JP4857597B2 - 油入電気機器の劣化診断方法 - Google Patents
油入電気機器の劣化診断方法 Download PDFInfo
- Publication number
- JP4857597B2 JP4857597B2 JP2005134155A JP2005134155A JP4857597B2 JP 4857597 B2 JP4857597 B2 JP 4857597B2 JP 2005134155 A JP2005134155 A JP 2005134155A JP 2005134155 A JP2005134155 A JP 2005134155A JP 4857597 B2 JP4857597 B2 JP 4857597B2
- Authority
- JP
- Japan
- Prior art keywords
- oil
- average
- filled electrical
- degree
- polymerization degree
- 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
- 238000000034 method Methods 0.000 title claims description 85
- 238000003745 diagnosis Methods 0.000 title claims description 40
- 230000015556 catabolic process Effects 0.000 title claims description 21
- 238000006731 degradation reaction Methods 0.000 title claims description 17
- 238000006116 polymerization reaction Methods 0.000 claims description 149
- 230000006866 deterioration Effects 0.000 claims description 60
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical compound O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 claims description 53
- 238000013528 artificial neural network Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 2
- 239000001569 carbon dioxide Substances 0.000 claims description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 2
- 239000003921 oil Substances 0.000 description 68
- 239000000123 paper Substances 0.000 description 42
- 238000009413 insulation Methods 0.000 description 14
- 238000003672 processing method Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 11
- 229920002678 cellulose Polymers 0.000 description 7
- 239000001913 cellulose Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 239000011810 insulating material Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000007872 degassing Methods 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000011162 core material Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- -1 furfural aldehyde Chemical class 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000002655 kraft paper Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Testing Relating To Insulation (AREA)
- Housings And Mounting Of Transformers (AREA)
Description
(1)銅、アルミニウム等の導電材料
(2)絶縁油や絶縁紙、プレスボード等の絶縁材料
(3)けい素鋼帯等の鉄心材料
(4)鉄やステンレス鋼等の構造材料
これらの材料のうち、油入電気機器内で経年劣化が認められるのは、絶縁油や絶縁紙等の絶縁材料である。
一方、絶縁紙については、経年劣化による絶縁破壊電圧の低下度は小さいが、機械的強度の低下度は大きい(すなわち、紙がぼろぼろになる)。絶縁紙の劣化が進行すると、突入電流や外部短絡時に発生する電磁力による機械的ストレスによって絶縁紙に亀裂や損壊が発生し、絶縁破壊する危険性が増大する。
(1)絶縁紙の平均重合度
絶縁紙は、多数のセルロース分子が重合してできた重合体である。ここで、図7はセルロースの化学構造式を示している。
セルロースを構成する基本分子の数を重合度という。絶縁紙としての新品のクラフト紙の場合の平均重合度は、約1000である。この平均重合度は、絶縁紙が酸化劣化するとセルロース分子の鎖が切断されてセルロース分子の低分子量化、すなわち平均重合度の低下が起きる。例えば、30年使用した変圧器では、絶縁紙の平均重合度が初期値の約40〜60%(重合度400〜600)にまで減少すると言われている。
日本電機工業会規格JEM1463−1993では、1000[kVA]を超える油入変圧器及び油入リアクトルのコイル絶縁紙平均重合度の評価基準を、図8の通りに定めている。一般的には、この規格に従い、平均重合度が450になると思われる時点が油入変圧器の寿命と定義されている。
変圧器の寿命診断では、コイル絶縁紙の平均重合度を測定または推定することが必要となる。しかし、稼動中の油入電気機器のコイル絶縁紙は簡単に採取することができないため、測定が困難である。
従って、変圧器内部の採取可能な絶縁物(プレスボード、リード絶縁紙)の平均重合度や、絶縁紙の分解過程の生成物であるフルフラールやCO2+CO量を測定し、その結果を用いた劣化診断が行われている。これらの劣化診断方法は、後述する非特許文献1や非特許文献2に記載されている。
(イ)重合度法
運転停止中の点検時等に、変圧器内部から絶縁に影響が無い部分のプレスボードやリード絶縁紙を採取して、絶縁紙の劣化度を診断する方法を「重合度法」という。
この重合度法は、採取した絶縁紙の平均重合度から巻線コイルの最も温度が高い箇所(ホットスポット部分)のコイル絶縁紙の劣化度を推定し、寿命を予測する方法である。
絶縁紙は、劣化によって水やCO2、CO等の種々の有機成分を生成する。劣化指標成分として有効なものとして、平均重合度とも相関性があるCO2+CO、更にはフルフラール等がある。このうちCO2+CO法では、油中ガス分析を行い、絶縁紙の最終的な劣化生成物であるCO2+CO量から平均重合度を推定して劣化診断を行う。
セルロースの分解過程でアルデヒド成分のフルフラールが生成される。絶縁油の脱気処理を行ってもフルフラールは85%が油中に残り、気体中に拡散しない。このため、脱気処理の履歴がわかれば、脱気処理をしてあっても利用可能な方法である。
このフルフラール法では、測定したフルフラール量から、図9に示す関係に従って平均重合度を求めているが、フルフラール量に対して平均重合度にかなり幅があるため、劣化度合いの診断結果も大きな幅を持つこととなり、高精度での寿命推定は非常に困難である。
また、静止誘導電器の絶縁媒体をガス分析し、分解生成物の種類や生成量、生成比の変化から局部過熱、アーク放電等の異常を検出する静止誘導電器の異常診断方法において、各種分解生成物の生成量を入力データとし、局部過熱、アーク放電等の異常現象を教師データとして学習させたニューラルネットワークを用いて静止誘導電器の異常を診断する方法が、特許文献2に記載されている。
例えば、(1)重合度法は、油入電気機器の劣化度合いを表す平均重合度を、絶縁紙を直接採取することで測定する方法であるが、機器の運転中には実施できず、運転を停止して行わなければならないという問題がある。
また、(2)CO2+CO法、(3)フルフラール法では、推定した平均重合度の値に大きな幅があり、精度良い劣化診断は困難である。例えば、図9に示したフルフラール法では、測定したフルフラール量に対する平均重合度残率で約20%の幅があり、これは油入電気機器の余寿命に換算すると数十年に相当する程度の誤差である。このように誤差を生じるのは、油入電気機器の運転状態や設計諸元等の違いによって、フルフラール量や平均重合度の値も影響を受けるためであると考えられる。
なお、特許文献1に記載された絶縁診断装置はCO2+CO法を基本とするものであり、フルフラール法と同様に劣化指標成分が少ないため、高精度な診断が困難である。
このうち、重回帰分析手法は線形モデルであるため、入出力関係が線形、すなわち、直線関係で表される場合にしか精度良いモデルを作ることができない。図9からも分かるように、フルフラール量と平均重合度との関係は直線関係とはいえないため、重回帰分析手法を用いても精度良い推定は望めない。
このため、学習データ量の定量的な必要量について言及することは難しいが、少量のデータで学習させた場合は、学習データのばらつきの影響を強く受けてしまい、学習データに過剰に適合してしまう過学習状態に陥る可能性が高い。このように過学習状態に陥ると、学習データに対してはよく適合するが(誤差が少ない)、未学習データに対しては誤差が大きくなってしまうという問題がある。
例えば、30台分の油入変圧器の平均重合度及びその他の入力データが収集できたと仮定する。これらの30台分のデータを全て用いてニューラルネットワークに学習させた場合、前述した過学習状態になってしまった時には、学習した30台については精度良く学習するが、学習させていない新しい別の変圧器に対しての推定精度は悪くなる。
一般に、平均重合度の測定は、機器の運転を停止して行う必要があるため、簡単には実施できない、費用がかかる、等の問題があると共に、平均重合度とその他の入力データである入力因子とが全て揃っている必要があることから、これらの学習データを遺漏なく収集するのは容易ではない。
なお、前述した特許文献2に記載された従来技術でも、診断精度を上げようとすると学習データが増加せざるを得ないという問題があった。
