CN110689069A - 一种基于半监督bp网络的变压器故障类型诊断方法 - Google Patents
一种基于半监督bp网络的变压器故障类型诊断方法 Download PDFInfo
- Publication number
- CN110689069A CN110689069A CN201910910935.6A CN201910910935A CN110689069A CN 110689069 A CN110689069 A CN 110689069A CN 201910910935 A CN201910910935 A CN 201910910935A CN 110689069 A CN110689069 A CN 110689069A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- samples
- labeled
- network
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于半监督BP网络的变压器故障类型诊断方法,它包括采集变压器油中溶解气体含量数值作为样本;用有标签数据样本训练分类器;再用训练后的分类器不断的标记无标签数据样本;将置信度高于阀值的标记后的数据样本加入有标签样本集合,重新训练分类器,置信度低于阀值的标记后的数据样本加入无标签样本集合;直到满足停止条件,将有标签样本集合DL作为训练集样本输入到BP神经网络模型进行训练,得到训练好的BP神经网络模型;通过训练好的BP神经网络模型对变压器故障类型进行诊断;解决了针对变压器的采样只能获得少量完备数据样本,获取大量具有标签的完备数据样本非常困难,需要花费大量的人力物力等技术问题。
Description
技术领域
本发明属于变压器故障诊断技术,尤其涉及一种基于半监督BP网络的变压器故障类型诊断方法。
背景技术
电力变压器作为电力***中电压变换和电能分配的重要设备,其安全可靠性与电力***的稳定性息息相关。但由于制造缺陷、人为因素和天气影响等,变压器的故障诊断及其发展趋势预测一直受到高度关注。我国大多数电力变压器是油浸式变压器。变压器故障初期,所形成的气体溶解于油中,当故障能量变大,就会形成自由气体。因此,油中溶解气体分析(Dissolved Gas Analysis,DGA)成为了变压器故障诊断的主要手段。
目前,基于DGA的电力变压器故障诊断方法主要分为传统的故障诊断方法和智能诊断方法。传统方法主要是利用IEC三比值法。该方法目前在变压器故障诊断方面应用率很高,它在远离区间分界点的地方准确率很理想,但是,当比值在判断区间交界处附近时,三比值法会有判断不准甚至误判的问题。面对传统比值法的不足之处,研究者们以DGA作为特征量,开展了大量智能故障诊断方法的研究。比如用3步法构造贝叶斯网络,将其与DGA的三比值法结合后实现变压器故障诊断;或采用模糊算法对电力变压器的油中气体分析数据进行聚类分析;或基于遗传支持向量机和灰色人工免疫算法的两级分类器级联的电力变压器故障诊断算法;也提出使用BP网络诊断变压器故障,解决了比值法边界误判问题。但是,现有技术的智能故障诊断方法需要大量的完备数据才能训练得到理想的网络。而通常情况下针对变压器的采样只能获得少量完备数据样本,大量的无标签数据样本;要想获取大量具有标签的完备数据样本非常困难,需要花费大量的人力物力。
发明内容
本发明要解决的技术问题是:提供一种基于半监督BP网络的变压器故障类型诊断方法,以解决现有技术对变压器故障诊断采用智能故障诊断方法存在需要大量完备数据才能训练得到理想的网络;而通常情况下针对变压器的采样只能获得少量完备数据样本,获取大量具有标签的完备数据样本非常困难,需要花费大量的人力物力等技术问题。
本发明的技术方案是:
一种基于半监督BP网络的变压器故障类型诊断方法,它包括:
步骤1、采集变压器油中溶解气体含量数值作为样本,设DN={x1,x2,…,xl+1,xl+2,…,xn}是无标签样本集合,DL={(x1,y1),(x2,y2),…,(xl,yl)}是有标签样本集合;
步骤2、用有标签数据样本训练分类器;
步骤3、再用训练后的分类器不断的标记无标签数据样本;
步骤4、将置信度高于阀值的标记后的数据样本加入有标签样本集合,重新训练分类器,置信度低于阀值的标记后的数据样本加入无标签样本集合;
步骤5、重复步骤2-4,直到满足停止条件,停止条件为DN用完;
步骤6、将有标签样本集合DL作为训练集样本输入到BP神经网络模型进行训练,得到训练好的BP神经网络模型;
步骤7、通过训练好的BP神经网络模型对变压器故障类型进行诊断。
所述样本数据大小为3×8维,将其变换成1×24维输入网络,对所有数据进行归一化为[0,1]之间的值,归一化方法采用最大最小法:
xk=(xk-xmin)/(xmax-xmin)
式中xmin为数据序列中的最小值;xmax为数据序列中的最大值。
样本数据选择使用生成对抗网络GAN来做数据平衡处理;生成对抗网络的框架中包含一对相互对抗的模型:判别器和生成器,判别器是用来判别数据真假的,输入的样本为真,则判别器输出1,输入的样本为假,判别器输出0。
本发明有益效果:
本发明利用初始的有标记样本数据训练出一个分类器,然后利用这个训练好的分类器,对无标记样本进行分类,并选择置信度高的被打上标记的样本加入到有标记样本集中,不断迭代,直到达到停止条件,以这样的方式来扩大有标记样本的容量,以BP神经网络作为主体,将其应用于变压器故障诊断与分析;实验证明,改进后的网络故障诊断性能得到提高,验证了半监督学习的有效性与实用性;解决了现有技术对变压器故障诊断采用智能故障诊断方法存在需要大量完备数据才能训练得到理想的网络;而通常情况下针对变压器的采样只能获得少量完备数据样本,获取大量具有标签的完备数据样本非常困难,需要花费大量的人力物力等技术问题。
具体实施方式
一种基于半监督BP网络的变压器故障类型诊断方法,它包括:
自训练算法是半监督学习中的一种方法,由于其简单有效性,不需要特定的假设条件,在自训练方法中,首先用少量的有标签数据样本训练分类器,再用训练后的分类器不断的标记无标签数据样本,并选置信度高的样本加入训练集集,重新训练分类器,直到满足停止标准
设DN={x1,x2,…,xl+1,xl+2,…,xn}是无标记样本集合,DL={(x1,y1),{x2,y2),…,(xl,yl)}是有标记样本集合。
算法流程如下:
①用DL初始化分类器。
②从DN中随机选出一部分数据样本,用分类器对它们进行分类预测。然后选出置信度高的样本放入到训练集,重新用训练集来训练分类器。置信度低的样本重新返回无标记样本池。
③重复步骤②,直到满足停止条件。本文设置的停止条件是DN用完。
其中分类器是一个分类模型。本文分类器采用BP神经网络。
BP神经网络的学习过程主要分为两部分:第一部分是输入数据进行正向传播,第二部分是根据标签与网络输出的误差进行反向传播。BP神经网络的学习训练过程分为以下几个步骤:
①初始化BP神经网络
根据输入样本数据及其标签数量,确定输入层i的节点数n、输出层k的节点数m、隐含层j的节点数l,初始化输入层和隐含层之间的权重ωij,初始化隐含层和输出层之间的连接权值ωjk,初始化隐含层和输出层的阈值a、b,设置学习速率和隐含层激励函数。
②计算隐含层输出Hj
j=1,2,...,l
其中,Hj为隐含层第j个单元的输出值;f为激励函数,本文选用Sigmoid函数,l为选定的隐含层节点数。
③计算输出层输出Ok
式中,Ok为输出层第k个单元的输出值;ωjk为隐含层和输出层之间的连接权值,bk为输出层第k个输出单元的阈值。
④计算网络输出值与原始样本标签值的误差ek
ek=Yk-Okk=1,2,...,m (3)
其中,ek为输出层第k个单元的误差值,Yk为输出层第k个单元的标签值。
⑤更新权重ωij,ωjk
i=1,2,...,n;j=1,2,...,l
ωjk=ωjk+ηHjek (5)
k=1,2,...,m;j=1,2,...,l
其中,ωij为输入层和隐含层之间的权重,ωjk为隐含层和输出层之间的权重,η为学习速率。
⑥更新阈值a,b
j=1,2,...,l
bk=bk+ek (7)
k=1,2,...,m
其中,aj为隐含层第j个单元的阈值;bk为输出层第k个单元的阈值。
⑦判断终止条件
本文采用终止条件为达到一定迭代次数。判断是否达到设置的终止条件,若达到则结束程序,若没有达到,则重复步骤②~⑥。
由于电压等级在220kV及以下的变压器油中溶解气体含量阈值相同,故本次选取的所有数据均为220kV及以下的变压器油中溶解气体含量数值。每组样本数据大小为1×8维,分别是CH4、C2H6、C2H4、C2H2、总烃、H2、CO、CO2。由于变压器的故障存在随着时间发展和变化的现象,且由于监测设备造成的假故障数据时常存在,故单独提取一次监测数据来做故障诊断的意义不大。本课题选取的样本数据均为连续三次监测的变压器油色谱监测数据,每组样本数据大小为3×8维,将其变换成1×24维输入网络,对所有数据进行归一化为[0,1]之间的值,避免样本各维之间的数量级差别较大。本文归一化方法采用最大最小法:
xk=(xk-xmin)/(xmax-xmin) (8)
其中,xmin为数据序列中的最小值;xmax为数据序列中的最大值。
在变压器油色谱的监测中,正常状态与异常状态的样本数据量相差悬殊,本文得到的变压器油色谱监测数据中,正常数据与异常数据之比约为50∶1。因其数据不平衡性,使用BP神经网络对其进行分类效果并不理想,存在严重的过拟合和网络不收敛现象。为了解决不平衡数据问题,选择使用生成对抗网络(Generative Adversarial Networks,GAN)来做数据平衡处理。
受博弈论中二元零和博弈的启发,生成对抗网络的框架中包含一对相互对抗的模型:判别器和生成器。判别器是用来判别数据真假的,输入的样本为真,则判别器输出1,输入的样本为假,判别器输出0。生成器则尽可能的逼近真实数据的分布,使得判别器无法判断生成器输出样本的真假;通过对每一类数据进行学***衡,但生成的样本仅用于网络训练,网络测试样本一律使用真实数据进行。
本发明技术方案的仿真使用电脑设备的操作***为Windows 10(64bite),CPU为Inteli7-6500U,内存为8GB,建模仿真平台为MATLAB R2014a。表1给出了变压器五种状态及其对应编码。采样数据共5800组,其中5000组标签样本用于训练网络,对应DL,5类数据各占1000组;400组无标签样本用于扩张训练集,对应中DN;另外400组无标签样本用于测试网络分类性能。800组无标签样本中,5类数据各占160组。
表1输出结果编码与变压器状态对应关系
通过BP神经网络在不同迭代次数的误差对比。可以看出,迭代次数在250次之前网络学习误差有较大波动,250次后网络趋于稳定,不再发生较大波动。
为了分析学习率的变化对BP神经网络的整体影响,表2给出了变学习率以及定学习率分别为0.01、0.1、0.7的计算结果。
表2学习率对网络的影响
由表2可知,当学习率为0.01和0.1时,网络分类正确率相差不大,但是当学习率为0.7时,学习率过大,导致网络的分类正确率较低。与定学习率对比,变学习率的分类正确率最高,采用变学习率能够提升BP神经网络的分类性能。
用标准BP神经网络代替自训练学***均分类正确率,将半监督BP神经网络的分类正确率与标准BP神经网络的分类正确率作对比。
表3网络改进前后正确率对比
由表3可知,在训练集数量较小时,自训练算法中加入到训练集的高置信度未标记样本起到了重要作用,提高了平均正确率5%以上,证明了自训练算法的有效性和实用性。
Claims (3)
1.一种基于半监督BP网络的变压器故障类型诊断方法,它包括:
步骤1、采集变压器油中溶解气体含量数值作为样本,样本分为无标签样本集合DN和有标签样本集合DL;
步骤2、用有标签数据样本训练BP分类器;
步骤3、再用训练后的BP分类器不断的标记无标签数据样本;
步骤4、将置信度高于阀值的标记后的数据样本加入有标签样本集合,重新训练BP分类器,置信度低于阀值的标记后的数据样本加入无标签样本集合;
步骤5、重复步骤2-4,直到满足停止条件,停止条件为DN用完;
步骤6、将有标签样本集合DL作为训练集样本输入到BP神经网络模型进行训练,得到训练好的BP神经网络模型;
步骤7、通过训练好的BP神经网络模型对变压器故障类型进行诊断。
2.根据权利要求1所述的一种基于半监督BP网络的变压器故障类型诊断方法,其特征在于:所述样本数据大小为3×8维,将其变换成1×24维输入网络,对所有数据进行归一化为[0,1]之间的值,归一化方法采用最大最小法:
xk=(xk-xmin)/(xmax-xmin)
式中xmin为数据序列中的最小值;xmax为数据序列中的最大值。
3.根据权利要求1所述的一种基于半监督BP网络的变压器故障类型诊断方法,其特征在于:其特征在于:样本数据选择使用生成对抗网络GAN来做数据平衡处理;生成对抗网络的框架中包含一对相互对抗的模型:判别器和生成器,判别器是用来判别数据真假的,输入的样本为真,则判别器输出1,输入的样本为假,判别器输出0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910935.6A CN110689069A (zh) | 2019-09-25 | 2019-09-25 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910935.6A CN110689069A (zh) | 2019-09-25 | 2019-09-25 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689069A true CN110689069A (zh) | 2020-01-14 |
Family
ID=69110610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910910935.6A Pending CN110689069A (zh) | 2019-09-25 | 2019-09-25 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689069A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353995A (zh) * | 2020-03-31 | 2020-06-30 | 成都信息工程大学 | 一种基于生成对抗网络的宫颈单细胞图像数据生成方法 |
CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
CN111754020A (zh) * | 2020-05-14 | 2020-10-09 | 大唐七台河发电有限责任公司 | 基于数据分析的智能电厂设备巡检***及方法 |
CN112016473A (zh) * | 2020-08-31 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 |
CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
CN114866264A (zh) * | 2021-01-19 | 2022-08-05 | 上海观安信息技术股份有限公司 | 一种基于半监督学习算法的dga域名检测与家族聚类的方法 |
CN115935807A (zh) * | 2021-06-28 | 2023-04-07 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的诊断模型的训练方法 |
CN117390520A (zh) * | 2023-12-08 | 2024-01-12 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563422A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 一种基于半监督卷积神经网络的极化sar分类方法 |
CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
WO2018140337A1 (en) * | 2017-01-26 | 2018-08-02 | Siemens Aktiengesellschaft | A unifying semi-supervised approach for machine condition monitoring and fault diagnosis |
CN109033612A (zh) * | 2018-07-20 | 2018-12-18 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
CN109102031A (zh) * | 2018-08-28 | 2018-12-28 | 贵州电网有限责任公司 | 一种基于神经网络的油浸式变压器故障检测方法 |
CN109489946A (zh) * | 2018-09-21 | 2019-03-19 | 华中科技大学 | 一种旋转机械的故障诊断方法及*** |
-
2019
- 2019-09-25 CN CN201910910935.6A patent/CN110689069A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018140337A1 (en) * | 2017-01-26 | 2018-08-02 | Siemens Aktiengesellschaft | A unifying semi-supervised approach for machine condition monitoring and fault diagnosis |
CN107563422A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 一种基于半监督卷积神经网络的极化sar分类方法 |
CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
CN109033612A (zh) * | 2018-07-20 | 2018-12-18 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
CN109102031A (zh) * | 2018-08-28 | 2018-12-28 | 贵州电网有限责任公司 | 一种基于神经网络的油浸式变压器故障检测方法 |
CN109489946A (zh) * | 2018-09-21 | 2019-03-19 | 华中科技大学 | 一种旋转机械的故障诊断方法及*** |
Non-Patent Citations (4)
Title |
---|
丛冰杰: "油中色谱分析在电力变压器故障诊断中的工程应用", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
王俊: "基于深度学习的行星齿轮箱故障诊断技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
郭新辰等: "基于半监督分类方法的变压器故障诊断", 《高电压技术》 * |
郭芷榕: "基于BP神经网络和半监督学习的时间序列分类模型研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353995A (zh) * | 2020-03-31 | 2020-06-30 | 成都信息工程大学 | 一种基于生成对抗网络的宫颈单细胞图像数据生成方法 |
CN111353995B (zh) * | 2020-03-31 | 2023-03-28 | 成都信息工程大学 | 一种基于生成对抗网络的宫颈单细胞图像数据生成方法 |
CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
CN111695288B (zh) * | 2020-05-06 | 2023-08-08 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
CN111754020A (zh) * | 2020-05-14 | 2020-10-09 | 大唐七台河发电有限责任公司 | 基于数据分析的智能电厂设备巡检***及方法 |
CN112016473A (zh) * | 2020-08-31 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 |
CN112016473B (zh) * | 2020-08-31 | 2022-09-13 | 国网安徽省电力有限公司电力科学研究院 | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 |
CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
CN114866264A (zh) * | 2021-01-19 | 2022-08-05 | 上海观安信息技术股份有限公司 | 一种基于半监督学习算法的dga域名检测与家族聚类的方法 |
CN115935807A (zh) * | 2021-06-28 | 2023-04-07 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的诊断模型的训练方法 |
CN117390520A (zh) * | 2023-12-08 | 2024-01-12 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及*** |
CN117390520B (zh) * | 2023-12-08 | 2024-04-16 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689069A (zh) | 一种基于半监督bp网络的变压器故障类型诊断方法 | |
CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN105930277B (zh) | 一种基于缺陷报告分析的缺陷源代码定位方法 | |
CN110689068B (zh) | 一种基于半监督svm的变压器故障类型诊断方法 | |
CN107886168A (zh) | 一种使用多层感知器神经网络进行电梯故障识别的方法 | |
CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
CN104155574A (zh) | 基于自适应神经模糊推理***的配电网故障分类方法 | |
CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
CN112070128A (zh) | 一种基于深度学习的变压器故障诊断方法 | |
CN107846012A (zh) | 一种基于深度学习技术的电力***暂态稳定评估方法 | |
CN109784692B (zh) | 一种基于深度学习的快速安全约束经济调度方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN106768933A (zh) | 一种基于遗传算法的风电机组叶片故障诊断方法 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
CN107689015A (zh) | 一种改进的电力***不良数据辨识方法 | |
CN113610119A (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、***、介质及电子设备 | |
CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN112990593A (zh) | 基于cso-ann-el算法的变压器故障诊断及状态预测方法 | |
CN105335763A (zh) | 一种基于改进型极速学习机的织物疵点分类方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及*** | |
Yan et al. | Electricity theft identification algorithm based on auto-encoder neural network and random forest |
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 |