-
公开(公告)号:CN113671421A
公开(公告)日:2021-11-19
申请号:CN202110976585.0
申请日:2021-08-24
申请人: 华北电力大学(保定) , 国家电网有限公司 , 国网江苏省电力有限公司检修分公司
摘要: 本发明提供了一种变压器状态评估与故障预警方法,该方法包括:通过采集模块采集监测参量,并将其传输给边缘代理模块中的智能分析模型,在智能分析模型中进行数据预处理及时序预测,得到序列数据,将序列数据传输给边缘代理模块中的综合分析模型,通过综合分析模型对序列数据进行诊断分析,得到变压器状态变化趋势及预警消息,将监测参量、变压器状态变化趋势及预警消息定时上传至云端管理平台,云端管理平台根据监测参量、变压器状态变化趋势及预警消息对变压器进行状态评估,得到变压器评估报告并返回至边缘代理模块。本发明提供的变压器状态评估与故障预警方法,改善了变压器的管理方法,提高了变压器的监测效率。
-
公开(公告)号:CN113591401A
公开(公告)日:2021-11-02
申请号:CN202110974644.0
申请日:2021-08-24
申请人: 华北电力大学(保定) , 国家电网有限公司 , 国网江苏省电力有限公司检修分公司
IPC分类号: G06F30/27 , G06F16/906 , G06F16/909 , G06F111/04
摘要: 本发明公开了一种基于时间序列分解的电力变压器数据清洗方法,该方法包括:S1,根据变压器的监测数据,获得原始的时间序列,并对时间序列中的缺失数据、冲突数据进行初步检测;S2,采用变分模态分解算法对时间序列进行分解,利用时间序列与表征趋势项的模态分量相减得到残差序列,异常值在残差序列中得到更好的表征;S3,利用DBCSAN聚类算法对残差序列进行聚类分析,得到时间序列的异常数据点;S4,剔除时间序列的异常数据点,为保证时间序列的连续完整,采用SVR对数据进行清洗重构。本发明针对电力变压器监测数据异常构建了异常数据识别以及数据修复重构的完整数据清洗流程。
-
公开(公告)号:CN111832664A
公开(公告)日:2020-10-27
申请号:CN202010755926.7
申请日:2020-07-31
申请人: 华北电力大学(保定)
摘要: 本发明公开了一种基于Borderline SMOTE的电力变压器故障样本均衡化和故障诊断方法,均衡化方法包括搜索少数类样本、分类少数样本、生成新样本步骤,故障诊断方法还包括故障诊断步骤。本发明增加了边界样本附近的少数样本,降低了边界样本的误判率,从而提高了分类准确性;适用于多种人工智能算法对非均衡数据集的处理,可直接移植和扩展到分类算法中,具有较强的普适性和泛化性。
-
公开(公告)号:CN110398650A
公开(公告)日:2019-11-01
申请号:CN201910717685.4
申请日:2019-08-05
申请人: 国网河北省电力有限公司电力科学研究院 , 华北电力大学(保定) , 国家电网有限公司
摘要: 本发明公开了一种基于k-邻近SMOTE和深度学习的变压器故障诊断方法,包括对初始不平衡样本集做预处理、DNN神经网络训练、诊断测试步骤。本发明在进行插值前,先对少数类样本进行聚类,以聚类划分的区域进行插值,避免了在插入数据的过程中由于存在泛化性而导致数据分布边缘化以及模糊正负类边界的问题;生成的插值在簇心和原始少数类样本点的连线上,这样就不会存在数据分布边缘化的情况,改善了诊断效果。
-
公开(公告)号:CN113591401B
公开(公告)日:2023-10-20
申请号:CN202110974644.0
申请日:2021-08-24
申请人: 华北电力大学(保定) , 国家电网有限公司 , 国网江苏省电力有限公司检修分公司
IPC分类号: G06F30/27 , G06F16/906 , G06F16/909 , G06F111/04
摘要: 本发明公开了一种基于时间序列分解的电力变压器数据清洗方法,该方法包括:S1,根据变压器的监测数据,获得原始的时间序列,并对时间序列中的缺失数据、冲突数据进行初步检测;S2,采用变分模态分解算法对时间序列进行分解,利用时间序列与表征趋势项的模态分量相减得到残差序列,异常值在残差序列中得到更好的表征;S3,利用DBCSAN聚类算法对残差序列进行聚类分析,得到时间序列的异常数据点;S4,剔除时间序列的异常数据点,为保证时间序列的连续完整,采用SVR对数据进行清洗重构。本发明针对电力变压器监测数据异常构建了异常数据识别以及数据修复重构的完整数据清洗流程。
-
公开(公告)号:CN111860658A
公开(公告)日:2020-10-30
申请号:CN202010721965.5
申请日:2020-07-24
申请人: 华北电力大学(保定)
摘要: 本发明公开了一种基于代价敏感和集成学习的变压器故障诊断方法,该方法包括:对多种变压器故障数据进行预处理,分为训练样本集和测试集;基于AdaCost算法建立变压器故障诊断模型;使用分布权重为Dt的训练样本集训练得到弱学习器ht(x);计算ht(x)的学习误差率和在形成强分类器过程中所占的权重;引入代价因子,更新训练样本集中各样本的权重分布;反复迭代,直至学习误差率满足误差率要求的迭代次数,形成强学习器;将测试集输入所述强学习器中,进行投票确定故障类型。本发明提供的基于代价敏感和集成学习的变压器故障诊断方法,基于AdaCost算法,解决不平衡数据集下分类器整体精度低的问题,进而提高故障判断准确性。
-
公开(公告)号:CN113673162B
公开(公告)日:2024-06-28
申请号:CN202110976514.0
申请日:2021-08-24
申请人: 华北电力大学(保定) , 国家电网有限公司 , 国网江苏省电力有限公司检修分公司
IPC分类号: G06F30/27 , G06Q10/0639 , G06Q50/06 , G06N7/02 , G06F111/10
摘要: 本发明提供了一种基于模糊评判及DSmT的变压器本体状态评估方法,该方法包括:获取指标参数,对指标参数进行相对劣化度转化,得到相对劣化度值,计算各类指标参数对其试验模块的单指标权重及各个试验模块的权重,搭建模糊评判模型,将相对劣化度值输入模糊评判模型中,得到单指标状态等级隶属度,基于DSmT对单指标状态等级隶属度、单指标权重及试验模块的权重进行两次融合,得到变压器本体状态等级隶属度,根据等级隶属度,得到变压器本体状态等级结果。本发明提供的基于模糊评判及DSmT的变压器本体状态评估方法,克服了等级边界绝对化的局限性,有效地解决变压器状态评估中存在的不确定性问题,能够整体地反映变压器本体的绝缘状态。
-
公开(公告)号:CN110398650B
公开(公告)日:2023-02-03
申请号:CN201910717685.4
申请日:2019-08-05
申请人: 国网河北省电力有限公司电力科学研究院 , 华北电力大学(保定) , 国家电网有限公司
摘要: 本发明公开了一种基于k‑邻近SMOTE和深度学习的变压器故障诊断方法,包括对初始不平衡样本集做预处理、DNN神经网络训练、诊断测试步骤。本发明在进行插值前,先对少数类样本进行聚类,以聚类划分的区域进行插值,避免了在插入数据的过程中由于存在泛化性而导致数据分布边缘化以及模糊正负类边界的问题;生成的插值在簇心和原始少数类样本点的连线上,这样就不会存在数据分布边缘化的情况,改善了诊断效果。
-
公开(公告)号:CN113673162A
公开(公告)日:2021-11-19
申请号:CN202110976514.0
申请日:2021-08-24
申请人: 华北电力大学(保定) , 国家电网有限公司 , 国网江苏省电力有限公司检修分公司
IPC分类号: G06F30/27 , G06Q10/06 , G06Q50/06 , G06N7/02 , G06F111/10
摘要: 本发明提供了一种基于模糊评判及DSmT的变压器本体状态评估方法,该方法包括:获取指标参数,对指标参数进行相对劣化度转化,得到相对劣化度值,计算各类指标参数对其试验模块的单指标权重及各个试验模块的权重,搭建模糊评判模型,将相对劣化度值输入模糊评判模型中,得到单指标状态等级隶属度,基于DSmT对单指标状态等级隶属度、单指标权重及试验模块的权重进行两次融合,得到变压器本体状态等级隶属度,根据等级隶属度,得到变压器本体状态等级结果。本发明提供的基于模糊评判及DSmT的变压器本体状态评估方法,克服了等级边界绝对化的局限性,有效地解决变压器状态评估中存在的不确定性问题,能够整体地反映变压器本体的绝缘状态。
-
公开(公告)号:CN113610735A
公开(公告)日:2021-11-05
申请号:CN202110982650.0
申请日:2021-08-25
申请人: 华北电力大学(保定) , 国家电网有限公司 , 国网江苏省电力有限公司检修分公司
摘要: 本发明公开了一种面向电力设备红外图像的混合噪声去除方法,包括步骤:S1)利用TWSC模型对含有混合噪声的电力设备红外图像进行初步去噪,滤除掉高斯噪声;S2)采用SGTD模型对滤除掉高斯噪声的电力设备红外图像进行结构纹理分解,得到结构部分和纹理部分;S3)采用中值滤波对纹理部分的剩余脉冲噪声进行滤除,在保护电力设备红外图像结构信息的同时实现混合噪声的去除;S4)对去噪后的纹理分量和结构分量进行重构,得到去噪后的电力设备红外图像。本发明结合TWSC模型、图像结构纹理分解以及中值滤波算法对含有混合噪声的电力设备红外图像的噪声进行滤除,达到在滤除混合噪声的同时较好地保持了图像的边缘信息与纹理特征。
-
-
-
-
-
-
-
-
-