また、本発明は、数十サンプル程度の少ないデータを用いる場合にも高精度な劣化診断を可能とした劣化診断方法を提供することも目的としている。
前述したように、学習データが少ない場合には過学習に陥りやすい。そこで、本発明では、複数の平均重合度推定モデルを用いて過学習となる状態を積極的に複数作り出し、これらの推定モデルによる複数の推定結果を平均する等の方法で加工(アンサンブル処理)することにより、各推定モデルのばらつきを均一化し、その結果として平均重合度の推定精度を向上させた劣化診断方法を提供しようとするものである。
絶縁油中のフルフラール量,二酸化炭素及び一酸化炭素の量,水分量,酸素量,水素量の各測定値を前記劣化指標成分の測定値とし、少なくとも、前記劣化指標成分の測定値と、油入電気機器の運転履歴、保守履歴、及び、油入電気機器の設計諸元を入力因子群とし、前記絶縁紙の平均重合度を出力因子として、モデルの同定または学習を行うことにより、異なる平均重合度推定モデルを重回帰式またはニューラルネットワークによって複数構築し、
診断対象である油入電気機器の前記入力因子群を前記各推定モデルにそれぞれ入力して得られた複数の平均重合度推定値を加工して、前記絶縁紙の最終的な平均重合度を推定するものである。
また、本発明によれば、重合度法では不可能であった機器運転中の劣化診断が可能になると共に、数十サンプル程度の少ないデータを用いる場合にも高精度な劣化診断を行うことができる。
まず、図1は本発明の実施形態を示すフローチャートである。この実施形態にかかる劣化診断方法は、過去の実測データ入力ステップ(S1)、重合度(平均重合度)推定モデル構築ステップ(S2)、診断対象の入力データ入力ステップ(S3)、平均重合度推定ステップ(S4)、及びアンサンブル処理ステップ(S5)から構成されている。
以下、上記各ステップの内容を順次説明する。
油入電気機器の絶縁紙の平均重合度推定モデルを例えばニューラルネットワークにより構築するために、推定モデルの学習データとして、過去に測定した油入電気機器の実測データを入力する。これらの実測データとしては、絶縁油を分析して得られる各種劣化指標成分の量(例えば、フルフラール量、CO2+CO量、水分量、酸素量、水素量等が考えられる)、当該油入電気機器の運転状態(例えば、平均負荷率、絶縁油の交換履歴、絶縁油の脱気処理履歴等の運転履歴、保守履歴が考えられる)、油入電気機器の設計諸元(例えば、絶縁油劣化防止方式、冷却方式、絶縁紙の量、絶縁油の量等が考えられる)、及び、絶縁紙の平均重合度である。
実測データ入力ステップ(S1)にて入力した実測データを用いて、異なる平均重合度推定モデルをニューラルネットワークや重回帰式により複数、構築する。前述した実測データのうち、平均重合度を出力因子として用い、その他の因子を入力因子として用いる。
第1のモデル構築方法は、平均重合度推定モデルを重回帰式の同定により構築する場合に、利用可能な複数の入力因子を任意に組み合わせて異なる入力因子群を形成し、これらの入力因子群を入力とする異なる重回帰式を複数構築する方法である。
第1のモデル構築方法において、これら4種類の入力因子1〜4のうち3種類の入力因子を利用する場合を考えると、入力因子2、入力因子3、入力因子4からなる入力因子群を用いて構築される重回帰式1、入力因子1、入力因子3、入力因子4からなる入力因子群を用いて構築される重回帰式2、入力因子1、入力因子2、入力因子4からなる入力因子群を用いて構築される重回帰式3、入力因子1、入力因子2、入力因子3からなる入力因子群を用いて構築される重回帰式4の4種類の重回帰式が考えられる。
これにより、異なる入力因子群を入力とする重回帰式が平均重合度推定モデルとして複数構築される。
例えば、先の図2に示した例において、入力因子群が共通する10個のサンプルデータ(データ1〜データ10)が利用可能である場合、10個のサンプルデータのうち9個のサンプルデータを利用する場合を考えると、データ1を用いず、データ2〜データ10を用いて構築される重回帰式1、データ2を用いず、データ1,データ3〜データ10を用いて構築される重回帰式2、同様に重回帰式3〜重回帰式10を平均重合度推定モデルとして構築することができる。
なお、本実施形態におけるニューラルネットワークとしては、例えば特開2002−42106号公報に記載された構造のニューラルネットワークを用いることができる。このニューラルネットワークは、複数の入力層素子の一部に中間層素子が結合されてなる疎結合部分を有すると共に、出力層素子は線形関数出力を行い、中間層素子は非線形関数出力または線形関数出力をそれぞれ行う構造、あるいは、前記疎結合部分に加えて、すべての入力層素子に中間層素子が結合されてなる一つの全結合部分を有する構造のニューラルネットワークであり、入出力特性の解析結果と実際のニューラルネットワークの入出力特性を一致させることができるものである。
一般的にニューラルネットワークの学習は、ランダムに発生させた重み結合の初期値をもとに、最急降下法を応用したバックプロパゲーション法によって学習を行わせる。ここで、バックプロパゲーションによって得られる学習済みニューラルネットワークは、重み結合の初期値が異なれば、最終的に学習が終了したニューラルネットワークの重み結合も異なるものとなる。第3のモデル構築方法では、このニューラルネットワークの重み結合の初期値として、異なる複数の初期値を用いることにより、異なる平均重合度推定モデルを複数構築する。
