[发明专利]基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法在审
申请号: | 201410512283.8 | 申请日: | 2014-09-29 |
公开(公告)号: | CN104297589A | 公开(公告)日: | 2015-01-21 |
发明(设计)人: | 张琪;王若星;王洪波;李秀珍;王璐;毛峰;郭夏;郭翀 | 申请(专利权)人: | 国家电网公司;国网河南省电力公司检修公司 |
主分类号: | G01R31/00 | 分类号: | G01R31/00 |
代理公司: | 郑州金成知识产权事务所(普通合伙) 41121 | 代理人: | 郭增欣 |
地址: | 100033 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 粗糙 贝叶斯 网络 油浸式 变压器 故障诊断 方法 | ||
技术领域
本发明涉及一种油浸式变压器故障诊断方法,尤其涉及一种基于粗糙集和贝叶斯网络相结合的油浸式变压器在线故障诊断方法。
背景技术
电力变压器是电力系统中最重要的设备之一,它的正常运行是整个电力系统可靠供电的基本保证,但由于电力变压器故障的复杂性和多样性,以及引起这些故障的原因非常复杂且不明显,使得要准确地判断电力变压器的故障类型相当的困难,因此其故障诊断技术的研究一直是国内外学者关注的热点。
基于油中溶解气体分析的三比值法是目前应用最广泛的诊断方法,它具有简单易用的特点,但是它也存在许多缺陷,如故障划分区间过于绝对,编码不全等。
专利公开号为:CN103197177A的中国专利公开了名为“一种基于贝叶斯网络的变压器故障诊断分析方法”的故障诊断方法。该方法依据最大后验概率准则基于变压器监测数据进行故障分类,有助于准确、快速地诊断变压器故障类型,但是没有考虑各种属性变量之间的联系,油中各种气体的含量或者各种气体之间的比值与变压器各种故障之间的关系是紧密相连和十分复杂的,而且每个属性变量的权重也不一样,该方法仅仅将C2H2、C2H4、 CH4、 H2、C2H6、CO2、CO这些特征气体分别作为属性变量,容易造成诊断结果模糊,故障甚至无法判别。
发明内容
本发明所要解决的技术问题:克服现有技术的不足,提供一种简化诊断网络规模、增强网络的抗干扰性且提高故障诊断准确率的基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法。
本发明的技术方案是:
一种基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法,包括以下步骤:a、根据IEC标准和DL/T 722-2000导则,确定故障类型;在原始样本集中选取尽可能多的输入故障特征矢量,确定输入属性集;
b、利用粗糙集理论中的数据离散化方法对故障数据集进行离散化处理,建立离散化决策表,利用粗糙集理论中的Johnson’s algorithm算法方法对离散化后的决策表进行约简,去除冗余信息,减少了诊断所需属性的个数,制定出训练样本集和测试样本集的数据离散化方法;
c、利用Matlab进行贝叶斯网络的构建,确定贝叶斯网络的网络结构、节点参数、网络参数学习及推断等;
d、初始化条件概率表,条件概率表(CPT)列出了每个结点相对于其父结点所有可能的条件概率,其对应问题领域的定量描述;
e、进行参数学习;建立推断引擎,创建贝叶斯网络之后可以用它来进行推断;
f、输入测试样本集,求解后验概率,判断故障类别。
创建贝叶斯网络的框架,除了指定图形结构,还要指定每个节点的大小和类型,如果一个节点是离散的,它的大小就是该节点可能采取的数值。
当完整数据时,学习参数的方法有两种:最大似然性估计learn params和贝叶斯方法bayes update params;数据缺失时,如果已知网络拓扑结构用EM算法来计算参数,倘若未知网络拓扑结构,则使用结构最大期望SEM(Structural EM)算法learn struct EM。
为了提高运算速度,使各种推理算法能够有效应用,不同的引擎根据不同的算法来完成模型转换、细化和求解。 所述故障类型分别为中低温过热、高温过热、局部放电、低能放电和高能放电。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国家电网公司;国网河南省电力公司检修公司,未经国家电网公司;国网河南省电力公司检修公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201410512283.8/2.html,转载请声明来源钻瓜专利网。
- 上一篇:树脂基碳纤维复合材料耐酸泵的叶轮及其制造方法
- 下一篇:一种旋转显示屏机构