CN110263837A - 一种基于多层dbn模型的断路器故障诊断方法 - Google Patents
一种基于多层dbn模型的断路器故障诊断方法 Download PDFInfo
- Publication number
- CN110263837A CN110263837A CN201910510449.5A CN201910510449A CN110263837A CN 110263837 A CN110263837 A CN 110263837A CN 201910510449 A CN201910510449 A CN 201910510449A CN 110263837 A CN110263837 A CN 110263837A
- Authority
- CN
- China
- Prior art keywords
- dbn
- data
- sample
- cluster
- submodel
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于多层DBN模型的断路器故障诊断方法,主要包括以下步骤:利用k‑means算法将标准化后的高压断路器故障数据样本进行分类,通过轮廓系数确定最优的聚类簇数;建立多层DBN模型并进行训练,第一层包含所有的训练数据,其标签为k均值聚类得到的簇标签;第二层为DBN子模型,若聚类的簇数为n,则建立n个DBN子模型;子模型训练数据为k‑means聚类后的同一簇数据;测试数据分两步输入训练模型:第一步输入第一层DBN模型中,得到子模型选择标签;第二步按照第一步的选择标签,将测试数据输入相应的DBN子模型,得到最终的类别标签,即诊断结果。该方法在数据不均衡条件下的精度已经得到了数据实验的验证。
Description
技术领域
本发明属于电气设备故障诊断技术,具体是一种基于多层DBN模型的断路器故障诊断方法。
背景技术
高压断路器在电力***中承担着开断和闭合电力线路、线路故障保护等重要作用,是电网中的重要设备。高压断路器的故障会给电力***带来重大损失,其健康状况直接影响着电网的安全稳定运行。及时发现故障和识别故障是提高检修效率,延长设备寿命,避免停电损失的关键。故障诊断技术可以为故障的识别和定位提供必要的信息,是检修模式从定期检修向状态检修发展的前提。以在线监测和故障诊断为主的电气设备智能化技术将会在智能电网的建设和发展中发挥重要的作用。作为智能电网的重要组成部分,电气设备的故障诊断一直是研究热点。
传统的故障诊断方法包括基于模型的方法、基于信号的时域频域分析方法、基于知识的方法以及混合诊断方法等。故障数据选择上,主要有振动信号,分合闸电流以及触头位移或主轴转角等。机器学习是基于知识的方法中发展迅速的一类,以聚类分析,人工神经网络(ANN)和支持向量机(SVM)为代表,在故障诊断领域表现较为突出。其基本原理是利用断路器故障特征数据,通过学习和训练建立诊断模型,对断路器的状态进行评估,其实质是有监督的分类。近年来不断出现新的混合改进算法,提高了诊断模型的性能。Wan Shuting等人提出了多特征熵融合(MFEF)以及混合分类器的高压断路器机械故障诊断方法。LiBing提出了改进经验小波变换(EWT)的时频熵和优化广义回归神经网络(GRNN)分类器用于高压断路器故障诊断。Ma Suliang提出了基于小波包分解技术和随机森林算法的高压断路器故障诊断方法。Zhu Kedong提出了基于粒子群优化-支持向量域描述以及粒子群优化-模糊c-均值核聚类的高压断路器故障诊断方法。
然而,断路器故障诊断工程化应用仍然存在一定问题。主要体现在:一是机器学***衡,诊断模型的精度受到严重影响。
DBN是近年来得到广泛应用的一种深度学***衡问题,利用先进的深度学习算法的高压断路器故障诊断方法成为亟需解决的问题。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种基于多层DBN模型的断路器故障诊断方法,用于解决样本数据不均衡,影响诊断精度的问题。
为实现上述目的,本发明采用的技术方案是:
一种基于多层DBN模型的断路器故障诊断方法,其诊断方法主要分为三个步骤:第一步,利用k均值聚类将标准化后的高压断路器故障数据样本进行分类,通过轮廓系数确定最优的聚类簇数;第二步,建立多层DBN模型并进行训练,第一层包含所有的训练数据,其标签为k均值聚类得到的簇标签,第二层为DBN子模型,若簇数为n,则建立n个DBN子模型,子模型训练数据为k均值聚类后的同一簇数据;第三步,测试数据分两步输入训练模型,第一步输入第一层DBN模型中,得到子模型选择标签,第二步按照第一部的结论,根据选择标签再将测试数据输入相应的DBN子模型,得到最终的类别标签,即诊断结论;该诊断方法具体包括以下步骤:
S1,数据准备,将断路器的故障数据进行重采样,每个样本保留800个数据,建立故障数据库;将所述故障数据库中的故障数据分为训练集和测试集,并将所述训练集和测试集中的故障数据进行标准化;
S2,预设聚类数C,对训练数据分别进行多次聚类,确定最优聚类数Copt,得到最优聚类结果以及每一个样本的簇标签;
S3,利用训练集的全部故障数据及每个数据对应的簇标签,建立DBN模型并训练;
S4,利用训练集每一个簇中的样本分别建立一个DBN子模型并训练,所述DBN子模型共有Copt个;
S5,将测试集中的样本输入所述DBN模型,得到测试样本的簇标签;
S6,根据所述测试样本的簇标签,选择相应的DBN子模型,将所述测试样本输入与簇标签对应的DBN子模型,得到诊断结果。
具体地,步骤S1中,将所述训练集和测试集中的故障数据进行标准化的方法为:采用极大极小值标准化,将原始样本值映射到[0,1]之间,标准化公式如下:
其中,x’是标准化后的数据样本,x为原始数据样本,xmax和xmin为样本数据的最大值和最小值。
具体地,步骤S2中,所述聚类数C的预设范围为2~10。
进一步地,步骤S2中,确定所述最优聚类数Copt的方法为:采用k均值聚类(k-means)算法对训练数据分别进行多次聚类,根据聚类结果计算每一次聚类的轮廓系数,选择最大的轮廓系数对应的聚类数作为最优聚类数Copt。
具体地,步骤S5中,所述DBN模型训练时使用的数据为训练集全部的样本数据和每个样本对应的聚类簇号。
具体地,步骤S6中,所述DBN子模型训练时使用的数据为与DBN子模型对应的簇内的的样本数据和类别号;所述类别号对应断路器故障的类型。
具体地,所述诊断方法在测试时,先将测试样本数据输入所述DBN模型,得到测试样本的簇号识别结果,即DBN子模型的选择标签;再将所述测试样本输入与所述标签对应的DBN子模型,得到该测试样本的最终诊断结果。
具体地,所述多层DBN模型共有两层,第一层为1个DBN模型,第二层有n个DBN子模型;所述DBN模型命名为DBN-FL;所述DBN子模型命名为DBN-SL1~DBN-SLn;其中,n=Copt。
与现有技术相比,本发明的有益效果是:本发明通过k均值聚类算法和轮廓系数实现故障样本的合理分类,确定最优聚类数,根据最优聚类数建立多层DBN模型,并确定第二层DBN子模型的数量;相较于传统的DBN模型,本发明细化的子模型中样本更加接近,可以有效避免野极值点的出现,在数据不平衡的条件下仍然可以取得较好的诊断效果,大大提高了诊断精度。
附图说明
图1为本发明实施例一种基于多层DBN模型的断路器故障诊断方法的流程示意图;
图2为本发明实施例中采用k均值聚类算法计算得到的轮廓系数折线图。
具体实施方式
下面将结合本发明中的附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本实施例提供了一种基于多层DBN模型的断路器故障诊断方法,具体包括以下步骤:
S1,数据准备,将断路器的故障数据进行重采样,每个样本保留800个数据,建立故障数据库;将所述故障数据库中的故障数据分为训练集和测试集,并将所述训练集和测试集中的故障数据进行标准化;
将所述训练集和测试集中的故障数据进行标准化的方法为:采用极大极小值标准化,将原始样本值映射到[0,1]之间,标准化公式如下:
其中,x’是标准化后的数据样本,x为原始数据样本,xmax和xmin为样本数据的最大值和最小值;
S2,预设聚类数C(C∈2~10),采用k均值聚类(k-means)算法对训练数据分别进行多次聚类,根据聚类结果计算每一次聚类的轮廓系数,选择最大的轮廓系数对应的聚类数作为最优聚类数Copt;得到最优聚类结果以及每一个样本的簇标签;
S3,利用训练集的全部故障数据及每个数据对应的簇标签,建立第一层DBN模型并训练,所述第一层DBN模型命名为DBN-FL;
S4,利用训练集每一个簇中的样本分别建立一个DBN子模型并训练,所述DBN子模型共有Copt个,Cop个DBN子模型分别命名为DBN-SL1~DBN-SLn,其中n=Copt;
S5,将测试集中的样本输入所述DBN模型,得到测试样本的簇标签;
S6,根据所述测试样本的簇标签,选择相应的DBN子模型,将所述测试样本输入与簇标签对应的DBN子模型,得到诊断结果。
具体地,步骤S2中,作为一种硬聚类算法,k-means主要思想是:首先确定样本数据的聚类数C;接着任选C个数据作为初始聚类中心;然后每个数据按照欧氏距离大小置于与它最相似的类中;重新计算每个新类的平均值,并以此平均值作为新的聚类中心;反复迭代,直到满足收敛条件,即目标函数达到最小值;欧氏距离定义如下:
其中,dij表示第i个样品与第j个样品xjk间的距离。dij越小,两个样本越接近;目标函数通常采用平方误差准则:
其中,E表示所有聚类对象的平方误差的,xq为聚类对象,mi是类Ci的各聚类对象的平均值,其计算公式如下:
其中:|Ci|表示类Ci的聚类对象的数目;
k-means方法需要在聚类前确定类别数目C,选择不同的C值,从中选择最优值是必须的;本实施例采用平均轮廓系数来确定最优聚类数;某一个样本的轮廓系数定义为:
其中,a是样本xi与同簇的其他样本的平均距离,称为凝聚度,b是xi与最近簇的所有样本的平均距离,称为分离度;最近簇的定义为:
即计算xi到某个簇所有样本的平均距离作为xi到该簇的距离,选择最小距离对应的簇作为最近簇,对于每一个样本都可以计算其轮廓系数,取其平均值S作为本次聚类的轮廓系数,S的值越大,聚类效果越好,因此,最大的S对应的C值就是最优聚类数。
步骤S3中,一般来说,DBN故障诊断模型采用多个受限玻尔兹曼机(RBM)以及一个顶层分类器堆叠而成;RBM是一个基于能量的生成型模型,是一种特殊类型的玻尔兹曼机。RBM模型由可视层v=(v1,v2,v3,…,vn)和隐含层h=(h1,h2,h3,…,hm)组成,可视层和隐含层的内部节点间无连接,同时允许在可视层和隐含层之间的节点双向全连接。作为一个***,RBM可视层与隐含层单元联合状态(v,h)的能量函数定义为:
其中,θ=(wij,aj,bi)为RBM参数,wij表示可视节点j与隐含层节点i之间的权值,aj表示可视层节点j的偏置,bi表示隐含层节点i的偏置,m和n分别表示可视层与隐含层的节点数目。根据玻尔兹曼分布函数,(v,h)的联合概率分布为:
其中,Z(θ)为归一化因子。
但是,对于RBM网络这种层间有连接而层内无连接的结构,网络中不同节点的状态分布是相互独立的.也就是说只要给定某层节点的状态,与其临近的另一层节点的状态便可表达为:
因此,假设己知可见层或隐含层各节点的状态,就可以分别得到隐含层节点或可见层节点的条件概率函数:
p(hj=1|v)=δ(bj+∑jviWij)
p(vi=1|h)=δ(ai+∑ihjWij)
其中δ(x)是sigmoid函数,定义为δ(x)=1/(1+e-x);
对比散度(Contrastive Divergence,CD-k)算法,在保持精度的同时能快速提高计算速度。可以用来确定参数θ=(wij,aj,bi)的值。贪婪算法,即逐层训练的机制用来训练RBM。每次只单独对某一个RBM层的可见层及隐含层进行训练,得到本层的最优参数,同时也得到了当前层的特征提取结果;随后以该层的输出数据作为下一个RBM层的输入样本,继续单独训练这一RBM层;以此递推,贪婪地逐层训练出整个DBN网络。
为了进一步说明本实施例的诊断方法,本实施例通过对实验数据的处理和建模,验证所提出的基于k-means和DBN的故障诊断模型的有效性;针对断路器正常状态,分合闸控制回路故障,操动机构卡涩故障按照严重程度的不同进行了27组模拟实验,每一组实验采集100个样本。这些样本经过重采样,规格化为每样本800点数据。每种故障类型中选择10个样本作为测试数据,其他90个样本作为训练数据。因此,测试集包含270个样本,训练集包含2430个样本。实验模拟的故障类型如表1所示:
表1故障模拟实验模拟的故障类型
建模工具采用MATLAB的DeepLearnToolbox-master工具箱。将训练集中的2430个样本进行了聚类,设定聚类数为2~10。分别计算其轮廓系数,如图2所示。可以看出,当K=6时,轮廓系数达到最大值,所以最优聚类数Copt=6。表2所示为对应的最优聚类结果。每一簇中包含若干小类,这些小类编号如表1所示。例如簇1包含11个小类的数据:1~8,10,11,13样本总数为990个。
表2最优聚类结果
簇号 | 类别号 | 样本数量 |
1 | 1~8,10,11,13 | 990 |
2 | 16 | 90 |
3 | 19,20,22,23,25 | 450 |
4 | 21,24,27 | 270 |
5 | 9,12 | 180 |
6 | 14,15,17,18,26 | 450 |
首先进行数据平衡条件下诊断精度测试。根据图1所示流程,分层DBN要进行两层的模型训练,第一层模型DBN-FL训练样本为2430个,样本标签为簇号。通过聚类,训练样本被分为6个簇,因此,第二层子模型的数量为6个(DBN-SL1~DBN-SL6)。训练样本为簇内的样本,模型参数分别如表3所示。其中,由于第二簇中只有一类数据,因此DBN-SL2不需要建模。再将270个测试样本依次输入第一层和第二层模型,得到测试结果如表4所示。可以看出,第一层的识别精度达到了100%,第二层的误判数量为3个。因此,总的准确率达到了98.9%。再使用相同的数据建立不分层整体模型,输入层为800节点,输出层27节点。中间层分为两层,各包含100节点。学习率为α=0.1,迭代次数为500次。识别精度为96.3%。可见分层DBN的精度有一定的提高。
表3数据平衡下分层DBN模型参数
模型 | 参数 | 误诊断数量 |
DBN-FL | 模型结构:800-100-100-6,学习率:0.01 | 0 |
DBN-SL1 | 模型结构:800-100-50-11,学习率:0.1 | 1 |
DBN-SL2 | 无 | |
DBN-SL3 | 模型结构:800-150-100-10-5,学习率:0.0001 | 0 |
DBN-SL4 | 模型结构:800-150-100-10-3,学习率:0.0001 | 2 |
DBN-SL5 | 模型结构:800-100-20-5-2,学习率:0.001 | 0 |
DBN-SL6 | 模型结构:800-150-100-10-5,学习率:0.01 | 0 |
为测试本发明模型在样本不平衡状态下的诊断精度,设计了4种不平衡场景。场景1和场景2是分闸数据不平衡,场景3和场景4是合闸数据不平衡。每种场景下训练数据都有部分缺失,按照根据图1所示流程建立分层DBN模型。同时的基本DBN模型的诊断精度进行对比,诊断测试结果如表4-表7所示。
场景(1)
该场景下,分闸故障数据中,正常样本和轻微分闸回路故障样本缺失严重,严重分闸回路故障样本和传动机构故障样本则大部分保留。具体来说,第一类样本保留10个,2-7类样本保留30个,8-12类样本保留60个,其他类型的样本数为90个。多层模型的诊断错误的样本总数为10个,准确率为96.3%。利用同样的数据建立的基本DBN模型,准确率为77.78%。
表4数据不平衡下分层DBN模型参数-场景(1)
模型 | 参数 | 误诊断数量 |
DBN-FL | 模型结构:800-100-100-6,学习率:0.001 | 0 |
DBN-SL1 | 模型结构:800-100-50-11,学习率:0.1 | 10 |
DBN-SL2 | 无 | |
DBN-SL3 | 模型结构:800-100-50-10-5,学习率:0.001 | 0 |
DBN-SL4 | 模型结构:800-100-50-10-3,学习率:0.0001 | 0 |
DBN-SL5 | 模型结构:800-100-10-2-2,学习率:0.0002 | 0 |
DBN-SL6 | 模型结构:800-150-50-10-5,学习率:0.0001 | 0 |
场景(2)
该场景下,分闸故障数据中,正常样本和轻微分闸回路故障样本大部分保留,严重分闸回路故障样本和传动机构故障样本则缺失严重。具体来说,2-7类样本保留60个,8-12类样本保留30个,13-14类样本保留10个,其他类型的样本数为90个。多层模型的诊断错误的样本总数为20个,准确率为92.59%。利用同样的数据建立的基本DBN模型,准确率为77.41%。
表5数据不平衡下分层DBN模型参数-场景(2)
模型 | 参数 | 误诊断数量 |
DBN-FL | 模型结构:800-100-50-10-6,学习率:0.0001 | 0 |
DBN-SL1 | 模型结构:800-100-50-11,学习率:0.1 | 20 |
DBN-SL2 | 无 | |
DBN-SL3 | 模型结构:800-100-50-10-5,学习率:0.001 | 0 |
DBN-SL4 | 模型结构:800-100-50-10-3,学习率:0.0001 | 0 |
DBN-SL5 | 模型结构:800-100-10-2-2,学习率:0.0002 | 0 |
DBN-SL6 | 模型结构:800-150-100-10-5,学习率:0.0001 | 0 |
场景(3)
该场景下,合闸故障数据中,正常样本和轻微分闸回路故障样本缺失严重,严重分闸回路故障样本和传动机构故障样本则大部分保留。具体来说,第15类样本保留10个,16-20类样本保留60个,21-25类样本保留30个,其他类型的样本数为90个。多层模型的诊断错误的样本总数为14个,准确率为94.81%。利用同样的数据建立的基本DBN模型,准确率为74.81%。
表6数据不平衡下分层DBN模型参数-场景(3)
场景(4)
该场景下,合闸故障数据中,正常样本和轻微分闸回路故障样本大部分保留,严重分闸回路故障样本和传动机构故障样本则缺失严重。具体来说,16-20类样本保留60个,21-25类样本保留30个,26-27类样本保留10个,其他类型的样本数为90个。多层模型的诊断错误的样本总数为24个,准确率为90.37%;利用同样的数据建立的基本DBN模型,准确率为81.48%。
表7数据不平衡下分层DBN模型参数-场景(4)
模型 | 参数 | 误诊断数量 |
DBN-FL | 模型结构:800-100-50-10-6,学习率:0.0001 | 0 |
DBN-SL1 | 模型结构:800-100-45-11,学习率:0.01 | 14 |
DBN-SL2 | 无 | |
DBN-SL3 | 模型结构:800-100-50-10-5,学习率:0.00001 | 0 |
DBN-SL4 | 模型结构:800-100-50-10-3,学习率:0.001 | 2 |
DBN-SL5 | 模型结构:800-100-10-2-2,学习率:0.0002 | 0 |
DBN-SL6 | 模型结构:800-150-100-10-5,学习率:0.00001 | 10 |
综上所述,本发明首先通过建立两层DBN模型来弱化数据不平衡的影响,提高诊断精度,其性能被数据测试的结果证实。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于多层DBN模型的断路器故障诊断方法,其特征在于,包括以下步骤:
S1,数据准备,将断路器的故障数据进行重采样,每个样本保留800个数据,建立故障数据库;将所述故障数据库中的故障数据分为训练集和测试集,并将所述训练集和测试集中的故障数据进行标准化;
S2,预设聚类数C,对训练数据分别进行多次聚类,确定最优聚类数Copt,得到最优聚类结果以及每一个样本的簇标签;
S3,利用训练集的全部故障数据及每个数据对应的簇标签,建立DBN模型并训练;
S4,利用训练集每一个簇中的样本分别建立一个DBN子模型并训练,所述DBN子模型共有Copt个;
S5,将测试集中的样本输入所述DBN模型,得到测试样本的簇标签;
S6,根据所述测试样本的簇标签,选择相应的DBN子模型,将所述测试样本输入与簇标签对应的DBN子模型,得到诊断结果。
2.根据权利要求1所述的一种基于多层DBN模型的断路器故障诊断方法,其特征在于,步骤S1中,将所述训练集和测试集中的故障数据进行标准化的方法为:采用极大极小值标准化,将原始样本值映射到[0,1]之间,标准化公式如下:
其中,x’是标准化后的数据样本,x为原始数据样本,xmax和xmin为样本数据的最大值和最小值。
3.根据权利要求1所述的一种基于多层DBN模型的断路器故障诊断方法,其特征在于,步骤S2中,所述聚类数C的预设范围为2~10。
4.根据权利要求1所述的一种基于多层DBN模型的断路器故障诊断方法,其特征在于,步骤S2中,确定所述最优聚类数Copt的方法为:采用k均值聚类算法对训练数据分别进行多次聚类,计算每一次聚类的轮廓系数,选择最大的轮廓系数对应的聚类数作为最优聚类数Copt。
5.根据权利要求1所述的一种基于多层DBN模型的断路器故障诊断方法,其特征在于,步骤S5中,所述DBN模型训练时使用的数据为训练集全部的样本数据和每个样本对应的聚类簇号。
6.根据权利要求1所述的一种基于多层DBN模型的断路器故障诊断方法,其特征在于,步骤S6中,所述DBN子模型训练时使用的数据为与DBN子模型对应的簇内的样本数据和类别号;所述类别号对应断路器故障的类型。
7.根据权利要求1所述的一种基于多层DBN模型的断路器故障诊断方法,其特征在于,所述诊断方法在测试时,先将测试样本数据输入所述DBN模型,得到测试样本的簇号识别结果,即DBN子模型的选择标签;再将所述测试样本输入与所述标签对应的DBN子模型,得到该测试样本的最终诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510449.5A CN110263837A (zh) | 2019-06-13 | 2019-06-13 | 一种基于多层dbn模型的断路器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910510449.5A CN110263837A (zh) | 2019-06-13 | 2019-06-13 | 一种基于多层dbn模型的断路器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263837A true CN110263837A (zh) | 2019-09-20 |
Family
ID=67918056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910510449.5A Pending CN110263837A (zh) | 2019-06-13 | 2019-06-13 | 一种基于多层dbn模型的断路器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263837A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880369A (zh) * | 2019-10-08 | 2020-03-13 | 中国石油大学(华东) | 基于径向基函数神经网络的气体标志物检测方法及应用 |
CN110940518A (zh) * | 2019-11-27 | 2020-03-31 | 中北大学 | 一种基于故障数据的航天传动机构分析方法 |
CN111191687A (zh) * | 2019-12-14 | 2020-05-22 | 贵州电网有限责任公司 | 基于改进K-means算法的电力通信数据聚类方法 |
CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及***和装置 |
WO2021175278A1 (zh) * | 2020-03-04 | 2021-09-10 | 华为技术有限公司 | 一种模型更新方法以及相关装置 |
CN113434317A (zh) * | 2021-03-11 | 2021-09-24 | 同济大学 | 基于不平衡数据的故障诊断方法和*** |
CN113567844A (zh) * | 2021-06-11 | 2021-10-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种高压断路器状态诊断方法及真空灭弧室结构 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105759201A (zh) * | 2016-03-11 | 2016-07-13 | 江苏镇安电力设备有限公司 | 基于异常样本识别的高压断路器自诊断方法 |
CN105930861A (zh) * | 2016-04-13 | 2016-09-07 | 西安西拓电气股份有限公司 | 一种基于Adaboost算法的变压器故障诊断方法 |
CN108020781A (zh) * | 2017-12-19 | 2018-05-11 | 上海电机学院 | 一种断路器故障诊断方法 |
CN108828441A (zh) * | 2018-06-12 | 2018-11-16 | 江苏镇安电力设备有限公司 | 高压断路器故障诊断方法 |
CN109031114A (zh) * | 2018-09-29 | 2018-12-18 | 华南理工大学 | 一种弹簧操动机构断路器建模与故障诊断方法 |
CN109086817A (zh) * | 2018-07-25 | 2018-12-25 | 西安工程大学 | 一种基于深度信念网络的高压断路器故障诊断方法 |
CN109100646A (zh) * | 2018-08-17 | 2018-12-28 | 国网江苏省电力有限公司检修分公司 | 一种高压断路器故障诊断方法 |
CN109359668A (zh) * | 2018-09-07 | 2019-02-19 | 南京航空航天大学 | 一种航空发动机多故障并发诊断方法 |
-
2019
- 2019-06-13 CN CN201910510449.5A patent/CN110263837A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105759201A (zh) * | 2016-03-11 | 2016-07-13 | 江苏镇安电力设备有限公司 | 基于异常样本识别的高压断路器自诊断方法 |
CN105930861A (zh) * | 2016-04-13 | 2016-09-07 | 西安西拓电气股份有限公司 | 一种基于Adaboost算法的变压器故障诊断方法 |
CN108020781A (zh) * | 2017-12-19 | 2018-05-11 | 上海电机学院 | 一种断路器故障诊断方法 |
CN108828441A (zh) * | 2018-06-12 | 2018-11-16 | 江苏镇安电力设备有限公司 | 高压断路器故障诊断方法 |
CN109086817A (zh) * | 2018-07-25 | 2018-12-25 | 西安工程大学 | 一种基于深度信念网络的高压断路器故障诊断方法 |
CN109100646A (zh) * | 2018-08-17 | 2018-12-28 | 国网江苏省电力有限公司检修分公司 | 一种高压断路器故障诊断方法 |
CN109359668A (zh) * | 2018-09-07 | 2019-02-19 | 南京航空航天大学 | 一种航空发动机多故障并发诊断方法 |
CN109031114A (zh) * | 2018-09-29 | 2018-12-18 | 华南理工大学 | 一种弹簧操动机构断路器建模与故障诊断方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880369A (zh) * | 2019-10-08 | 2020-03-13 | 中国石油大学(华东) | 基于径向基函数神经网络的气体标志物检测方法及应用 |
CN110940518A (zh) * | 2019-11-27 | 2020-03-31 | 中北大学 | 一种基于故障数据的航天传动机构分析方法 |
CN110940518B (zh) * | 2019-11-27 | 2021-08-24 | 中北大学 | 一种基于故障数据的航天传动机构分析方法 |
CN111191687A (zh) * | 2019-12-14 | 2020-05-22 | 贵州电网有限责任公司 | 基于改进K-means算法的电力通信数据聚类方法 |
CN111191687B (zh) * | 2019-12-14 | 2023-02-10 | 贵州电网有限责任公司 | 基于改进K-means算法的电力通信数据聚类方法 |
WO2021175278A1 (zh) * | 2020-03-04 | 2021-09-10 | 华为技术有限公司 | 一种模型更新方法以及相关装置 |
CN112083328A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压断路器故障诊断方法及***和装置 |
CN113434317A (zh) * | 2021-03-11 | 2021-09-24 | 同济大学 | 基于不平衡数据的故障诊断方法和*** |
CN113567844A (zh) * | 2021-06-11 | 2021-10-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种高压断路器状态诊断方法及真空灭弧室结构 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263837A (zh) | 一种基于多层dbn模型的断路器故障诊断方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109669087A (zh) | 一种基于多源信息融合的电力变压器故障诊断方法 | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及*** | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN109141847A (zh) | 一种基于mscnn深度学习的飞机***故障诊断方法 | |
CN105117602A (zh) | 一种计量装置运行状态预警方法 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
CN110118928A (zh) | 一种基于误差逆传播算法的断路器故障诊断方法 | |
CN110530650A (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
CN110569888A (zh) | 基于有向无环图支持向量机的变压器故障诊断方法及装置 | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与*** | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
Yan et al. | Deep learning based total transfer capability calculation model | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
CN109188162A (zh) | 一种基于可拓径向基神经网络的变压器状态评估方法 | |
CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
CN115659258A (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
Li et al. | Multi‐level refined power system operation mode analysis: A data‐driven approach | |
CN115693692A (zh) | 基于配电网电压数据分析的电压合格率提升方法 | |
Xu et al. | Study of fault diagnosis based on probabilistic neural network for turbine generator unit | |
Lin et al. | Transient stability analysis of ac-dc hybrid power grid under topology changes based on deep learning | |
CN113687292A (zh) | 大数据、云环境下电能表错误接线的检测***及方法 | |
CN111552911A (zh) | 一种基于多场景生成的技术线损影响因素定量分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |