基于生成对抗网络的有载调压开关故障检测研究

doi:10.3976/j.issn.1002-4026.2023.06.009

山东科学 ›› 2023, Vol. 36 ›› Issue (6): 68-73.doi: 10.3976/j.issn.1002-4026.2023.06.009

基于生成对抗网络的有载调压开关故障检测研究

姜晓东¹(), 王磊磊¹, 孙鹏¹, 杨光¹, 耿俊琪¹, 王家文², 黄胜², 渠帅²^,^*(), 王晨², 尚盈²

1.国网山东省电力公司淄博供电公司,山东淄博 255000
2.齐鲁工业大学(山东省科学院) 激光研究所,山东济南 250104

收稿日期:2022-12-29 出版日期:2023-12-20 发布日期:2023-12-07
通信作者: * 渠帅,男,助理研究员,研究方向为光纤传感。Tel: 17861431855,E-mail: qushuai@sdlaser.cn
作者简介:姜晓东(1991—),男,硕士,工程师,研究方向为电力系统。E-mail: 1016466541@qq.com
基金资助:
国网山东省电力公司科技项目(520603220003)

Fault detection of an on-load tap changer based on generative adversarial network

JIANG Xiaodong¹(), WANG Leilei¹, SUN Peng¹, YANG Guang¹, GENG Junqi¹, WANG Jiawen², HUANG Sheng², QU Shuai²^,^*(), WANG Chen², SHANG Ying²

1. State Grid Shandong Electric Power Company Zibo Power Supply Company,Zibo 255000, China
2. Laser Research Institute, Qilu University of Technology(Shandong Academy of sciences),Jinan 250014,China

Received:2022-12-29 Online:2023-12-20 Published:2023-12-07

摘要/Abstract

摘要：

实际应用中电力变压器故障数据获取困难,导致在处理变压器故障数据时会由于存在不平衡数据对深入分析结果产生很大的影响。为了解决上述问题,结合对抗神经网络和人工神经网络对不平衡数据进行处理与判断,利用基于超弱光纤布拉格光栅的分布式声波传感技术对实验室搭建的变压器的模拟现场进行数据采集与分析,并在采集到的变压器故障模拟数据的检测上取得很好的效果。这种方法对基于对抗生成网络的有载变压器小样本故障识别系统具有重要的借鉴意义。

关键词: 人工神经网络, 点式传感器, 有载变压器, 故障检测, 模式识别, 对抗生成网络, 数据增强

Abstract:

The probability of power transformer failure is extremely low, which leads to a great impact on further in-depth analysis results due to unbalanced data when processing transformer fault data. To solve these problems, this study processes and judges the unbalanced data using an confrontation neural network combined with an artificial neural network, uses the distributed acoustic wave sensing technology based on ultraweak fiber Bragg gratings to collect and analyze the data of the simulation site of the transformer built in a laboratory, and achieves good results on the collected transformer fault simulation data. This method has an important referential significance for developing the small sample fault identification system of the on-load transformer using confrontation generation network.

Key words: artificial neural network, point sensor, on-load transformer, fault detection, pattern recognition, generative adversarial networks, data enhancement

中图分类号:

TN247

姜晓东, 王磊磊, 孙鹏, 杨光, 耿俊琪, 王家文, 黄胜, 渠帅, 王晨, 尚盈. 基于生成对抗网络的有载调压开关故障检测研究[J]. 山东科学, 2023, 36(6): 68-73.

JIANG Xiaodong, WANG Leilei, SUN Peng, YANG Guang, GENG Junqi, WANG Jiawen, HUANG Sheng, QU Shuai, WANG Chen, SHANG Ying. Fault detection of an on-load tap changer based on generative adversarial network[J]. Shandong Science, 2023, 36(6): 68-73.

图/表 6

图1

图2

图3

图4

图5

图6

参考文献 14

[1]	林明霞. 一种实现φ-OTDR系统长距离监测的方法及系统: CN104457808A[P]. 2015-03-25.
[2]	张知先, 陈伟根, 汤思蕊, 等. 基于互补集总经验模态分解和局部异常因子的有载分接开关状态特征提取及异常状态诊断[J]. 电工技术学报, 2019, 34(21): 4508-4518. DOI: 10.19595/j.cnki.1000-6753.tces.181320.
[3]	聂鹏. 浅谈电力变压器故障分析及其诊断方法[J]. 科技创新与应用, 2014(12): 121.
[4]	赵彤. 有载分接开关机械状态的在线监测与故障诊断技术研究[D]. 济南: 山东大学, 2008.
[5]	钟龙申, 高学军, 王振友. 一种新的基于K-means改进SMOTE算法在不平衡数据集分类中的应用[J]. 数学的实践与认识, 2015, 45(19): 198-206.
[6]	DOUZAS G, BACAO F, LAST F. Improving imbalanced learning through a heuristic oversampling method based on K-means and SMOTE[J]. Information Sciences, 2018, 465: 1-20. DOI: 10.1016/j.ins.2018.06.056.
[7]	WU H J, CHEN J P, LIU X R, et al. One-dimensional CNN-based intelligent recognition of vibrations in pipeline monitoring with DAS[J]. Journal of Lightwave Technology, 2019, 37(17): 4359-4366. DOI: 10.1109/JLT.2019.2923839.
[8]	SHI Y, WANG YY, WANG L Y, et al. Multi-event classification for Φ-OTDR distributed optical fiber sensing system using deep learning and support vector machine[J]. Optik, 2020, 221: 165373. DOI: 10.1016/j.ijleo.2020.165373.
[9]	SHI Y, LI Y H, ZHANG Y C, et al. An easy access method for event recognition of Φ-OTDR sensing system based on transfer learning[J]. Journal of Lightwave Technology, 2021, 39(13): 4548-4555. DOI: 10.1109/JLT.2021.3070583.
[10]	JIANG F, LI H L, ZHANG Z H, et al. An event recognition method for fiber distributed acoustic sensing systems based on the combination of MFCC and CNN[C]∥ 2017 International Conference on Optical Instruments and Technology:Advanced Optical Sensors and Applications. Beijing, China: SPIE, 2018, 10618: 15-21. DOI:10.1117/12.2286220.
[11]	董贯雷, 姜晓东, 孙鹏, 等. 基于分布式光纤传感系统的有载变压器故障检测技术研究[J]. 山东科学, 2023, 36(5): 52-59. DOI:10.3976/j.issn.1002-4026.2023.05.007.
[12]	陈先昌. 基于卷积神经网络的深度学习算法与应用研究[D]. 杭州: 浙江工商大学, 2014.
[13]	刘刚坤, 李宝福. 基于光纤布拉格光栅的多点压力测量[J]. 计量与测试技术, 2022, 49(8): 57-60. DOI: 10.15988/j.cnki.1004-6941.2022.8.016.
[14]	张跃, 刘伟, 胡波, 等. 一种基于GAN网络的样本数据增强方法及系统: CN113962360A[P]. 2022-01-21.

基于生成对抗网络的有载调压开关故障检测研究

Fault detection of an on-load tap changer based on generative adversarial network

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 14

相关文章 6

Metrics

本文评价

推荐阅读 0

[1]	董贯雷, 姜晓东, 孙鹏, 杨光, 耿俊琪, 王家文, 渠帅, 黄胜, 王晨, 尚盈. 基于分布式光纤传感系统的有载变压器故障检测技术研究[J]. 山东科学, 2023, 36(5): 52-59.
[2]	曾朝晖,王江锋,教欣萍,熊慧媛,龚希志. 基于集群智能的高速公路交通状态识别算法[J]. 山东科学, 2022, 35(3): 72-81.
[3]	孙凤娟,田勇,孙开争,付华轩,张文娟,李敏,吕晨. 基于人工神经网络集合预报的济南市臭氧预报方法[J]. 山东科学, 2022, 35(3): 89-99.
[4]	李连伟,张源榆,岳增友,薛存金,付宇轩,徐洋峰. 基于全卷积网络模型的高分遥感影像内陆网箱养殖区提取[J]. 山东科学, 2022, 35(2): 1-10.
[5]	王竹青，郑轶，巩小东，杨冰，杨红艳，齐斌. 基于人工神经网络模型的臭氧生成灵敏度预测[J]. J4, 2012, 25(6): 10-14.
[6]	刘高伟，赫春梅，陈莉. 带分布时滞奇异系统的H_∞故障检测[J]. J4, 2012, 25(3): 39-44.