CN110472671B - 基于多阶段的油浸式变压器故障数据预处理方法 - Google Patents
基于多阶段的油浸式变压器故障数据预处理方法 Download PDFInfo
- Publication number
- CN110472671B CN110472671B CN201910673064.0A CN201910673064A CN110472671B CN 110472671 B CN110472671 B CN 110472671B CN 201910673064 A CN201910673064 A CN 201910673064A CN 110472671 B CN110472671 B CN 110472671B
- Authority
- CN
- China
- Prior art keywords
- data
- transformer
- isolated point
- sample
- immersed transformer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007781 pre-processing Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 239000004215 Carbon black (E152) Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 229930195733 hydrocarbon Natural products 0.000 claims description 3
- 150000002430 hydrocarbons Chemical class 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Housings And Mounting Of Transformers (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明公开的基于多阶段的油浸式变压器故障数据预处理方法,采集油浸式变压器数据,对其进行孤立点检测,根据孤立点检测的结果,对油浸式变压器数据进行预处理得到待分析的数据集,实现数据预处理。本发明公开的方法利用聚类算法对原始数据进行孤立点检测,并根据变压器的相关导则标准建立规则,剔除伪错误数据,大大降低错报数据量,减少故障诊断分析量,减少工程人员的工作量。利用数据采集约定构建规则II判断是否缺损和冗余,通过数据填充算法和数据简约方法对数据进行补偿,提升了数据质量。
Description
技术领域
本发明属于变压器故障监测技术领域,具体涉及一种基于多阶段的油浸式变压器故障数据预处理方法。
背景技术
变压器在电力***中应用广泛,其安全稳定的运行状态关系着电网与人民的安全,发生故障将造成很大的经济损失。因此,国家电网也不断将先进的传感器技术和在线监测手段应用于变压器状态的监测,由各在线监测***传回的数据也能够“较准确”的反映变压器的运行状态,但由于变压器运行环境的不确定性、现场人员的误操作、以及通信故障等问题,会产生部分“脏数据”影响变压器故障诊断分析。
因此,通过数据挖掘相关数据预处理技术检测出“脏数据”并通过相应的算法或标准进行数据修复或者丢弃,对变压器故障诊断的准确性显得十分重要。现有的变压器“脏数据”检测多采用滑动窗口和聚类算法结合来进行分析,而没有与电力变压器相关行业标准结合,仅靠算法往往难以满足要求,而孤立点检测算法已经广泛应用于交通流数据监测,并取得良好的效果。所以,将孤立点检测算法与电力变压器相关行业标准结合,对在线监测数据进行分析。
本发明基于多阶段预处理方法,能够处理任意类型的变压器在线监测数据,为变压器设备的故障诊断提供良好的数据源(以油中溶解气体数据为例),以提高变压器故障诊断的分析效果。
发明内容
本发明的目的是提供一种基于多阶段的油浸式变压器故障数据预处理方法,解决了现有的监测***上传数据时,因为偶然性问题产生的“脏数据”,从而导致变压器故障诊断算法精确度不高的问题。
本发明所采用的技术方案是,基于多阶段的油浸式变压器故障数据预处理方法,具体操作过程包括以下步骤:
步骤1,采集油浸式变压器数据,对其进行孤立点检测;
步骤2,根据孤立点检测的结果,对油浸式变压器数据进行预处理得到待分析的数据集,实现数据预处理。
本发明的其他特点还在于,
进一步地,将步骤2得到数据集进行通过现有的分类算法进行训练得到故障诊断模型,实现变压器故障诊断,提高故障诊断的精度;
现有的分类算法为神经网络、支持向量机、极限学习算法中的任意一种或常见的可生成二分类器的算法。
优选的,步骤1的具体过程如下:
定义采集油浸式变压器数据为X={x1,x2,…xN},定义其中每个对象有m个属性,即xi={xi1,xi2…xim},i=(1,2,…n),为了降低误差,对输入的数据在[-1,1]进行归一化处理,归一化后的X记为X1,如下矩阵所示:
计算归一化处理后各对象两两之间的相似系数rij,判断X中各对象的离散程度,并构成相似系数矩阵:
其中,λ为阈值,λi≥λ的对象则被认为是孤立点集。
优选的,步骤2的具体过程如下:
步骤2.1,将步骤1得到的孤立点数据通过变压器监测中的标准规则I判断出错误数据;
步骤2.2,将步骤1中得到的非孤立点数据按照变压器监测中约定的规则II判断出冗余数据和丢失数据,并通过数据填充算法和数据简约方法进行填充和简约。
优选的,步骤2.1中规则I的内容如下:
由变压器相关的行业标准及导则组成:规定运行中变压器总烃含量应小于阈值150uL/L。
优选的,步骤1中当孤立点数据超阈值150uL/L,被判断为错误值,进入DAG-ELMS故障诊断模型,反之剔除此条数据,不进行分析。
优选的,步骤2.2中的规则II的内容为:按照监测手段的固定数据采集周期进行扫描,某一周期数据缺失或增多,则分别为数据丢失或冗余。
优选的,步骤2.2的具体过程如下:
按照规则II规定的扫描时间段内的应获取数据定义为a条,实际获取数据为b条,若发生a不等于b时,具体过程如下:
步骤2.2.1,若a>b时,则认为该时段数据冗余;则对数据进行以下处理:
对于采集到的a中每一个样本xi进行标记,通过随机抽样法选择b个数据进入待分析数据集;若a<b时,则认为该时段数据缺失;则对数据进行SMOTE;
步骤2.2.2,对于采集到的a中每一个样本xi,以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其k近邻;
步骤2.2.3,根据样本不平衡比例设置一个采样比例以确定采样倍率N,N=b/a,对于每一个少数类样本xi,从其k近邻中随机选择若干个样本,假设选择的近邻为xn;
步骤2.2.4,对于每一个随机选出的近邻xn,分别与原样本按照如下的公式构建新的样本:
Pi=X+rand(0,1)*(yi-a)i=1,2,…,n
式中,Pi为新生成的样本数据,a为选择的原始样本数据,rand(0,1)表示0与1之间的某一随机数,yi为原始样本数据a的最近邻样本;
步骤2.2.5,将填充完整后的此时段内的数据结果放入待分析数据集。
本发明的有益效果是,基于多阶段的油浸式变压器故障数据预处理方法,能够根据实际工程中的在线监测数据进行多阶段预处理,解决“脏数据”对油浸式变压器故障诊断效果的影响。利用聚类算法对原始数据进行孤立点检测,并根据变压器的相关导则标准建立规则,剔除伪错误数据,大大降低错报数据量,减少故障诊断分析量,减少工程人员的工作量。利用数据采集约定构建规则II判断是否缺损,通过数据填充算法对缺损数据进行补偿,提升了数据质量。
附图说明
图1是本发明的基于多阶段的油浸式变压器故障数据预处理方法的流程示意图;
图2是本发明的实施例中本发明方法中DGA-ELM分类结构图。
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。
本发明的基于多阶段的油浸式变压器故障数据预处理方法,如图1所示,具体操作过程包括以下步骤:
步骤1,采集油浸式变压器数据,对其进行孤立点检测;
步骤1的具体过程如下:
定义采集油浸式变压器数据为X={x1,x2,…xN},定义其中每个对象有m个属性,即xi={xi1,xi2…xim},i=(1,2,…n),为了降低误差,对输入的数据在[-1,1]进行归一化处理,归一化后的X记为X1,如下矩阵所示:
计算归一化处理后各对象两两之间的相似系数rij,判断X中各对象的离散程度,并构成相似系数矩阵:
其中,λ为阈值,λi≥λ的对象则被认为是孤立点集。
步骤2,根据孤立点检测的结果,对油浸式变压器数据进行预处理得到待分析的数据集;
步骤2的具体过程如下:
步骤2.1,孤立点检测算法判断为孤立点组成集合,但由孤立点集中的数据并非都是错误数据,所以在检测出孤立点后还需结合规则I确实孤立点是否为错误数据,将步骤I得到的孤立点数据通过变压器监测中的标准规则I判断出错误数据;
规则I的内容如下:
由变压器相关的行业标准及导则组成:规定运行中变压器总烃含量应小于阈值150uL/L。
步骤1中当孤立点数据超此阈值150uL/L,被判断为错误值,进入DAG-ELMS故障诊断模型,反之剔除此条数据,不进行分析。
步骤2.2,将步骤1中得到的非孤立点数据按照变压器监测中约定的规则II判断出冗余数据和丢失数据,并通过数据填充算法和数据简约方法进行填充和简约;
规则II的内容为:按照监测手段的固定数据采集周期进行扫描,某一周期数据缺失或增多,则分别为数据丢失或冗余。将这一规定扫描时间段内的应获取数据定义为a条(由规则II确定),实际获取数据为b条,若发生a不等于b时,具体过程如下:
步骤2.2.1,若a>b时,则认为该时段数据冗余,对于采集到的a中每一个样本xi进行标记,通过随机抽样法选择b个数据进入待分析数据集;若a<b时,则认为该时段数据缺失;则对数据进行SMOTE;
插值处理:
步骤2.2.2,对于采集到的a中每一个样本xi,以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其k近邻;
步骤2.2.3,根据样本不平衡比例设置一个采样比例以确定采样倍率N,N=b/a,对于每一个少数类样本xi,从其k近邻中随机选择若干个样本,假设选择的近邻为xn;
步骤2.2.4,对于每一个随机选出的近邻xn,分别与原样本按照如下的公式构建新的样本:
Pi=X+rand(0,1)*(yi-a)i=1,2,…,n
式中,Pi为新生成的样本数据,a为选择的原始样本数据,rand(0,1)表示0与1之间的某一随机数,yi为原始样本数据a的最近邻样本;
步骤2.2.5,将填充完整后的此时段内的数据结果放入待分析数据集。
步骤3,将步骤2得到数据集进行通过现有的算法进行训练得到故障诊断模型,从而实现变压器故障诊断。
步骤3,因为常见的机器学习算法皆可生成二分类模型,所以故障诊断算法的基分类器可以是神经网络、支持向量机、极限学习机等常见算法中的任意一种,本文的方法具有普适性。例如:以变压器油中溶解气体在线监测数据为例作为分析,其数据经过多阶段预处理后进行故障诊断,以极限学习机算法作为基分类器,建立DAG-ELMS模型,如图2所示:
步骤3.1:首先将某一类别样本表示为正类,其他样本表示为负类,训练得出一个决策函数;然后,从负类样本中选取一类表示为正类,其余的依然表示为负类,接着训练得出另一个决策函数,以此类推可以得到6个决策函数,同时也得到了多级极限学习机故障诊断模型;
步骤3.2:对极限学习机网络的输入权值矩阵W={wi}和隐藏层结点偏置向量B={bi}进行赋值,其中wi=(wi1,wi2,…win)T是连接第i个隐藏层结点的输入权值;bi是第i个隐藏层结点偏置;βi=[βi1,βi2,…,βim]T是连接第i个隐藏层结点的输出权值,其中所有的
上式中,wi·xj是wi和xj的内积,激励函数g(·)选择“sigmoid”。
Claims (3)
1.基于多阶段的油浸式变压器故障数据预处理方法,其特征在于,具体操作过程包括以下步骤:
步骤1,采集油浸式变压器数据,对其进行孤立点检测;
步骤2,根据孤立点检测的结果,对油浸式变压器数据进行预处理得到待分析的数据集,实现数据预处理;
将步骤2得到数据集进行通过现有的分类算法进行训练得到故障诊断模型,实现变压器故障诊断,提高故障诊断的精度;
所述现有的分类算法为神经网络、支持向量机、极限学习算法中的任意一种或常见的可生成二分类器的算法;
所述步骤1的具体过程如下:
定义采集油浸式变压器数据为X={x1,x2,…xn},定义其中每个对象有m个属性,即xi={xi1,xi2…xim},i=(1,2,…n),为了降低误差,对输入的数据在[-1,1]进行归一化处理,归一化后的X记为X1,如下矩阵所示:
计算归一化处理后各对象两两之间的相似系数rij,判断X中各对象的离散程度,并构成相似系数矩阵:
其中,λ为阈值,λi≥λ的对象则被认为是孤立点集;
所述步骤2的具体过程如下:
步骤2.1,将步骤1得到的孤立点数据通过变压器监测中的标准规则I判断出错误数据;
步骤2.1,孤立点检测算法判断为孤立点组成集合,但由孤立点集中的数据并非都是错误数据,所以在检测出孤立点后还需结合规则I确实孤立点是否为错误数据,将步骤I得到的孤立点数据通过变压器监测中的标准规则I判断出错误数据;
规则I的内容如下:
由变压器相关的行业标准及导则组成:规定运行中变压器总烃含量应小于阈值150uL/L;
步骤1中当孤立点数据超此阈值150uL/L,被判断为错误值,进入DAG-ELMS故障诊断模型,反之剔除此条数据,不进行分析;
步骤2.2,将步骤1中得到的非孤立点数据按照变压器监测中约定的规则II判断出冗余数据和丢失数据,并通过数据填充算法和数据简约方法进行填充和简约。
2.如权利要求1所述的基于多阶段的油浸式变压器故障数据预处理方法,其特征在于,所述步骤2.2中的规则II的内容为:按照监测手段的固定数据采集周期进行扫描,某一周期数据缺失或增多,则分别为数据丢失或冗余。
3.如权利要求2所述的基于多阶段的油浸式变压器故障数据预处理方法,其特征在于,所述步骤2.2的具体过程如下:
按照规则II规定的扫描时间段内的应获取数据定义为a条,实际获取数据为b条,若发生a不等于b时,具体过程如下:
步骤2.2.1,若a>b时,则认为该时段数据冗余;则对数据进行以下处理:
对于采集到的a中每一个样本xi进行标记,通过随机抽样法选择b个数据进入待分析数据集;若a<b时,则认为该时段数据缺失;则对数据进行SMOTE;
步骤2.2.2,对于采集到的a中每一个样本xi,以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其k近邻;
步骤2.2.3,根据样本不平衡比例设置一个采样比例以确定采样倍率N,N=b/a,对于每一个少数类样本xi,从其k近邻中随机选择若干个样本,假设选择的近邻为xn;
步骤2.2.4,对于每一个随机选出的近邻xn,分别与原样本按照如下的公式构建新的样本:
Pi=X+rand(0,1)*(yi-a) i=1,2,…,n
式中,Pi为新生成的样本数据,a为选择的原始样本数据,rand(0,1)表示0与1之间的某一随机数,yi为原始样本数据a的最近邻样本;
步骤2.2.5,将填充完整后的此时段内的数据结果放入待分析数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673064.0A CN110472671B (zh) | 2019-07-24 | 2019-07-24 | 基于多阶段的油浸式变压器故障数据预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673064.0A CN110472671B (zh) | 2019-07-24 | 2019-07-24 | 基于多阶段的油浸式变压器故障数据预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472671A CN110472671A (zh) | 2019-11-19 |
CN110472671B true CN110472671B (zh) | 2023-05-12 |
Family
ID=68508886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910673064.0A Active CN110472671B (zh) | 2019-07-24 | 2019-07-24 | 基于多阶段的油浸式变压器故障数据预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472671B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968048B (zh) * | 2020-07-30 | 2024-03-26 | 国网智能科技股份有限公司 | 电力巡检少样本图像数据增强方法及*** |
CN111897332B (zh) * | 2020-07-30 | 2022-10-11 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及*** |
CN112000655A (zh) * | 2020-08-26 | 2020-11-27 | 广东电网有限责任公司广州供电局 | 一种变压器负荷数据预处理方法、装置和设备 |
CN112733878A (zh) * | 2020-12-08 | 2021-04-30 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于kmeans-SVM算法的变压器故障诊断方法 |
CN113066540B (zh) * | 2021-03-19 | 2023-04-11 | 新疆大学 | 一种油浸式变压器非平衡故障样本预处理方法 |
CN117740083B (zh) * | 2024-02-19 | 2024-05-10 | 达斯玛环境科技(北京)有限公司 | 一种搅拌器故障监测方法、***、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
CN107145675A (zh) * | 2017-05-17 | 2017-09-08 | 国网天津市电力公司 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
CN109632975A (zh) * | 2018-12-22 | 2019-04-16 | 武汉新运维光电科技股份有限公司 | 一种变压器油色谱数据综合分析及缺陷预测***及方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2986868B2 (ja) * | 1990-03-14 | 1999-12-06 | 株式会社日立製作所 | 外観検査方法及びその装置 |
US20070219741A1 (en) * | 2005-05-20 | 2007-09-20 | Emilio Miguelanez | Methods and apparatus for hybrid outlier detection |
US7269665B2 (en) * | 2002-08-29 | 2007-09-11 | Sap Ag | Isolated mapping point |
US8788097B2 (en) * | 2009-06-22 | 2014-07-22 | Johnson Controls Technology Company | Systems and methods for using rule-based fault detection in a building management system |
CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力***设备变压器状态的检测方法 |
CN105203876B (zh) * | 2015-09-15 | 2018-04-24 | 云南电网有限责任公司电力科学研究院 | 一种利用支持向量机和相关分析的变压器在线监测状态评估方法 |
CN105512474B (zh) * | 2015-12-02 | 2017-12-12 | 国网山东省电力公司电力科学研究院 | 一种变压器状态监测数据的异常检测方法 |
CN105550700B (zh) * | 2015-12-08 | 2019-04-09 | 国网山东省电力公司电力科学研究院 | 一种基于关联分析和主成分分析的时间序列数据清洗方法 |
CN107358366B (zh) * | 2017-07-20 | 2020-11-06 | 国网辽宁省电力有限公司 | 一种配电变压器故障风险监测方法及*** |
CN107894969B (zh) * | 2017-09-13 | 2020-11-24 | 山东大学 | 一种基于趋势分析的变压器潜伏性故障预警方法 |
CN108875783A (zh) * | 2018-05-09 | 2018-11-23 | 西安工程大学 | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 |
CN109765332A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 基于隔离森林的变压器异常值实时检测和故障诊断方法 |
CN109614576B (zh) * | 2018-12-11 | 2022-08-30 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109977916B (zh) * | 2019-04-09 | 2022-12-27 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于嵌入式平台的变压器油中溶解气体在线监测*** |
-
2019
- 2019-07-24 CN CN201910673064.0A patent/CN110472671B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
CN107145675A (zh) * | 2017-05-17 | 2017-09-08 | 国网天津市电力公司 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
CN109632975A (zh) * | 2018-12-22 | 2019-04-16 | 武汉新运维光电科技股份有限公司 | 一种变压器油色谱数据综合分析及缺陷预测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110472671A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472671B (zh) | 基于多阶段的油浸式变压器故障数据预处理方法 | |
CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
CN111898839B (zh) | 电力用户的重要程度分类方法及装置 | |
CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
CN109657147B (zh) | 基于萤火虫和加权极限学习机的微博异常用户检测方法 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型***及方法 | |
CN111507504A (zh) | 基于数据重采样的Adaboost集成学习电网故障诊断***及方法 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN112949714A (zh) | 一种基于随机森林的故障可能性预估方法 | |
CN115237717A (zh) | 一种微服务异常检测方法和*** | |
CN110321493A (zh) | 一种社交网络的异常检测与优化方法、***及计算机设备 | |
CN117763316A (zh) | 一种基于机器学习的高维数据降维方法及降维*** | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
Su et al. | KPI anomaly detection method for Data Center AIOps based on GRU-GAN | |
CN115082713B (zh) | 引入空间对比信息的目标检测框提取方法、***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 | |
CN116383645A (zh) | 一种基于异常检测的***健康度智能监测评估方法 | |
CN116011982A (zh) | 一种磨煤机磨辊断裂在线监测方法及*** | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和*** | |
CN115659135A (zh) | 一种面向多源异构工业传感器数据的异常检测方法 | |
CN109635008A (zh) | 一种基于机器学习的设备故障检测方法 | |
CN115018007A (zh) | 一种基于改进id3决策树的敏感数据分类方法 | |
KR20220076780A (ko) | 인공지능(Artificial Intelligence, AI) 알고리즘 수행 방법, 인공지능 알고리즘 수행 장치 및 인공지능 알고리즘 수행하는 소프트웨어를 저장하는 저장매체 |
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 |