次に、診断対象の油入電気機器について、該当する入力因子を複数の平均重合度推定モデル(同定済みの重回帰式や学習済みのニューラルネットワーク)に入力する。具体的には、絶縁油を分析して得られる各種劣化指標成分の量(例えば、フルフラール量、CO2+CO量、水分量、酸素量、水素量等が考えられる)、当該油入電気機器の運転状態(例えば、平均負荷率、絶縁油の交換履歴、絶縁油の脱気処理履歴等の運転履歴、保守履歴が考えられる)、油入電気機器の設計諸元(例えば、絶縁油劣化防止方式、冷却方式、絶縁紙の量、絶縁油の量等が考えられる)等の平均重合度推定モデルの構築(S2)に用いた入力因子に係るデータを、複数の平均重合度推定モデルにそれぞれ入力する。
上記入力ステップ(S3)により入力したデータに対応する平均重合度を、複数の平均重合度推定モデルによってそれぞれ算出する。
上記推定ステップ(S4)によって得られた複数の平均重合度を加工(アンサンブル処理)して、最終的な平均重合度を推定する。アンサンブル処理の方法としては、以下の第1〜第3の方法が考えられる。
この方法では、平均重合度推定モデルのモデル化誤差として、例えば、モデル化に用いたサンプルデータの誤差の二乗和や絶対値平均誤差等を利用することが考えられる。各推定モデルのモデル化誤差を数式1により表すとすると、各推定モデルの加重平均比率R(i)は、数式2によって表すことができる。
Err(i), i=1〜n(nはモデル数)
nは平均重合度推定モデルのモデル数
Act(j)は、j番目の学習データの教師値
mは学習データのサンプル数
nは平均重合度推定モデルのモデル数
平均重合度推定モデルとしては、3階層型のニューラルネットワークを20個用い、これらのニューラルネットワークの重み結合の初期値をそれぞれ異ならせることによって異なる平均重合度推定モデルを構築した。
また、図3において符号Aを付した「平均」及びその推定誤差は、第1のアンサンブル処理方法によるものであり、モデル1〜20による平均重合度の単純平均値の未学習データに対する推定誤差である。なお、各モデル1〜20についての「加重比率(平均)」は、符号Aの「平均」を求めるための加重比率を意味しており、すべて1/20=0.05となっている。
また、図3において符号Cを付した「最適化」及びその推定誤差は、第3のアンサンブル処理方法を用いた場合の加重平均による推定誤差であり、各モデル1〜20についての「加重比率(最適化)」は、符号Cの「最適化」を求めるための加重比率を意味している。
モデル単体では、図3における最良の結果であるモデル16と最悪の結果であるモデル19の推定誤差は6.98%〜30.67%と広い幅があるため、ニューラルネットワークが非線形モデル化能力に優れているといっても、学習データが少ないために、ニューラルネットワークの学習時における重みの初期値の違いにより良いモデルができる可能性もあるが、良くないモデルができる可能性もあることを示している。
なお、上述した第1〜第3のアンサンブル処理方法では、推定誤差が必ずしも20個のモデルの推定誤差の最良値(モデル16の推定誤差である6.98%)以下となるわけではないが、モデル単体での最悪の結果であるモデル19(推定誤差が30.67%)よりは大幅に推定精度が向上することが確認された。
図4のフルフラール法では、前述したように、あるフルフラール量Fに対する平均重合度残率がG1〜G2の幅を持つため、平均重合度の推定精度が低い。
これに対し、本実施形態ではフルフラール量、CO2+CO量、水分量、酸素量、水素量等の測定値や油入電気機器の運転履歴等を入力因子として複数のニューラルネットワークNN1,NN2,……により平均重合度をそれぞれ推定し、これらの推定値を種々の方法でアンサンブル処理することで最終的な平均重合度を推定するため、より高精度な絶縁紙の劣化診断を行うことが可能である。
このシステムは、データ入力手段11、学習用データベース12、推定用データベース13、学習手段14、ニューラルネットワーク15、推定手段16、アンサンブル手段17、推定結果18及びデータ出力手段19から構成されており、実際のシステム構成としては、パーソナルコンピュータ等の汎用電子計算機及びこの計算機に実装されたプログラムとして実現可能である。なお、図6における学習手段14及び推定手段16は、主としてプログラムにより実現される機能である。
このデータ入力手段11から入力されたデータは、記憶装置からなる学習用データベース12及び推定用データベース13に蓄積される。学習手段14は、学習用データベース12に蓄積されたデータを用いて、複数のニューラルネットワーク15(NN1,NN2,……)に学習させる。
データ出力手段19は、前記推定結果18をCRTや液晶ディスプレイ上に表示したり、プリンタ装置等を用いて印字出力するものである。
なお、上記のシステム構成例はあくまでも例示的に示したものであり、他の形態のシステム構成によっても本発明は実現可能である。
12:学習用データベース
13:推定用データベース
14:学習手段
15:ニューラルネットワーク
16:推定手段
17:アンサンブル手段
18:推定結果
19:データ出力手段
Claims (8)
- 絶縁油中に含まれる劣化指標成分の測定値を用いて油入電気機器の絶縁紙の平均重合度を推定し、この平均重合度により油入電気機器の劣化を診断する方法において、
絶縁油中のフルフラール量,二酸化炭素及び一酸化炭素の量,水分量,酸素量,水素量の各測定値を前記劣化指標成分の測定値とし、少なくとも、前記劣化指標成分の測定値と、油入電気機器の運転履歴、保守履歴、及び、油入電気機器の設計諸元を入力因子群とし、前記絶縁紙の平均重合度を出力因子として、モデルの同定または学習を行うことにより、異なる平均重合度推定モデルを重回帰式またはニューラルネットワークによって複数構築し、
診断対象である油入電気機器の前記入力因子群を前記各推定モデルにそれぞれ入力して得られた複数の平均重合度推定値を加工して、前記絶縁紙の最終的な平均重合度を推定することを特徴とする油入電気機器の劣化診断方法。 - 請求項1記載の油入電気機器の劣化診断方法において、
複数の入力因子を任意に組み合わせてなる異なる入力因子群を用いて、異なる平均重合度推定モデルを複数構築することを特徴とする油入電気機器の劣化診断方法。 - 請求項1記載の油入電気機器の劣化診断方法において、
入力因子群が共通する複数のサンプルデータを任意に組み合わせてなる異なるデータセットを用いて、異なる平均重合度推定モデルを複数構築することを特徴とする油入電気機器の劣化診断方法。 - 請求項1〜3の何れか1項に記載の油入電気機器の劣化診断方法において、
学習時の重み結合の初期値をそれぞれ異ならせたニューラルネットワークを、前記平均重合度推定モデルとして複数構築することを特徴とする油入電気機器の劣化診断方法。 - 請求項1〜3の何れか1項に記載の油入電気機器の劣化診断方法において、
中間層の数をそれぞれ異ならせたニューラルネットワークを、前記平均重合度推定モデルとして複数構築することを特徴とする油入電気機器の劣化診断方法。 - 請求項1〜5の何れか1項に記載の油入電気機器の劣化診断方法において、
複数の平均重合度推定値を加工して前記絶縁紙の最終的な平均重合度を推定する方法として、複数の平均重合度推定値の平均値を、最終的な平均重合度推定値とすることを特徴とした油入電気機器の劣化診断方法。 - 請求項1〜5の何れか1項に記載の油入電気機器の劣化診断方法において、
複数の平均重合度推定値を加工して前記絶縁紙の最終的な平均重合度を推定する方法として、平均重合度推定モデルのモデル化誤差の逆数を加重比率として用いる平均重合度推定値の加重平均値を、最終的な平均重合度推定値とすることを特徴とした油入電気機器の劣化診断方法。 - 請求項1〜5の何れか1項に記載の油入電気機器の劣化診断方法において、
複数の平均重合度推定値を加工して前記絶縁紙の最終的な平均重合度を推定する方法として、最適化手段によって得られる平均重合度推定モデルのモデル化誤差が最小となる比率を加重比率として用いる平均重合度推定値の加重平均値を、最終的な平均重合度推定値とすることを特徴とした油入電気機器の劣化診断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005134155A JP4857597B2 (ja) | 2005-05-02 | 2005-05-02 | 油入電気機器の劣化診断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005134155A JP4857597B2 (ja) | 2005-05-02 | 2005-05-02 | 油入電気機器の劣化診断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2006308515A JP2006308515A (ja) | 2006-11-09 |
JP4857597B2 true JP4857597B2 (ja) | 2012-01-18 |
Family
ID=37475558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005134155A Active JP4857597B2 (ja) | 2005-05-02 | 2005-05-02 | 油入電気機器の劣化診断方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4857597B2 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5494034B2 (ja) * | 2010-03-10 | 2014-05-14 | 富士電機株式会社 | 信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法 |
CN102175795A (zh) * | 2011-01-16 | 2011-09-07 | 青海电力科学试验研究院 | 一种振荡萃取法测试油中糠醛组分的计算方法 |
JP5898597B2 (ja) * | 2012-09-24 | 2016-04-06 | 株式会社日立製作所 | 油入静止誘導電器の余寿命診断方法 |
BR112018009766A8 (pt) * | 2015-12-01 | 2019-02-26 | General Electric Technology Gmbh | método de avaliação inteligente de condição de isolamento principal de isolamento de papel e óleo de transformador |
JP6517728B2 (ja) * | 2016-05-12 | 2019-05-22 | ファナック株式会社 | 射出成形機の逆流防止弁の摩耗量推定装置および摩耗量推定方法 |
WO2019207680A1 (ja) * | 2018-04-25 | 2019-10-31 | 三菱電機株式会社 | 油入電気機器の診断方法 |
CN109596955B (zh) * | 2018-12-30 | 2021-06-22 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
JP7439470B2 (ja) * | 2019-04-11 | 2024-02-28 | 富士電機株式会社 | 情報処理装置、情報処理方法、及びプログラム |
US11719760B2 (en) * | 2020-04-08 | 2023-08-08 | Hitachi Energy Switzerland Ag | Probabilistic determination of transformer end of life |
JP7534118B2 (ja) * | 2020-04-13 | 2024-08-14 | カヤバ株式会社 | 故障予兆システム |
KR102436080B1 (ko) * | 2020-07-20 | 2022-08-25 | 주식회사 원프레딕트 | 오일 여과 여부를 고려한 변압기 상태 예측 진단 방법 및 이러한 방법을 수행하는 장치 |
CN117396896A (zh) * | 2021-05-18 | 2024-01-12 | 株式会社力森诺科 | 预测装置、学习装置、预测方法、学习方法、预测程序及学习程序 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0673336B2 (ja) * | 1992-07-15 | 1994-09-14 | 大阪瓦斯株式会社 | 油入変圧器の異常予測システム |
JPH0794334A (ja) * | 1993-09-21 | 1995-04-07 | Osaka Gas Co Ltd | 油入変圧器の劣化診断システムおよび寿命予測システム |
JPH07235436A (ja) * | 1994-02-25 | 1995-09-05 | Hitachi Ltd | 負荷時タップ切換開閉装置及びその異常診断装置並びにその異常診断方法 |
JP3056369B2 (ja) * | 1994-03-30 | 2000-06-26 | 三菱電機株式会社 | 油入電気機器の寿命診断装置及び方法 |
JPH08124751A (ja) * | 1994-10-25 | 1996-05-17 | Mitsubishi Electric Corp | 油入電気機器の寿命及び異常診断方法 |
JP3365490B2 (ja) * | 1999-02-25 | 2003-01-14 | 日本電気株式会社 | 集合型予測装置 |
JP2002098672A (ja) * | 2000-09-27 | 2002-04-05 | Mitsubishi Electric Corp | 電力用機器内部の異常過熱診断方法 |
JP3855665B2 (ja) * | 2001-03-06 | 2006-12-13 | Kddi株式会社 | 出力状態判定機能を有する並列ニューラルネットワーク処理システム |
JP2004055858A (ja) * | 2002-07-22 | 2004-02-19 | Hitachi Ltd | 油入り変圧器の劣化・余寿命診断システム |
JP2004326200A (ja) * | 2003-04-21 | 2004-11-18 | Mitsubishi Heavy Ind Ltd | 自動機械、機械の自動運転システム、及び、機械の自動運転方法 |
JP2005122438A (ja) * | 2003-10-16 | 2005-05-12 | Fuji Electric Holdings Co Ltd | 予測方法、予測装置、予測プログラムおよび記録媒体 |
JP4742259B2 (ja) * | 2005-02-21 | 2011-08-10 | 国立大学法人鳥取大学 | 油入変圧器の劣化診断法 |
JP4703223B2 (ja) * | 2005-03-14 | 2011-06-15 | 中国電力株式会社 | 油入変圧器の劣化診断方法 |
-
2005
- 2005-05-02 JP JP2005134155A patent/JP4857597B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2006308515A (ja) | 2006-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4857597B2 (ja) | 油入電気機器の劣化診断方法 | |
JP5494034B2 (ja) | 信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法 | |
Ghunem et al. | Artificial neural networks with stepwise regression for predicting transformer oil furan content | |
Tamma et al. | High voltage power transformer condition assessment considering the health index value and its decreasing rate | |
CN105911407B (zh) | 基于物元增广可拓关联的变压器状态模糊集对评估方法 | |
CN112686515B (zh) | 变压器运行状态评估方法、装置、计算机设备和存储介质 | |
Bessissa et al. | Lifetime estimation and diagnosis of XLPE used in HV insulation cables under thermal ageing: arithmetic sequences optimised by genetic algorithms approach | |
Shkolnik et al. | Statistical insights into furan interpretation using a large dielectric fluid testing database | |
Hooshmand et al. | Application of fuzzy logic in fault diagnosis in transformers using dissolved gas based on different standards | |
Prasojo et al. | Health index analysis of power transformer with incomplete paper condition data | |
Prasojo et al. | Development of analytic hierarchy process technique in determining weighting factor for power transformer health index | |
Ashkezari et al. | Multivariate analysis for correlations among different transformer oil parameters to determine transformer health index | |
Singh et al. | Enhanced optimal trained hybrid classifiers for aging assessment of power transformer insulation oil | |
Paul et al. | A multi-gene symbolic regression approach of determining insulating oil interfacial tension | |
Shutenko et al. | Analysis of ageing characteristics of transformer oils under long-term operation conditions | |
Oleg et al. | Diagnosing the condition of transformer oils using the trajectory method | |
Biçen et al. | Smart asset management system for power transformers coupled with online and offline monitoring technologies | |
JP2009170594A (ja) | 油入変圧器の余寿命診断方法 | |
EP3916402B1 (en) | A method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems | |
Qian et al. | Fuzzy synthetic method for life assessment of power transformer | |
Prasojo et al. | Transformer paper condition assessment using adaptive neuro-fuzzy inference system model | |
Nezami et al. | An ANFIS based comprehensive correlation between diagnostic and destructive parameters of transformer’s paper insulation | |
Ghunem et al. | Prediction of furan content in transformer oil using artificial neural networks (ANN) | |
Ciulavu et al. | Power transformer incipient faults monitoring | |
CN102384930B (zh) | 变压器油抗氧化性能的评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110329 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20110422 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20110518 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20111004 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20111017 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 4857597 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20141111 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |