CN109901064B - 基于ica-lvq的高压断路器故障诊断方法 - Google Patents
基于ica-lvq的高压断路器故障诊断方法 Download PDFInfo
- Publication number
- CN109901064B CN109901064B CN201910199081.5A CN201910199081A CN109901064B CN 109901064 B CN109901064 B CN 109901064B CN 201910199081 A CN201910199081 A CN 201910199081A CN 109901064 B CN109901064 B CN 109901064B
- Authority
- CN
- China
- Prior art keywords
- sample
- ica
- vector
- circuit breaker
- fault diagnosis
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于ICA‑LVQ的高压断路器故障诊断方法,具体按以下步骤实施:步骤1:选取典型的数据样本,按照3:1的比例分为训练集和测试集;步骤2:提取经步骤1所得的训练样本的输入特征向量,采用LDA算法进行降维处理,得到一个新的输入特征向量;步骤3:将步骤2得到的输入特征向量作为构建ICA‑LVQ神经网络的输入,经过训练学习输出故障分类结果,以此建立起基于ICA‑LVQ的高压断路器故障诊断模型;步骤4:将步骤3得到的高压断路器故障诊断模型对步骤1中的测试集样本进行分类,统计其分类准确率。本发明的基于ICA‑LVQ的高压断路器故障诊断方法能够准确实现高压断路器故障诊断。
Description
技术领域
本发明属于高压断路器故障在线监测技术领域,具体涉及一种基于ICA-LVQ的高压断路器故障诊断方法。
背景技术
断路器是电力***中的重要设备。断路器性能的可靠性直接关系到电力***的可靠运行,而断路器的可靠性在很大程度上取决于其操动机构的可靠性,其中分合闸线圈是其操动机构的关键部件。合分闸线圈电流可提供高压断路器机械故障诊断所用的丰富信息;因此可通过提取分合闸线圈电流信号进行故障诊断。
现有的高压断路器故障检测的方法有很多,其中涉及各种人工智能算法,如:模糊控制能用精确的数学工具将模糊的概念或自然语言清晰化,但其隶属函数和模糊规则的确定过程存在一定的人为因素;径向基神经网络为断路器的故障诊断问题提供了一种比较好的结构体系,但存在着无法解释自己的推理过程和推理依据以及数据不充分时神经网络无法正常工作的缺点;LVQ用于高压断路器诊断具有网络结构简单,无需数据预处理,只需测算输入向量与竞争层间距离就能实现有效分类的优点。但LVQ分类受初值影响较大且未考虑数据各维属性重要性不同的特点,因此,为了解决上述问题,本专利提出了一种基于ICA-LVQ(ICA为免疫克隆算法,LVQ为学习向量量化神经网络)的高压断路器故障诊断方法,能在有效解决上述问题的同时,更加准确快速的对故障进行分类。
发明内容
本发明的目的是提供一种基于ICA-LVQ的高压断路器故障诊断方法,能够准确实现高压断路器故障诊断。
本发明所采用的技术方案是,基于ICA-LVQ的高压断路器故障诊断方法,具体按以下步骤实施:
步骤1:选取典型的数据样本,按照3:1的比例分为训练集和测试集;
步骤2:提取经步骤1所得的训练样本的输入特征向量,采用LDA算法进行降维处理,得到一个新的输入特征向量;
步骤3:将步骤2得到的输入特征向量作为构建ICA-LVQ神经网络的输入,经过训练学习输出故障分类结果,以此建立起基于ICA-LVQ的高压断路器故障诊断模型;
步骤4:将步骤3得到的高压断路器故障诊断模型对步骤1中的测试集样本进行分类,统计其分类准确率。
本发明的特点还在于,
步骤1具体按以下步骤实施:
步骤1.1,将断路器监测到的I1,I2,I3,t1,t2,t3,t4,t5作为高压断路器故障诊断模型的输入参量;
步骤1.2,对经步骤1.1所得的样本数据按照3:1的比例分为训练集与测试集,训练集用来构建高压断路器故障诊断模型,测试集则用来测试模型的分类效果。
步骤2具体按以下步骤实施:
步骤2.1,构建样本集D={(x1,y1),(x2,y2),…(xm,ym)},其中xi为n维的输入特征向量,yi为对应类别标签;
步骤2.2,对经步骤2.1得到的输入特征向量进行降维处理,降维后的输入特征向量为D',降维后的维度为d;
步骤2.2中降维处理的具体步骤如下:
(1)计算类内散度矩阵Sw,
其中,Xj为第j类样本的集合,x∈Xj,j=1,2,…,m;μj为第j类样本的均值向量,j=1,2,…m;
(2)计算类间散度矩阵Sb,
Sb=(μ0-μ1)(μ0-μ1)T (2)
其中,μj为第j类样本的均值向量,j=1,2,…m;
(3)计算矩阵SW -1Sb,其中Sw -1是Sw的逆矩阵,其计算公式如下,
(4)计算矩阵SW -1Sb的特征值,选择最大的d个特征值及其对应的特征向量(w1,w2,…wd),得到投影矩阵W,
Sbw=λSww (4)
其中λ是拉格朗日乘子,注意到Sbw的方向恒为μ0-μ1,可令
Sbw=λ(μ0-μ1) (5)
代入上式得
w=Sw -1(μ0-μ1) (6)
W的闭式解则是Sw-1Sb的d'个最大非零广义特征值对应的矩阵,d'≤N-1,N-1为非零特征值的数量,
SbW=λSwW (7)
W是由(w1,w2,…wd)为基向量所组成的一个n×d的矩阵,w的解可由式(4)、式(5)、式(6)求得;
(5)对样本集中的每一个样本特征转化为xi新的样本zi=WTxi;
(6)得到降维后的输入特征向量D'={(z1,y1),(z2,y2),…(zm,ym)}。
步骤3具体按照以下步骤实施:
步骤3.1,提取步骤2中样本集中的输入特征参量作为构建ICA-LVQ神经网络的输入;
步骤3.2,初始化网络,初始设定权值W1,W2;采取ICA算法为LVQ神经网络选择最佳的W1;采取如下原则设定W2:当竞争层的神经元权值向量与子类线性层神经元的期望类别对应时,这两个神经元之间的连接权值置1,否则置0,W2一旦设定,不再改变,学习率设为η,最大训练次数tm;
步骤3.3,输入样本向量X(t),
计算输入样本向量X(t)表示各子类聚类中心的W1各行向量的欧式距离:
步骤3.4,找出距离最近的权值行向量来确定获胜的竞争层神经元j*:
把竞争层的输出向量Y的第j*个元素设定为1,其它为0;
步骤3.5,计算线性输出层输出向量O的值,O=W2Y,O中唯一的一个非零元素其序号k*就表明X(t)分为第k*类;
步骤3.6,比较网络实际输出O与目标期望输出d;
若分类正确按以下方式修正权值向量:
否则逆输入样本方向调整权值:
其他非获胜神经元的权值保持不变;
步骤3.7,更新学习率,
当t<tm时,t=t+1,转到步骤3.3输入下一个样本,重复各步骤直到t=tm,tm为最大训练次数。
步骤3.2中采取ICA算法为LVQ神经网络选取最佳的W1的具体步骤如下:
(1)定义ICA参数
随机产生m个n维向量vk,0(k=1,2,…,m)作为最初的抗体A(0),A(0)=[v1,0,v2,0,…,vm,0],克隆规模q,免疫基因变异概率pm及误差参数ε,t=0,t为训练次数初始为0;
(2)计算初始种群的亲和度,亲和度计算公式如下:
Dk,t为个体到抗体的平均距离,xj表示输入样本向量,N表示群体数目,Dk,t与步骤3.3中公式(8)中D对应,即数值对应相等,量纲相同;个体xj对应输入样本向量X(t),抗体A(k)与聚类中心W1所对应,其中抗体A(k)=[v1,k,v2,k,…,vm,k];
(3)由ICA确定初始权值;
1)判断是否满足终止条件:
式中random<pm表示以上过程是在概率pm的情况下发生的;
4)依据免疫操作后抗体亲合力的大小,进行克隆选择操作,即从A'(k)中选出n个亲和度较大的抗体,形成新的抗体种群A(k+1),k=k+1,返回1)
A'(k)=Z(k)∪A(k) (15)。
本发明的有益效果是:
(1)本发明基于ICA-LVQ的高压断路器故障诊断方法,LDA用来对数据进行降维,保留其数据重要属性忽略次要属性,可以提高其分类准确率。
(2)本发明基于ICA-LVQ的高压断路器故障诊断方法,利用ICA对LVQ神经网络的初始权值进行优化,可以提高其收敛速度,改善其LVQ神经网络初值敏感问题,提高了故障诊断准确率;
