CN103197177B - 一种基于贝叶斯网络的变压器故障诊断分析方法 - Google Patents
一种基于贝叶斯网络的变压器故障诊断分析方法 Download PDFInfo
- Publication number
- CN103197177B CN103197177B CN201310090961.1A CN201310090961A CN103197177B CN 103197177 B CN103197177 B CN 103197177B CN 201310090961 A CN201310090961 A CN 201310090961A CN 103197177 B CN103197177 B CN 103197177B
- Authority
- CN
- China
- Prior art keywords
- centerdot
- transformer
- probability
- variable
- fault
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000013459 approach Methods 0.000 title claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 17
- 206010020843 Hyperthermia Diseases 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000004587 chromatography analysis Methods 0.000 claims description 3
- 238000010891 electric arc Methods 0.000 claims description 3
- 230000036031 hyperthermia Effects 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于贝叶斯网络的变压器故障诊断分析方法,具体步骤为:步骤一:确定变压器油色谱的属性变量Y={Y1,.Y2,Y3…Yn}yi是Yi的取值和故障类型变量D={D1,D2,D3…Dm}dm为Dm的取值:以变压器油色谱的特征气体作为变压器油色谱的属性变量,以变压器出现的故障类型作为故障类型变量;步骤二:根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数;步骤三:利用连接树算法确定变压器的故障类型。
Description
技术领域
本发明涉及一种故障诊断分析方法,尤其涉及一种基于贝叶斯网络的变压器故障诊断分析方法。
背景技术
随着社会的发展,电力日益成为国民经济的重要组成部分,现代工农业的快速发展对输变电提出了更高的要求。2009年国家电网公司提出构建以特高压为骨干网架、各级电网协调发展的智能电网以及智能电网发展战略框架的六个环节更突显了输变电的重要性。智能化变电站的安全可靠运行是实现整个智能电网稳定运行主要条件之一,而智能化电力变压器又是智能化变电站的重要组成部分,因此及时可靠地对智能化电力变压器潜在的故障进行诊断,对于保障智能电网运行具有十分重要的意义。
变压器故障不仅影响整个变电站的安全运行,还危及其它设备及人身安全,因此对变压器设备进行准确的故障诊断具有重要意义。基于贝叶斯网络理论,综合变压器设备的各种检测数据,提出了变压器设备故障诊断的贝叶斯网络模型,将贝叶斯网络方法引入变压器的故障诊断中,根据变压器故障诊断及维修的特点改进了贝叶斯网络的推断过程。
申请号为:201210034485.7,发明名称为基于多模块贝叶斯网的电子电路故障诊断方法的申请,虽然也是利用贝叶斯网络监测故障的,但是它是用于电子电路的故障诊断方法,所解决的目的不一样,而且它得到贝叶斯网络结构后,还需将故障原因源映射至各BN子网,加大了结构的复杂性;而本申请只需要确定贝叶斯结构网络即可。
申请号为:201210196906,发明名称为一种电力变压器***状态分析和维修决策判断方法,该申请中需要计算同类变压器历史监测数据Y在正常状态的概率分布函数h0(y)和故障状态下的概率分布函数h1(y),尤其随着变压器故障诊断技术的提高,变压器出现故障的几率也在大幅度下降,此方面故障信息的不足易导致最终变压器诊断结果准确率的降低。
申请号为:201210358681,发明名称为基于粗糙贝叶斯网络分类器的智能故障诊断方法,该申请大部分实在介绍粗糙集原理的应用,而对于贝叶斯网络的介绍只是在求概率是应用到,并未提到贝叶斯网络分类器对于变压器故障分类的优势,扩大了计算量。
发明内容
本发明的目的就是为了解决上述问题,提供一种基于贝叶斯网络的变压器故障诊断分析方法,它具有结合溶解气体分析建立了变压器综合个故障诊断算法,该方法能够有效直观的进行变压器故障诊断的优点。
为了实现上述目的,本发明采用如下技术方案:
一种基于贝叶斯网络的变压器故障诊断分析方法,具体步骤为:
步骤一:确定变压器油色谱的属性变量Y={Y1,.Y2,Y3…Yn}yi是Yi的取值和故障类型变量D={D1,D2,D3…Dm}dm为Dm的取值:以变压器油色谱的特征气体作为变压器油色谱的属性变量,以变压器出现的故障类型作为故障类型变量;
步骤二:根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数;
步骤三:利用连接树算法确定变压器的故障类型。
所述步骤一中变压器油色谱的属性变量为C2H2,C2H4,CH4,H2,C2H6,CO2,CO,所述步骤一中的变压器出现的故障类型为高温过热、中温过热、低温过热、火花放电、电弧放电、正常。
所述步骤二的具体步骤为:
(2-1)确定为建立网络模型有关的变量及其解释;
(2-2)建立一个表示条件独立断言的有向无环图,根据概率乘法公式有
用Pbm表示Yi的父节点集,则
其中,n表示变压器油色谱属性变量的个数,i=1,2,…,n;
(2-3)为每一个属性变量Yi的父节点集的各个状态指派局部概率分布P(Yi/Pbm)。
所述步骤三的具体步骤为:
(3-1)收集变压器属性变量的发生情况,根据贝叶斯定理,Ii=(y1,y2,…yn)属于故障类别变量Dm的概率为
式中:β是正则化因子,一般取1;P(Dj)是Dj的先验概率;P(Dj/y1,y2,…yn)是Dj的后验概率;后验概率反映了样本数据对Dj的影响,将公式(3)表示为:
(3-2)选择没有进行的但已经发生的具有最高概率的属性变量,并分析其父节点的状态;
(3-3)选择没有进行的且具有最高概率的父节点,根据其概率信息计算其对于故障的绝对概率信息,若该节点还有父节点,则按照步骤(3-2)的方法执行直到无父节点为止;
(3-4)根据贝叶斯最大后验准则,公式(4)表示为:
根据公式(5),确定Ii=(y1,y2,…yn)属于故障类别变量Dm的概率。
(3-5)根据概率信息确定故障原因,按故障原因概率大小输出结果,由最大概率解对变压器进行检修,排除故障。
本发明的有益效果:
(1)本发明所涉及的贝叶斯网络在确定贝叶斯网络分类器后运用概率的知识,求得的后验概率最大者即为所对应的故障分类。同时数据来源是基于在线监测的实时有效数据,有效地避开了历史信息不全面造成的影响。
(2)本申请建立了变压器贝叶斯故障诊断模型,该模型不仅继承了贝叶斯网络的优点,同时又具有适于分类的优势。本申请将贝叶斯网络分类器应用于变压器故障诊断中,结合溶解气体分析建立了变压器综合个故障诊断算法,该方法能够有效直观的进行变压器故障诊断。
(3)本发明在DGA分析方法的基础上,提出了一种新型变压器故障诊断分析方法,此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。
(4)该分析方法的数据来源于变压器在线监测***实时监测的现场气体数据,不仅监测变压器出现故障时产生的氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳等信息,并根据某些气体的突变预测出变压器故障,该方法简单、预测准确。
附图说明
图1为本发明的流程图;
图2为贝叶斯结构示例图;
图3为基于贝叶斯网络的变压器故障诊断模型。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,一种基于贝叶斯网络的变压器故障诊断分析方法,具体步骤为:
步骤一:确定变压器油色谱的属性变量Y={Y1,.Y2,Y3…Yn}yi是Yi的取值和故障类型变量D={D1,D2,D3…Dm}dm为Dm的取值:以变压器油色谱的特征气体作为变压器油色谱的属性变量,以变压器出现的故障类型作为故障类型变量;
步骤二:根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数;
步骤三:利用连接树算法确定变压器的故障类型。
所述步骤一中变压器油色谱的属性变量为C2H2,C2H4,CH4,H2,C2H6,CO2,CO,所述步骤一中的变压器出现的故障类型为高温过热、中温过热、低温过热、火花放电、电弧放电、正常;
所述步骤二的具体步骤为:
(2-1)确定为建立网络模型有关的变量及其解释;
(2-2)建立一个表示条件独立断言的有向无环图,根据概率乘法公式有
用Pbm表示Yi的父节点集,则
其中,n表示变压器油色谱属性变量的个数,i=1,2,…,n;
(2-3)为每一个属性变量Yi的父节点集的各个状态指派局部概率分布P(Yi/Pbm)。
所述步骤三的具体步骤为:
(3-1)收集变压器属性变量的发生情况,根据贝叶斯定理,Ii=(y1,y2,…yn)属于故障类别变量Dm的概率为
式中:β是正则化因子,一般取1;P(Dj)是Dj的先验概率;P(Dj/y1,y2,…yn)是Dj的后验概率;后验概率反映了样本数据对Dj的影响,将公式(3)表示为:
(3-2)选择没有进行的但已经发生的具有最高概率的属性变量,并分析其父节点的状态;
(3-3)选择没有进行的且具有最高概率的父节点,根据其概率信息计算其对于故障的绝对概率信息,若该节点还有父节点,则按照步骤(3-2)的方法执行直到无父节点为止;
(3-4)根据贝叶斯最大后验准则,公式(4)表示为:
根据公式(5),确定Ii=(y1,y2,…yn)属于故障类别变量Dm的概率。
(3-5)根据概率信息确定故障原因,按故障原因概率大小输出结果,由最大概率解对变压器进行检修,排除故障。
如图2所示为贝叶斯结构示例图,如图3为基于贝叶斯网络的变压器故障诊断模型。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (2)
1.一种基于贝叶斯网络的变压器故障诊断分析方法,其特征是,具体步骤为:
步骤一:确定变压器油色谱的属性变量Y={Y1,Y2,Y3,…,Yn}yi是Yi的取值和故障类型变量D={D1,D2,D3,…,Dm}dm为Dm的取值:以变压器油色谱的特征气体作为变压器油色谱的属性变量,以变压器出现的故障类型作为故障类型变量;
步骤二:根据变压器油色谱的属性变量和故障类型变量确立贝叶斯网络分类模型及网络的结构参数和概率参数;
步骤三:利用连接树算法确定变压器的故障类型;
所述步骤二的具体步骤为:
(2-1)确定为建立网络模型有关的变量及其解释;
(2-2)建立一个表示条件独立断言的有向无环图,根据概率乘法公式有
用Pbm表示Yi的父节点集,则
其中,n表示变压器油色谱属性变量的个数,i=1,2,…,n;
(2-3)为每一个属性变量Yi的父节点集的各个状态指派局部概率分布P(Yi/Pbm);
所述步骤三的具体步骤为:
(3-1)收集变压器属性变量的发生情况,根据贝叶斯定理,Ii=(y1,y2,…,yn)属于故障类别变量Dm的概率为
式中:β是正则化因子,一般取1;P(Dj)是Dj的先验概率;P(Dj/y1,y2,…yn)是Dj的后验概率;后验概率反映了样本数据对Dj的影响,将公式(3)表示为:
(3-2)选择没有进行的但已经发生的具有最高概率的属性变量,并分析其父节点的状态;
(3-3)选择没有进行的且具有最高概率的父节点,根据其概率信息计算其对于故障的绝对概率信息,若该节点还有父节点,则按照步骤(3-2)的方法执行直到无父节点为止;
(3-4)根据贝叶斯最大后验准则,公式(4)表示为:
根据公式(5),确定Ii=(y1,y2,…,yn)属于故障类别变量Dm的概率;
(3-5)根据概率信息确定故障原因,按故障原因概率大小输出结果,由最大概率解对变压器进行检修,排除故障。
2.如权利要求1所述一种基于贝叶斯网络的变压器故障诊断分析方法,其特征是,所述步骤一中变压器油色谱的属性变量为C2H2、C2H4、CH4、H2、C2H6、CO2、CO,所述步骤一中的变压器出现的故障类型为高温过热、中温过热、低温过热、火花放电、电弧放电、正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310090961.1A CN103197177B (zh) | 2013-03-20 | 2013-03-20 | 一种基于贝叶斯网络的变压器故障诊断分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310090961.1A CN103197177B (zh) | 2013-03-20 | 2013-03-20 | 一种基于贝叶斯网络的变压器故障诊断分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103197177A CN103197177A (zh) | 2013-07-10 |
CN103197177B true CN103197177B (zh) | 2015-09-23 |
Family
ID=48719860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310090961.1A Active CN103197177B (zh) | 2013-03-20 | 2013-03-20 | 一种基于贝叶斯网络的变压器故障诊断分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103197177B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108806A (zh) * | 2019-04-04 | 2019-08-09 | 广州供电局有限公司 | 基于概率信息压缩的变压器油色谱数据表示方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389430B (zh) * | 2013-08-06 | 2016-12-28 | 华北电力大学 | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 |
CN105900022A (zh) * | 2013-11-27 | 2016-08-24 | 精通人工智能***有限公司 | 使用概率介质的基于人工智能模型的动态过程控制的方法和*** |
CN104007343B (zh) * | 2014-05-23 | 2018-04-20 | 清华大学 | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 |
CN104297589A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法 |
CN104965506B (zh) * | 2015-06-09 | 2017-12-05 | 南京航空航天大学 | 一种基于可调参数分布式飞行控制***实时故障诊断方法 |
CN105006119B (zh) * | 2015-06-30 | 2017-12-29 | 中国寰球工程公司 | 一种基于贝叶斯网络的报警***优化方法 |
WO2017077618A1 (ja) * | 2015-11-05 | 2017-05-11 | 株式会社島津製作所 | クロマトグラフ質量分析データ処理方法及び処理装置 |
CN105932774B (zh) * | 2016-05-11 | 2019-01-29 | 国网冀北电力有限公司张家口供电公司 | 基于ica算法的智能变电站设备状态预警方法 |
CN106338664B (zh) * | 2016-08-11 | 2019-03-29 | 中车株洲电力机车研究所有限公司 | 一种列车变流器故障诊断方法和装置 |
CN107806690B (zh) * | 2017-09-13 | 2019-11-22 | 浙江大学 | 一种基于贝叶斯网络的家用空调故障诊断方法 |
CN108845074B (zh) * | 2018-04-18 | 2020-11-03 | 国网江西省电力有限公司电力科学研究院 | 油浸式变压器状态评价方法 |
CN109186971B (zh) * | 2018-08-06 | 2020-05-05 | 江苏大学 | 基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法 |
CN109298258A (zh) * | 2018-09-18 | 2019-02-01 | 四川大学 | 结合rvm和dbn的变压器故障诊断方法及*** |
CN110968061B (zh) * | 2019-12-06 | 2021-02-26 | 珠海格力电器股份有限公司 | 设备故障的预警方法、装置、存储介质和计算机设备 |
CN111272222B (zh) * | 2020-02-28 | 2021-06-25 | 西南交通大学 | 一种基于特征量集的变压器故障诊断方法 |
CN111650451B (zh) * | 2020-04-28 | 2021-12-31 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流变故障原因辨识方法及*** |
CN113807461A (zh) * | 2021-09-27 | 2021-12-17 | 国网四川省电力公司电力科学研究院 | 基于贝叶斯网络的变压器故障诊断方法 |
CN113858218A (zh) * | 2021-12-06 | 2021-12-31 | 湖南工商大学 | 一种机械臂执行器故障诊断方法 |
CN115618631B (zh) * | 2022-10-28 | 2023-09-01 | 贵州电网有限责任公司 | 一种变压器可靠性评估方法、设备、存储介质及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661075A (zh) * | 2009-06-08 | 2010-03-03 | 浙江大学 | 一种基于神经网络和模糊积分的电力***故障诊断方法 |
CN102411106A (zh) * | 2011-11-18 | 2012-04-11 | 广东电网公司广州供电局 | 电力变压器故障监测方法及装置 |
CN102662113A (zh) * | 2012-04-17 | 2012-09-12 | 国网电力科学研究院 | 基于故障树的油浸式变压器综合诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120215450A1 (en) * | 2011-02-23 | 2012-08-23 | Board Of Regents, The University Of Texas System | Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology |
-
2013
- 2013-03-20 CN CN201310090961.1A patent/CN103197177B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661075A (zh) * | 2009-06-08 | 2010-03-03 | 浙江大学 | 一种基于神经网络和模糊积分的电力***故障诊断方法 |
CN102411106A (zh) * | 2011-11-18 | 2012-04-11 | 广东电网公司广州供电局 | 电力变压器故障监测方法及装置 |
CN102662113A (zh) * | 2012-04-17 | 2012-09-12 | 国网电力科学研究院 | 基于故障树的油浸式变压器综合诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于贝叶斯网络分类器的变压器综合故障诊断方法;吴立增 等;《电工技术学报》;20050430;第20卷(第4期);第2节 * |
基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法;王永强 等;《电工技术学报》;20041231;第19卷(第12期);第2-5节 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110108806A (zh) * | 2019-04-04 | 2019-08-09 | 广州供电局有限公司 | 基于概率信息压缩的变压器油色谱数据表示方法 |
CN110108806B (zh) * | 2019-04-04 | 2022-03-22 | 广东电网有限责任公司广州供电局 | 基于概率信息压缩的变压器油色谱数据表示方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103197177A (zh) | 2013-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103197177B (zh) | 一种基于贝叶斯网络的变压器故障诊断分析方法 | |
Liu et al. | A leak detection method for oil pipeline based on Markov feature and two-stage decision scheme | |
CN105512962B (zh) | 一种气体绝缘组合电器绝缘状态综合评估方法 | |
Khalili et al. | Optimal instantaneous prediction of voltage instability due to transient faults in power networks taking into account the dynamic effect of generators | |
CN103793853A (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
Bhui et al. | Application of recurrence quantification analysis to power system dynamic studies | |
CN104391202A (zh) | 基于电量异常分析的异常用电判断方法 | |
CN104091416A (zh) | 一种监测电力变压器异常状态的报警*** | |
CN105205590A (zh) | 一种变压器健康状态分析的方法和*** | |
CN105894212A (zh) | 一种电磁环网解合环综合评价方法 | |
CN103278715A (zh) | 电力设备试验方法 | |
Basuki | Online dissolved gas analysis of power transformers based on decision tree model | |
Sun et al. | Data augmentation strategy for power inverter fault diagnosis based on wasserstein distance and auxiliary classification generative adversarial network | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN109613372B (zh) | 一种基于多元电网数据库的电网故障诊断方法 | |
He et al. | Advancing chemical hazard assessment with decision analysis: A case study on lithium-ion and redox flow batteries used for energy storage | |
Han et al. | Oil-immersed transformer internal thermoelectric potential fault diagnosis based on decision-tree of knime platform | |
CN103675518A (zh) | 油浸式高压设备检修方法及装置 | |
CN105242129A (zh) | 一种变压器绕组故障概率确定方法 | |
Liu et al. | Study on reliability evaluation method based on improved Monte Carlo method | |
CN104573361A (zh) | 一种gis设备评估的方法和装置 | |
CN116204839A (zh) | 一种变压器油温异常分析方法 | |
Gong et al. | A severity assessment method for multiple voltage sag | |
CN109765878A (zh) | 新能源汽车can总线网络故障的辅助分析方法 | |
Gu et al. | Power quality early warning based on anomaly detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |