-
公开(公告)号:CN118551171A
公开(公告)日:2024-08-27
申请号:CN202410673062.2
申请日:2021-10-13
Applicant: 三峡大学
IPC: G06F18/20 , G06F18/27 , G06N3/0442 , G06N3/047 , G06N3/048 , G06N3/0499 , G06N3/084 , G06Q10/20 , G06Q50/06
Abstract: 一种变压器状态检修预测方法,包括以下步骤,步骤1:预测待检修变压器未来一段时间的油气数据;步骤2:将历史油气数据及预测的油气数据全部转化为故障率数据;步骤3:从当前时间点开始,按一定时间间隔选取一系列检修参考点;步骤4:从第一个检修参考点开始,依次利用参考点之前的故障率预测检修后的故障率;步骤5:根据预测的检修后故障率,计算有效运行时间;步骤6:计算不同检修参考点的有效时间间隔,按最小的时间间隔确定检修时间点。
-
公开(公告)号:CN114895222A
公开(公告)日:2022-08-12
申请号:CN202210468262.5
申请日:2022-04-29
Applicant: 三峡大学
Abstract: 一种识别变压器各类故障及多重故障的诊断方法,本发明首先对变压器故障的油气数据进行预处理,再构造一个封闭的超球面边界去刻画各类故障样本点的分布区域以及类重叠区域;将某一类故障与其他非该类故障集合之间的非重叠区域样本点输入至支持向量机中进行训练,再将其重叠区域样本点输入至训练好的模型中进行再分类,重新确定该类故障的决策边界和所属样本点,并计算其类重叠度。对其他类故障也是如此,直至所有故障重定位完毕;进行训练,确定每类故障的诊断标准;最后输入要诊断的故障样本点,判断其故障类型;本发明主要是为了解决现阶段多重故障诊断没有考虑类重叠因素对变压器诊断结果的影响,会降低实际的诊断效果的技术问题。
-
公开(公告)号:CN112734028B
公开(公告)日:2022-06-03
申请号:CN202011588082.8
申请日:2020-12-28
Applicant: 三峡大学
Abstract: 一种变压器油中溶解气体浓度预测模型建模方法,选择可能对变压器油中溶解气体预测具有积极影响的重要因素并建立变量环境,设定每一种气体的预测都受到其余所有变量的积极影响,使用长短时记忆网络(LSTM)预测模型分别预测并比较误差,验证假设并提取对待预测气体变量具有积极影响的重要因素,在已筛选出重要因素的基础上,建立融合时间注意力机制的LSTM预测模型,增强重要因素历史时序数据中关键信息的表达,将重要因素对应的时序数据作为融合时间注意力机制的LSTM的输入,预测模型建模完成。本发明方法可以根据已采集的变压器历史运行状态数据,解决基于传统关联性分析方法的变压器油中溶解气体浓度预测方法精度不高的问题。
-
公开(公告)号:CN114021427A
公开(公告)日:2022-02-08
申请号:CN202111192024.8
申请日:2021-10-13
Applicant: 三峡大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F111/08
Abstract: 一种变压器状态检修预测模型及方法,其模型包括基础故障率模块、故障率分析模块以及决策模块,基础故障率模块的输出端与故障率分析模块的输入端连接,故障率分析模块的输出端与决策模块的输入端连接。本发明主要是为了解决现阶段状态检修没有考虑检修时间点对变压器状态的真实影响,会降低实际的检修效果,不利于延长变压器的使用寿命的情况,从而提供一种利用变压器的历史油气数据和检修记录,优化变压器的检修时间点,提高变压器的有效利用时间、延长变压器使用寿命的变压器状态检修预测技术。
-
公开(公告)号:CN112734028A
公开(公告)日:2021-04-30
申请号:CN202011588082.8
申请日:2020-12-28
Applicant: 三峡大学
Abstract: 一种变压器油中溶解气体浓度预测模型建模方法,选择可能对变压器油中溶解气体预测具有积极影响的重要因素并建立变量环境,设定每一种气体的预测都受到其余所有变量的积极影响,使用长短时记忆网络(LSTM)预测模型分别预测并比较误差,验证假设并提取对待预测气体变量具有积极影响的重要因素,在已筛选出重要因素的基础上,建立融合时间注意力机制的LSTM预测模型,增强重要因素历史时序数据中关键信息的表达,将重要因素对应的时序数据作为融合时间注意力机制的LSTM的输入,预测模型建模完成。本发明方法可以根据已采集的变压器历史运行状态数据,解决基于传统关联性分析方法的变压器油中溶解气体浓度预测方法精度不高的问题。
-
-
-
-