(3)本发明基于ICA-LVQ的高压断路器故障诊断方法,结合了LDA与ICA,构造出了高压断路器故障诊断模型,提升了高压断路器故障诊断的效率和准确率。
附图说明
图1是本发明基于ICA-LVQ的高压断路器故障诊断方法的流程图;
图2为本发明中高压断路器分合闸线圈电流波形图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明1.基于ICA-LVQ的高压断路器故障诊断方法,如图1-2所示,具体按以下步骤实施:
步骤1:选取典型的数据样本,按照3:1的比例分为训练集和测试集;
步骤1具体按以下步骤实施:
步骤1.1,将断路器监测到的I1,I2,I3,t1,t2,t3,t4,t5作为高压断路器故障诊断模型的输入参量;
步骤1.2,对经步骤1.1所得的样本数据按照3:1的比例分为训练集与测试集,训练集用来构建高压断路器故障诊断模型,测试集则用来测试模型的分类效果;
步骤2:提取经步骤1所得的训练样本的输入特征向量,采用LDA算法(线性判别分析)进行降维处理,得到一个新的输入特征向量;
步骤2具体按以下步骤实施:
步骤2.1,构建样本集D={(x1,y1),(x2,y2),…(xm,ym)},其中xi为n维的输入特征向量,yi为对应类别标签;
步骤2.2,对经步骤2.1得到的输入特征向量进行降维处理,降维后的输入特征向量为D',降维后的维度为d;
步骤2.2中降维处理的具体步骤如下:
(1)计算类内散度矩阵Sw,
其中,Xj为第j类样本的集合,x∈Xj,j=1,2,…,m;μj为第j类样本的均值向量,j=1,2,…m;
(2)计算类间散度矩阵Sb,
Sb=(μ0-μ1)(μ0-μ1)T (2)
其中,μj为第j类样本的均值向量,j=1,2,…m;
(3)计算矩阵SW -1Sb,其中Sw -1是Sw的逆矩阵,其计算公式如下,
(4)计算矩阵SW -1Sb的特征值,选择最大的d个特征值及其对应的特征向量(w1,w2,…wd),得到投影矩阵W,
Sbw=λSww (4)
其中λ是拉格朗日乘子,注意到Sbw的方向恒为μ0-μ1,可令
Sbw=λ(μ0-μ1) (5)
代入上式得
w=Sw -1(μ0-μ1) (6)
W的闭式解则是Sw-1Sb的d'个最大非零广义特征值对应的矩阵,d'≤N-1,N-1为非零特征值的数量,
SbW=λSwW (7)
W是由(w1,w2,…wd)为基向量所组成的一个n×d的矩阵,w的解可由式(4)、式(5)、式(6)求得;
(5)对样本集中的每一个样本特征转化为xi新的样本zi=WTxi;
(6)得到降维后的输入特征向量D'={(z1,y1),(z2,y2),…(zm,ym)}。
步骤3:将步骤2得到的输入特征向量作为构建ICA-LVQ神经网络的输入,经过训练学习输出故障分类结果,以此建立起基于ICA-LVQ的高压断路器故障诊断模型;
步骤3具体按照以下步骤实施:
步骤3.1,提取步骤2中样本集中的输入特征参量作为构建ICA-LVQ神经网络的输入;
步骤3.2,初始化网络,初始设定权值W1,W2;采取ICA算法为LVQ神经网络选择最佳的W1;采取如下原则设定W2:当竞争层的神经元权值向量与子类线性层神经元的期望类别对应时,这两个神经元之间的连接权值置1,否则置0,W2一旦设定,不再改变,学习率设为η,最大训练次数tm;
步骤3.2采取ICA算法为LVQ神经网络选取最佳的W1的具体步骤如下:
(1)定义ICA参数
随机产生m个n维向量vk,0(k=1,2,…,m)作为最初的抗体A(0),A(0)=[v1,0,v2,0,…,vm,0],克隆规模q,免疫基因变异概率pm及误差参数ε,t=0,t为训练次数初始为0;
(2)计算初始种群的亲和度,亲和度计算公式如下:
Dk,t为个体到抗体的平均距离,xj表示输入样本向量,N表示群体数目,Dk,t与步骤3.3中公式(8)中D对应,即数值对应相等,量纲相同;个体xj对应输入样本向量X(t),抗体A(k)与聚类中心W1所对应,其中抗体A(k)=[v1,k,v2,k,…,vm,k];
(3)由ICA确定初始权值;
1)判断是否满足终止条件:
式中random<pm表示以上过程是在概率pm的情况下发生的;
4)依据免疫操作后抗体亲合力的大小,进行克隆选择操作,即从A'(k)中选出n个亲和度较大的抗体,形成新的抗体种群A(k+1),k=k+1,返回1)
A'(k)=Z(k)∪A(k) (15)。
步骤3.3,输入样本向量X(t),
计算输入样本向量X(t)表示各子类聚类中心的W1各行向量的欧式距离:
步骤3.4,找出距离最近的权值行向量来确定获胜的竞争层神经元j*:
把竞争层的输出向量Y的第j*个元素设定为1,其它为0;
步骤3.5,计算线性输出层输出向量O的值,O=W2Y,O中唯一的一个非零元素其序号k*就表明X(t)分为第k*类;
步骤3.6,比较网络实际输出O与目标期望输出d;
若分类正确按以下方式修正权值向量:
否则逆输入样本方向调整权值:
其他非获胜神经元的权值保持不变;
步骤3.7,更新学习率,
当t<tm时,t=t+1,转到步骤3.3输入下一个样本,重复各步骤直到t=tm,tm为最大训练次数。
步骤4:将步骤3得到的高压断路器故障诊断模型对步骤1中的测试集样本进行分类,统计其分类准确率。
Claims (1)
1.基于ICA-LVQ的高压断路器故障诊断方法,其特征在于,具体按以下步骤实施:
步骤1:选取典型的数据样本,按照3:1的比例分为训练集和测试集;
步骤2:提取经步骤1所得的训练样本的输入特征向量,采用LDA算法进行降维处理,得到一个新的输入特征向量;
步骤3:将步骤2得到的输入特征向量作为构建ICA-LVQ神经网络的输入,经过训练学习输出故障分类结果,以此建立起基于ICA-LVQ的高压断路器故障诊断模型;
步骤4:将步骤3得到的高压断路器故障诊断模型对步骤1中的测试集样本进行分类,统计其分类准确率;
所述步骤1具体按以下步骤实施:
步骤1.1,将断路器监测到的I1,I2,I3,t1,t2,t3,t4,t5作为高压断路器故障诊断模型的输入参量;
步骤1.2,对经步骤1.1所得的样本数据按照3:1的比例分为训练集与测试集,训练集用来构建高压断路器故障诊断模型,测试集则用来测试模型的分类效果;
所述步骤2具体按以下步骤实施:
步骤2.1,构建样本集D={(x1,y1),(x2,y2),…(xm,ym)},其中xi为n维的输入特征向量,yi为对应类别标签;
步骤2.2,对经步骤2.1得到的输入特征向量进行降维处理,降维后的输入特征向量为D',降维后的维度为d;
步骤2.2中降维处理的具体步骤如下:
(1)计算类内散度矩阵Sw,
其中,Xj为第j类样本的集合,x∈Xj,j=1,2,…,m;μj为第j类样本的均值向量,j=1,2,…m;
(2)计算类间散度矩阵Sb,
Sb=(μ0-μj)(μ0-μj)T (2)
其中,μj为第j类样本的均值向量,j=1,2,…m;
(3)计算矩阵Sw -1Sb,其中Sw -1是Sw的逆矩阵,其计算公式如下,
(4)计算矩阵Sw -1Sb的特征值,选择最大的d个特征值及其对应的特征向量(w1,w2,…wd),得到投影矩阵W,
Sbw=λSww (4)
其中λ是拉格朗日乘子,注意到Sbw的方向恒为μ0-μj,可令
Sbw=λ(μ0-μj) (5)
代入上式得
w=Sw -1(μ0-μj) (6)
W的闭式解则是Sw -1Sb的d'个最大非零广义特征值对应的矩阵,d'≤N-1,N-1为非零特征值的数量,
SbW=λSwW (7)
W是由(w1,w2,…wd)为基向量所组成的一个n×d的矩阵,w的解可由式(4)、式(5)、式(6)求得;
(5)对样本集中的每一个样本特征转化为xi新的样本zi=WTxi;
(6)得到降维后的输入特征向量D'={(z1,y1),(z2,y2),…(zm,ym)};
所述步骤3具体按照以下步骤实施:
步骤3.1,提取步骤2中样本集中的输入特征参量作为构建ICA-LVQ神经网络的输入;
步骤3.2,初始化网络,初始设定权值W1,W2;采取ICA算法为LVQ神经网络选择最佳的W1;采取如下原则设定W2:当竞争层的神经元权值向量与子类线性层神经元的期望类别对应时,这两个神经元之间的连接权值置1,否则置0,W2一旦设定,不再改变,学习率设为η,最大训练次数tm;
步骤3.3,输入样本向量X(t),
计算输入样本向量X(t)表示各子类聚类中心的W1各行向量的欧式距离:
步骤3.4,找出距离最近的权值行向量来确定获胜的竞争层神经元j*:
把竞争层的输出向量Y的第j*个元素设定为1,其它为0;
步骤3.5,计算线性输出层输出向量O的值,O=W2Y,O中唯一的一个非零元素其序号k*就表明X(t)分为第k*类;
步骤3.6,比较网络实际输出O与目标期望输出d;
若分类正确按以下方式修正权值向量:
否则逆输入样本方向调整权值:
其他非获胜神经元的权值保持不变;
步骤3.7,更新学习率,
当t<tm时,t=t+1,转到步骤3.3输入下一个样本,重复各步骤直到t=tm,tm为最大训练次数;
步骤3.2中采取ICA算法为LVQ神经网络选取最佳的W1的具体步骤如下:
(1)定义ICA参数
随机产生m个n维向量vk,0(k=1,2,…,m)作为最初的抗体A(0),A(0)=[v1,0,v2,0,…,vm,0],克隆规模q,免疫基因变异概率pm及误差参数ε,t=0,t为训练次数初始为0;
(2)计算初始种群的亲和度,亲和度计算公式如下:
Dk,t为个体到抗体的平均距离,xj表示输入样本向量,N表示群体数目,Dk,t与步骤3.3中公式(8)中D对应,即数值对应相等,量纲相同;个体xj对应输入样本向量X(t),抗体A(k)与聚类中心W1所对应,其中抗体A(k)=[v1,k,v2,k,…,vm,k];
(3)由ICA确定初始权值;
1)判断是否满足终止条件:
式中random<pm表示以上过程是在概率pm的情况下发生的;
4)依据免疫操作后抗体亲合力的大小,进行克隆选择操作,即从A'(k)中选出n个亲和度较大的抗体,形成新的抗体种群A(k+1),k=k+1,返回1)
A'(k)=Z(k)∪A(k) (15)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199081.5A CN109901064B (zh) | 2019-03-15 | 2019-03-15 | 基于ica-lvq的高压断路器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910199081.5A CN109901064B (zh) | 2019-03-15 | 2019-03-15 | 基于ica-lvq的高压断路器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109901064A CN109901064A (zh) | 2019-06-18 |
CN109901064B true CN109901064B (zh) | 2021-02-12 |
Family
ID=66953286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910199081.5A Active CN109901064B (zh) | 2019-03-15 | 2019-03-15 | 基于ica-lvq的高压断路器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109901064B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112117475A (zh) * | 2020-09-30 | 2020-12-22 | 国网四川省电力公司经济技术研究院 | 一种燃料电池水管理子***故障检测装置及方法 |
CN112215279B (zh) * | 2020-10-12 | 2024-02-02 | 国网新疆电力有限公司 | 一种基于免疫rbf神经网络的电网故障诊断方法 |
CN115796237A (zh) * | 2022-12-07 | 2023-03-14 | 北京石油化工学院 | 基于ICSA-VS-bpNet的装甲车辆底盘发动机的故障预测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100416598C (zh) * | 2006-06-29 | 2008-09-03 | 武汉大学 | 一种遥感影像的人工免疫特征选择方法 |
CN101916376B (zh) * | 2010-07-06 | 2012-08-29 | 浙江大学 | 基于局部样条嵌入的正交半监督子空间图像分类方法 |
KR101337855B1 (ko) * | 2011-01-04 | 2013-12-06 | 주식회사 만도 | 스위치 고장 검출 장치 및 그 검출 방법 |
CN105615834A (zh) * | 2015-12-22 | 2016-06-01 | 深圳创达云睿智能科技有限公司 | 基于睡眠脑电信号的睡眠分期方法及装置 |
CN106019131B (zh) * | 2016-05-18 | 2017-10-31 | 四川大学 | 一种基于分合闸线圈电流的高压断路器操作机构状态综合评估方法 |
CN107656152B (zh) * | 2017-09-05 | 2019-11-26 | 西安工程大学 | 一种基于ga-svm-bp变压器故障诊断方法 |
CN108427966A (zh) * | 2018-03-12 | 2018-08-21 | 成都信息工程大学 | 一种基于pca-lda的医学图像处理***及方法 |
CN109298330B (zh) * | 2018-11-26 | 2021-01-05 | 西安工程大学 | 基于ghpso-bp的高压断路器故障诊断方法 |
-
2019
- 2019-03-15 CN CN201910199081.5A patent/CN109901064B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109901064A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN109901064B (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
CN109116834B (zh) | 一种基于深度学习的间歇过程故障检测方法 | |
CN109298330B (zh) | 基于ghpso-bp的高压断路器故障诊断方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN112070128A (zh) | 一种基于深度学习的变压器故障诊断方法 | |
US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
CN111275004B (zh) | 基于lmd和脉冲神经网络的轴承故障诊断方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN110880369A (zh) | 基于径向基函数神经网络的气体标志物检测方法及应用 | |
CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN111310722A (zh) | 一种基于改进神经网络的电力设备图像的故障识别方法 | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
CN117421571A (zh) | 一种基于配电网的拓扑实时辨识方法及*** | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN114970725A (zh) | 一种基于Adaboost-SVM的变压器工况辨识方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
CN116663414A (zh) | 一种用于电力变压器的故障诊断方法及*** | |
Sahni et al. | Aided selection of sampling methods for imbalanced data classification | |
CN114595788B (zh) | 一种变压器故障诊断方法、装置及设备 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及*** | |
CN114565051B (zh) | 基于神经元影响程度的产品分类模型的测试方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |