本的数量：
其中，
，/>
为过采样倍率，/>
、/>
分别为多数类、少数类的绝缘故障类型故障样本的原始数量。
S202、根据不平衡度对少数类的绝缘故障类型故障样本进行划分，对每一个少数类的绝缘故障类型故障样本
，从整个样本数据集Q中计算出它的m个最近邻，其中多数类的绝缘故障类型故障样本个数用/>
表示，少数类的绝缘故障类型故障样本个数用/>
表示，基于下式对少数类的绝缘故障类型故障样本进行划分：/>
其中j=1,2，…，
，表示少数类样本数量；对判断为噪声样本的故障样本进行剔除，对划分为边界样本、安全样本的少数类的绝缘故障类型故障样本进行过采样：
S203、基于少数类的绝缘故障类型故障样本的类别指标R、距离指标L、密度指标P，为非噪声样本的少数类的绝缘故障类型故障样本分配过采样样本数量。
在其中一种实施例中，步骤S203中，所述类别指标R、距离指标L、密度指标P的计算方法具体为：
类别指标R计算：
其中，
，表示非噪声的少数类的绝缘故障类型故障样本集，/>
为样本/>
的m近邻内多数类的绝缘故障类型故障样本数量；
距离指标L计算：
其中，
表示非噪声的少数类的绝缘故障类型故障样本集中任意样本/>
与其同类样本聚类中心/>
的距离：
其中，
为样本维度；
密度指标P计算：
对于任意样本
，计算其在非噪声的少数类的绝缘故障类型故障样本集范围内的K个近邻样本为/>
，k=1,2，……，K，计算/>
与/>
的欧式距离为：
计算非噪声的少数类的绝缘故障类型故障样本集中
个数据点分别与其k近邻的距离，取其均值作为半径：
计算密度值：
其中，
表示到/>
距离小于r的非噪声的少数类的绝缘故障类型故障样本的个数；cont（）表示计数函数。
在其中一种实施例中，在步骤S203中，基于以下公式为非噪声样本的少数类的绝缘故障类型故障样本分配过采样样本数量：
其中，
为分配给样本/>
的过采样样本的数量。
S300、对完成样本扩充后的故障样本数据集中的故障样本进行特征变换，将一维特征转换为三维特征图像，生成图像样本集。
在其中一种实施例中，在步骤S300中将一维特征转换为三维特征图像的方法具体采用格拉姆角场变换，格拉姆角场(Gramian Angular Field, GAF)是一种基于极坐标格拉姆矩阵的数据维度变换方法，该方法可以将一维样本转换为三维特征图像样本，可有效增强一维原始数据的特征。S300的具体步骤为：
S301、使用最大最小归一化方法，将故障样本的一维特征数据
映射至[0,1]的区间上，归一化处理公式如下：
其中，
=1,2,3，……，6；/>
、/>
、/>
分别为相应故障样本数据中的三相电压的正序分量、负序分量、零序分量；/>
、/>
、/>
分别为相应故障样本数据中的三相电压的正序分量、负序分量、零序分量的帕克变换结果；/>
为相应特征数据归一化后的结果。
S302、将特征数据归一化后的结果
编码为余弦角，在极坐标中重新表示为/>
和/>
，如下所示：
其中，W为常数因子集合，u是对极坐标***生成空间进行正则化的常数因子，
为/>
点极角，/>
为/>
点极径。
S303、将结构化数据转换为极坐标之后，对计算出的极坐标分别进行角度求和内积与作差内积，得到两种格拉姆角场GASF矩阵、GADF矩阵：
S304、将得到的数值分布在[0, 1]的GASF矩阵、GADF矩阵重新映射至[0, 255]的像素值区间，并依次复制到RGB三通道，使其变为标准的三维彩色图像（宽度×高度×三基色通道数）作为所述三维特征图像。
S400、构建由Resnet网络模型和RBF网络模型组成的Resnet-RBF网络。
具体地，Resnet网络模型是由多个残差单元堆叠构成，其中一个基本残差单元（如图2所示）包括卷积层、批量标准化层（BN）、激活函数和恒等映射。输入图片可以根据最后一个残差单元的输出，然后再把该输出送到一个平均池化层和分类层。模型训练过程中，以交叉熵函数作为损失函数评估模型拟合情况。
每个残差单元可由下式表示：
其中，
表示第/>
个残差单元的输出，/>
表示第/>
个残差单元的输出，/>
表示残差函数。
最后一个残差单元的输出为：
其中，
表示第/>
个残差单元的输出。
Resnet网络后的分类器一般选取Softmax函数。传统Softmax分类器对特征差异性较小、模糊性较大的类型识别效果较差，针对此不足，用具有较强学习能力的RBF模型替换sofmax分类器，本实施例采用蜉蝣算法对RBF的中心向量c、基函数的标准化常数
进行寻优，以提升模型状态诊断的精度。
RBF是一类三层前向神经网络，本实施例中RBF的结构如下：
输入层：
以resnet网络的池化层输出为RBF网络的输入，定义为B。
隐含层：
RBF隐含层神经元核函数是高斯函数，对输入信息进行空间映射的变换。这里采用高斯核函数作为隐含神经元基函数：
其中，
为隐含层输出，/>
=1,2,…,q，为隐含神经元个数。B为RBF的输入向量；/>
为高斯函数的中心向量；/>
为基函数的标准化常数。/>
输出层：
表达式为：
其中，
为第q个隐含神经元的权重信息，/>
为模型输出的分类概率，以最大作为样本的分类结果，p=1,2,…,5, 对应电容未击穿，单个高压电容击穿，两个高压电容击穿，单个中压电容击穿，两个中压电容击穿5种绝缘故障类型分类结果。
本实施例中，采用蜉蝣算法对RBF的中心向量c、基函数的标准化常数
进行寻优的步骤如下：
定义蜉蝣
的位置信息对应RBF中的中心向量c、基函数的标准化常数/>
；
设置雄性蜉蝣的速度：
其中，
为第t+1次迭代时，第/>
只雄性蜉蝣在第/>
维的速度；/>
为第t次迭代时，第/>
只雄性蜉蝣在第/>
维的位置。/>
为社会作用正吸引系数，
代表蜉蝣个体最优位置，/>
代表全局最优位置。/>
为固定的能见度系数。/>
代表当前位置与个体最优位置的距离，/>
代表当前位置与全局最优位置的距离。
设置雌性蜉蝣的速度：
其中，
代表雌性蜉蝣距离雄性蜉蝣的距离，/>
为第t次迭代时，第/>
只雌性蜉蝣在第/>
维的位置，/>
是一个随机游走系数，r是一个在范围[-1,1]的随机数。
为第/>
只雌性蜉蝣的适应度，/>
为第/>
只雄性蜉蝣的适应度。
定义参数B1、B2来调整蜉蝣的速度函数，更好地平衡局搜索和局部开发能力：
其中，t为迭代次数，T为迭代总次数。
则：雄性蜉蝣的速度优化为：
雌性蜉蝣的速度优化为：
当
时：
当
时：
基于上述优化的蜉蝣速度公式，迭代寻优找到最优的蜉蝣位置，对应找到最优的c、
参数输入至RBF网络模型中。
基于上述优化后的Resnet-RBF网络，以图像样本作为输入，绝缘故障类型（样本标签）作为输出对Resnet-RBF网络进行迭代训练，得到训练好的故障诊断模型。
本实施例选用70%的图像样本集用于模型训练，剩余30%用于模型测试。定义训练图像样本
，其中/>
为第/>
个图像样本的GASF矩阵变换后的三维彩色图像，/>
为第/>
个图像样本的GADF矩阵变换后的三维彩色图像，/>
=1，2，…,/>
，/>
为图像样本总数。
S500、当一组CVT计量状态异常时，提取异常时段该组CVT的电压数据集，利用所述故障诊断模型对异常时段该组CVT的电压数据集进行绝缘故障诊断，并基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT。
在其中一种实施例中，所述基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT的步骤具体为：
基于三相电压监测数据，获取异常时段该组CVT的电压数据集，数据集时序长度为Z；
构建贡献率指标：
其中，Y为贡献率指标，
为三相中其中一相的贡献率，/>
为三相中其中一相的电压，即：/>
，/>
为时序表示，
为同一时序三相电压幅值均值；
以异常时段该组CVT中贡献率指标
最大的CVT作为绝缘故障的CVT。
基于上述实施例，本发明解决了群体内单台CVT内绝缘故障诊断的问题，但是考虑到CVT停电难，异常CVT不能立刻更换，导致原评估群体所用的评估参量发生改变，诊断模型失效。基于这一技术问题，本实施例提出了自适应方法，以增强评估方法的适用性。
在其中一种实施例中，针对不同接线形式下出现CVT绝缘故障的情况，本实施例的方法还包括一适应不同接线形式下判断CVT绝缘故障的步骤，具体为：
确定目标组CVT的一次主接线形式；CVT广泛使用的220 kV及以上电压等级输电网，一次主接线主要有双母线接线、双母线分段接线以及一台半断路器接线（3/2接线）等接线形式。
当一次主接线形式为双母线接线时，若其中一母线的任一相上的CVT出现绝缘故障，则以该母线上另外两相的电压数据和另一母线上与绝缘故障CVT同相的电压数据组成新的评估电压数据集，例如：
若Ⅰ母A1相CVT出现绝缘故障，为实现B1、C1相CVT的持续监测，需构建新评估电压数据集：X1={A2，B1，C1}。其中A2表示Ⅱ母A相CVT的电压数据。根据新评估电压数据集重新执行CVT绝缘故障诊断方法。
当一次主接线形式为双母分段接线或3/2接线时，若其中一母线的任一相上的CVT出现绝缘故障，则以该母线上另外两相的电压数据和高压侧与绝缘故障CVT同相的其他所有CVT的电压数据均值组成新的评估电压数据集，例如：
若Ⅰ母A1相CVT出现绝缘故障，为实现B1、C1相CVT的持续监测，需构建新评估群体：X1={(A2+A3+…+An)/n-1, B1，C1},其中(A2+A3+…+An)/n-1表示高压侧与A1同相的其他所有CVT的电压数据均值。根据新评估电压数据集重新执行CVT绝缘故障诊断方法。
实施例二：
本发明还提供一种电容式电压互感器绝缘故障诊断***，包括：
数据集建立模块，用于获取若干组CVT的历史绝缘故障数据，基于历史绝缘故障数据获取各组CVT的绝缘故障类型以及输出的电压数据，根据各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压放入故障样本数据集中，并以各组CVT的绝缘故障类型作为故障样本的标签；该模块用于实现实施例一中步骤S100的功能，在此不再赘述；
样本扩充模块，用于采用SOMTE算法对故障样本数据集中少数类的绝缘故障类型故障样本进行过采样，完成样本扩充；该模块用于实现实施例一中步骤S200的功能，在此不再赘述；
特征变换模块，用于对完成样本扩充后的故障样本数据集中的故障样本进行特征变换，将一维特征转换为三维特征图像，生成图像样本集；该模块用于实现实施例一中步骤S300的功能，在此不再赘述；
模型训练模块，用于构建由Resnet网络模型和RBF网络模型组成的Resnet-RBF网络，其中，以Resnet网络模型的池化层输出作为RBF网络模型的输入；以图像样本作为输入，绝缘故障类型作为输出对Resnet-RBF网络进行迭代训练，得到训练好的故障诊断模型；该模块用于实现实施例一中步骤S400的功能，在此不再赘述；
诊断模块，用于当一组CVT计量状态异常时，提取异常时段该组CVT的电压数据集，利用所述故障诊断模型对异常时段该组CVT的电压数据集进行绝缘故障诊断，并基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT；该模块用于实现实施例一中步骤S500的功能，在此不再赘述。
实施例三：
本实施例提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的电容式电压互感器绝缘故障诊断方法。
实施例四：
本实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的电容式电压互感器绝缘故障诊断方法。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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，任一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-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种电容式电压互感器绝缘故障诊断方法，其特征在于，包括以下步骤：
获取若干组CVT的历史绝缘故障数据，基于历史绝缘故障数据获取各组CVT的绝缘故障类型以及输出的电压数据，根据各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压放入故障样本数据集中，并以各组CVT的绝缘故障类型作为故障样本的标签；
采用SOMTE算法对故障样本数据集中少数类的绝缘故障类型故障样本进行过采样，完成样本扩充；
对完成样本扩充后的故障样本数据集中的故障样本进行特征变换，将一维特征转换为三维特征图像，生成图像样本集；
构建由Resnet网络模型和RBF网络模型组成的Resnet-RBF网络，其中，以Resnet网络模型的池化层输出作为RBF网络模型的输入；以图像样本作为输入，绝缘故障类型作为输出对Resnet-RBF网络进行迭代训练，得到训练好的故障诊断模型；
当一组CVT计量状态异常时，提取异常时段该组CVT的电压数据集，利用所述故障诊断模型对异常时段该组CVT的电压数据集进行绝缘故障诊断，并基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT；
所述采用SOMTE算法对故障样本数据集中少数类的绝缘故障类型故障样本进行过采样的步骤具体为：
设置过采样后少数类的绝缘故障类型故障样本的数量：
其中，
，/>
为过采样倍率，/>
、/>
分别为多数类、少数类的绝缘故障类型故障样本的原始数量；
根据不平衡度对少数类的绝缘故障类型故障样本进行划分，对每一个少数类的绝缘故障类型故障样本
，从整个样本数据集Q中计算出它的m个最近邻，其中多数类的绝缘故障类型故障样本个数用/>
表示，少数类的绝缘故障类型故障样本个数用/>
表示，基于下式对少数类的绝缘故障类型故障样本进行划分：
其中j=1,2，…，
，表示少数类样本数量；对判断为噪声样本的故障样本进行剔除，对划分为边界样本、安全样本的少数类的绝缘故障类型故障样本进行过采样：
基于少数类的绝缘故障类型故障样本的类别指标R、距离指标L、密度指标P，为非噪声样本的少数类的绝缘故障类型故障样本分配过采样样本数量；
所述类别指标R、距离指标L、密度指标P的计算方法具体为：
类别指标R计算：
其中，
，表示非噪声的少数类的绝缘故障类型故障样本集，/>
为样本/>
的m近邻内多数类的绝缘故障类型故障样本数量；
距离指标L计算：
其中，
表示非噪声的少数类的绝缘故障类型故障样本集中任意样本/>
与其同类样本聚类中心/>
的距离：
其中，
为样本维度；
密度指标P计算：
对于任意样本
，计算其在非噪声的少数类的绝缘故障类型故障样本集范围内的K个近邻样本为/>
，k=1,2，……，K，计算/>
与/>
的欧式距离为：/>
计算非噪声的少数类的绝缘故障类型故障样本集中
个数据点分别与其k近邻的距离，取其均值作为半径：
计算密度值：
其中，
表示到/>
距离小于r的非噪声的少数类的绝缘故障类型故障样本的个数；cont（）表示计数函数。
2.根据权利要求1所述的一种电容式电压互感器绝缘故障诊断方法，其特征在于：
所述绝缘故障类型包括：电容未击穿，单个高压电容击穿，两个高压电容击穿，单个中压电容击穿，两个中压电容击穿；
所述根据各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压放入故障样本数据集的步骤具体为：
根据采集的各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压：
其中，
、/>
、/>
分别表示第i组CVT输出的A、B、C三相电压，i=1,2，…,N,
、/>
、/>
分别表示第i组互感器三相电压的正序分量、负序分量、零序分量，运算子/>
，/>
；
对计算得到三相电压的正序分量、负序分量、零序分量进行帕克变换处理：
其中，上述帕克变换在d-q坐标系中以角速度
逆时针旋转，/>
以d轴领先a相轴线的方向为正；/>
、/>
、/>
分别为正序分量、负序分量、零序分量的帕克变换结果；
以各组CVT的三相电压的正序分量、负序分量、零序分量以及帕克变换结果作为故障样本放入样本数据集中。
3.根据权利要求1所述的一种电容式电压互感器绝缘故障诊断方法，其特征在于，所述基于少数类的绝缘故障类型故障样本的类别指标R、距离指标L、密度指标P，为非噪声样本的少数类的绝缘故障类型故障样本分配过采样样本数量步骤中，基于以下公式为非噪声样本的少数类的绝缘故障类型故障样本分配过采样样本数量：
其中，
为分配给样本/>
的过采样样本的数量。
4.根据权利要求2所述的一种电容式电压互感器绝缘故障诊断方法，其特征在于，所述对完成样本扩充后的故障样本数据集中的故障样本进行特征变换，将一维特征转换为三维特征图像的方法具体采用格拉姆角场变换，具体步骤为：
进行归一化处理，将故障样本的一维特征数据
映射至[0,1]的区间上，归一化处理公式如下：
其中，
=1,2,3，……，6；/>
、/>
、/>
分别为相应故障样本数据中的三相电压的正序分量、负序分量、零序分量；/>
、/>
、/>
分别为相应故障样本数据中的三相电压的正序分量、负序分量、零序分量的帕克变换结果；/>
为相应特征数据归一化后的结果；/>
将特征数据归一化后的结果
编码为余弦角，在极坐标中重新表示为/>
和/>
，如下所示：
其中，W为常数集合，u是对极坐标***生成空间进行正则化的常数因子，
为/>
点极角，/>
为/>
点极径；
对计算出的极坐标分别进行角度求和内积与作差内积，得到两种格拉姆角场GASF矩阵、GADF矩阵：
将得到的数值分布在[0, 1]的GASF矩阵、GADF矩阵重新映射至[0,255]的像素值区间，并依次复制到RGB三通道，使其变为标准的三维彩色图像作为所述三维特征图像。
5.根据权利要求1所述的一种电容式电压互感器绝缘故障诊断方法，其特征在于，所述基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT的步骤具体为：
获取异常时段该组CVT的电压数据集，数据集时序长度为Z；
构建贡献率指标：
其中，Y为贡献率指标，
为三相中其中一相的贡献率，/>
为三相中其中一相的电压，/>
为时序表示，/>
为同一时序三相电压幅值均值；
以异常时段该组CVT中贡献率指标
最大的CVT作为绝缘故障的CVT；
还包括一适应不同接线形式下判断CVT绝缘故障的步骤，具体为：
确定目标组CVT的一次主接线形式；
当一次主接线形式为双母线接线时，若其中一母线的任一相上的CVT出现绝缘故障，则以该母线上另外两相的电压数据和另一母线上与绝缘故障CVT同相的电压数据组成新的评估电压数据集，重新执行CVT绝缘故障诊断方法；
当一次主接线形式为双母分段接线或3/2接线时，若其中一母线的任一相上的CVT出现绝缘故障，则以该母线上另外两相的电压数据和高压侧与绝缘故障CVT同相的其他所有CVT的电压数据均值组成新的评估电压数据集，重新执行CVT绝缘故障诊断方法。
6.一种电容式电压互感器绝缘故障诊断***，其特征在于，包括：
数据集建立模块，用于获取若干组CVT的历史绝缘故障数据，基于历史绝缘故障数据获取各组CVT的绝缘故障类型以及输出的电压数据，根据各组CVT输出的电压数据计算各组CVT的正序电压、负序电压和零序电压放入故障样本数据集中，并以各组CVT的绝缘故障类型作为故障样本的标签；
样本扩充模块，用于采用SOMTE算法对故障样本数据集中少数类的绝缘故障类型故障样本进行过采样，完成样本扩充；
特征变换模块，用于对完成样本扩充后的故障样本数据集中的故障样本进行特征变换，将一维特征转换为三维特征图像，生成图像样本集；
模型训练模块，用于构建由Resnet网络模型和RBF网络模型组成的Resnet-RBF网络，其中，以Resnet网络模型的池化层输出作为RBF网络模型的输入；以图像样本作为输入，绝缘故障类型作为输出对Resnet-RBF网络进行迭代训练，得到训练好的故障诊断模型；
诊断模块，用于当一组CVT计量状态异常时，提取异常时段该组CVT的电压数据集，利用所述故障诊断模型对异常时段该组CVT的电压数据集进行绝缘故障诊断，并基于电压数据的贡献指标定位该组CVT中绝缘故障的CVT；
所述采用SOMTE算法对故障样本数据集中少数类的绝缘故障类型故障样本进行过采样的步骤具体为：
设置过采样后少数类的绝缘故障类型故障样本的数量：
其中，
，/>
为过采样倍率，/>
、/>
分别为多数类、少数类的绝缘故障类型故障样本的原始数量；
根据不平衡度对少数类的绝缘故障类型故障样本进行划分，对每一个少数类的绝缘故障类型故障样本
，从整个样本数据集Q中计算出它的m个最近邻，其中多数类的绝缘故障类型故障样本个数用/>
表示，少数类的绝缘故障类型故障样本个数用/>
表示，基于下式对少数类的绝缘故障类型故障样本进行划分：
其中j=1,2，…，
，表示少数类样本数量；对判断为噪声样本的故障样本进行剔除，对划分为边界样本、安全样本的少数类的绝缘故障类型故障样本进行过采样：
基于少数类的绝缘故障类型故障样本的类别指标R、距离指标L、密度指标P，为非噪声样本的少数类的绝缘故障类型故障样本分配过采样样本数量；
所述类别指标R、距离指标L、密度指标P的计算方法具体为：
类别指标R计算：
其中，
，表示非噪声的少数类的绝缘故障类型故障样本集，/>
为样本/>
的m近邻内多数类的绝缘故障类型故障样本数量；
距离指标L计算：
其中，
表示非噪声的少数类的绝缘故障类型故障样本集中任意样本/>
与其同类样本聚类中心/>
的距离：
其中，
为样本维度；/>
密度指标P计算：
对于任意样本
，计算其在非噪声的少数类的绝缘故障类型故障样本集范围内的K个近邻样本为/>
，k=1,2，……，K，计算/>
与/>
的欧式距离为：
计算非噪声的少数类的绝缘故障类型故障样本集中
个数据点分别与其k近邻的距离，取其均值作为半径：
计算密度值：
其中，
表示到/>
距离小于r的非噪声的少数类的绝缘故障类型故障样本的个数；cont（）表示计数函数。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的电容式电压互感器绝缘故障诊断方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的电容式电压互感器绝缘故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310247981.9A CN116008756B (zh) | 2023-03-15 | 2023-03-15 | 电容式电压互感器绝缘故障诊断方法、***、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310247981.9A CN116008756B (zh) | 2023-03-15 | 2023-03-15 | 电容式电压互感器绝缘故障诊断方法、***、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116008756A CN116008756A (zh) | 2023-04-25 |
| CN116008756B true CN116008756B (zh) | 2023-06-09 |
Family
ID=86033804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310247981.9A Active CN116008756B (zh) | 2023-03-15 | 2023-03-15 | 电容式电压互感器绝缘故障诊断方法、***、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116008756B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048769A (zh) * | 2021-11-08 | 2022-02-15 | 太原科技大学 | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275204B (zh) * | 2020-02-25 | 2023-04-07 | 西安工程大学 | 一种基于混合采样和集成学习的变压器状态识别方法 |
| CN112910859B (zh) * | 2021-01-19 | 2022-06-14 | 山西警察学院 | 基于c5.0决策树和时序分析的物联网设备监测预警方法 |
| CN113033837A (zh) * | 2021-03-05 | 2021-06-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识***及方法 |
| CN113505655B (zh) * | 2021-06-17 | 2023-10-13 | 电子科技大学 | 面向数字孪生***的轴承故障智能诊断方法 |
| CN113780412B (zh) * | 2021-09-10 | 2024-01-30 | 齐齐哈尔大学 | 故障诊断模型训练方法、***及其诊断方法、*** |
| CN114595730A (zh) * | 2022-03-31 | 2022-06-07 | 南京工业大学 | 基于gaf-drsn的滚动轴承故障诊断方法 |
| CN115641283A (zh) * | 2022-11-07 | 2023-01-24 | 广东电网有限责任公司 | 基于多传感器信息融合的变压器故障诊断方法及*** |
-
2023
- 2023-03-15 CN CN202310247981.9A patent/CN116008756B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048769A (zh) * | 2021-11-08 | 2022-02-15 | 太原科技大学 | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116008756A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11875500B2 (en) | Failure diagnosis method for power transformer winding based on GSMallat-NIN-CNN network | |
| CN110532859B (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
| CN109829402B (zh) | 基于gs-svm的不同工况下轴承损伤程度诊断方法 | |
| CN109215034B (zh) | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 | |
| CN109872305B (zh) | 一种基于质量图生成网络的无参考立体图像质量评价方法 | |
| Gao et al. | Rolling bearing fault diagnosis based on intelligent optimized self-adaptive deep belief network | |
| CN114048769A (zh) | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 | |
| CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
| CN113191429A (zh) | 一种电力变压器套管故障诊断方法及装置 | |
| CN115546558A (zh) | 一种电气设备绝缘故障状态分类方法、装置及存储介质 | |
| CN113705396A (zh) | 一种电机故障诊断方法、***及设备 | |
| CN114187261A (zh) | 一种基于多维注意力机制的无参考立体图像质量评价方法 | |
| CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
| CN116612098A (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
| Wang et al. | A novel semi-supervised generative adversarial network based on the actor-critic algorithm for compound fault recognition | |
| Zheng et al. | Benchmarking unsupervised anomaly detection and localization | |
| CN111079930A (zh) | 数据集质量参数的确定方法、装置及电子设备 | |
| CN110135428A (zh) | 图像分割处理方法和装置 | |
| CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
| CN116008756B (zh) | 电容式电压互感器绝缘故障诊断方法、***、设备和介质 | |
| Fomin et al. | Construction of the diagnostic model based on combining spectral characteristics of nonlinear dynamic objects | |
| CN113343900A (zh) | 基于cnn与超像素结合的组合核遥感影像目标检测方法 | |
| CN111950635A (zh) | 一种基于分层特征对齐的鲁棒特征学习方法 | |
| JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
| Shi et al. | Hyperspectral bands reduction based on rough sets and fuzzy c-means clustering |
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 |