CN111144431A - 一种基于cbbo-svm的变压器故障诊断方法 - Google Patents
一种基于cbbo-svm的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN111144431A CN111144431A CN201811312408.7A CN201811312408A CN111144431A CN 111144431 A CN111144431 A CN 111144431A CN 201811312408 A CN201811312408 A CN 201811312408A CN 111144431 A CN111144431 A CN 111144431A
- Authority
- CN
- China
- Prior art keywords
- habitat
- cbbo
- svm
- fault diagnosis
- species
- 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.)
- Granted
Links
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
- G06F18/21—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于CBBO‑SVM的变压器故障诊断方法,具体步骤如下,步骤1、所采集的油浸式变压器带有类标签的样本集S={(x1,x2,x3,...xn),(y1,y2,y3,...,xm)};步骤2、对所采集到的数据进行预处理暨归一化处理:将输入量和输出量都归一化到[0,1],以达到计算方便的目的;步骤3、利用CBBO对支持向量机的参数ci和σi进行优化;步骤4、利用步骤3优化后得到的参数ci和σi建立多级SVM模型,利用样本集数据进行分类,从而达到油浸式变压器故障诊断的效果。该方法能够利用CBBO(混沌生物地理学)算法对SVM(支持向量机)算法的参数进行优化,有效的提高分类的准确率。
Description
技术领域
本发明属于变压器故障在线监测技术领域,具体涉及一种基于CBBO-SVM的变压器故障诊断方法。
背景技术
现今,全国范围用电需求量迅猛提高,电力***日益向高电压等级、高自动化的大电网联动方向前进,电力变压器的稳定运行不仅有助于推动特高压建设,而且与电力***、医疗、工业乃至消费者的生活息息相关。由于变压器自身结构复杂加之其制造、安装、运维、检修等各个环节交互影响,使之在运行过程中易发故障。油浸式变压器在所有变压器种类中占有极大的比例。因此,对油浸式变压器进行故障诊断非常有必要。
油浸式变压器传统的诊断方法主要涉及:三比值法、大卫三角形、气体图形法、特征气体法等等,这些诊断方法已经十分成熟了,但是在不断发展的今天,这些诊断方法逐步暴露出很多缺点,例如:准确度低、无法判断多种故障并存时的情况、比值编码组合不全等等。人们在传统的诊断方法上加入BP神经网络、贝叶斯算法、萤火虫算法等智能算法,虽然一定程度上提高了准确度,但却出现了新的问题,例如:所需故障数据多、迭代次数高、计算时间长等不足。
因此本发明提出了一种基于CBBO-SVM(混沌生物地理学优化支持向量机)的变压器故障诊断方法,这种诊断方法具有能在较低的迭代次数的前提下得到最优参数,而且使诊断的准确度大大提高。
发明内容
本发明的目的是提供一种基于CBBO-SVM的变压器故障诊断方法,该方法能够利用CBBO(混沌生物地理学)算法对SVM(支持向量机)算法的参数进行优化,有效的提高分类的准确率。
本发明所采用的技术方案是,一种基于CBBO-SVM的变压器故障诊断方法,具体按照以下步骤实施:
步骤1、所采集的油浸式变压器带有类标签的样本集S={(x1,x2,x3,...xn),(y1,y2,y3,...,xm)},其中,训练样本占50%,测试样本占50%,xi代表样本属性,包括有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳7种属性,yi代表类别标签1、2、3、4、5、6,分别对应正常状态、中低温过热、高温过热、高能放电、低能放电、电弧放电6个状态;
步骤2、对所采集到的数据进行预处理暨归一化处理:利用下式(1)将输入量和输出量都归一化到[0,1],以达到计算方便的目的;
上式中,Xmax、Xmin分别为采集到的H2、CH4、C2H2、C2H6、C2H4、CO及CO2气体的浓度的最大值和最小值,Xi表示H2、CH4、C2H2、C2H6、C2H4、CO及CO2气体浓度;
步骤3、利用CBBO对支持向量机的参数ci和σi进行优化;
步骤4、利用步骤3优化后得到的参数ci和σi建立多级SVM模型,利用样本集数据进行分类,从而达到油浸式变压器故障诊断的效果。
本发明的特点还在于,
步骤3具体按照以下步骤实施:
步骤3.1、将SVM参数ci和σi进行初始化操作后,将ci和σi作为每一个栖息地Pi的适宜度向量Xi,继而生成初始种群Wi 1;
步骤3.2、计算初始种群Wi 1的种群栖息地适宜度指数fi 1,根据式(2)求得fi 1;
上式中,i是栖息地变量的序号;n是栖息地变量的总个数;j代表各栖息地变量Pi的级别;cj为栖息地变量Pi的总级数;βij为多元回归系数;
ωij为权重因子,由栖息地变量的频率分布得出;a为常系数;
步骤3.3、对初始种群Wi 1进行迁移操作,根据式(3)计算迁入率λ、迁出率μ;
上式中,I为最大迁入率;E为最大迁出率;λ为迁入率;μ为迁出率;Smax为该栖息地所能容纳的最大物种数;S为该栖息地物种数量;
迁移操作后,根据迁入、迁出形成新的物种Wi 2,再计算种群栖息地适宜度指数fi 2;
步骤3.4、对迁移操作后的种群进行变异操作,其中,迁移栖息地变异率m(x)随着物种变异率Ps的减小而增大,即:
上式中:m(x)为栖息地变异率;mmax为最大变异率;Ps为栖息地中物种数量为S所对应的物种概率;Pmax为Ps的最大值;
Ps与迁入率λ与迁出率μ的关系:
在随机的栖息地中根据变异操作随机产生新的物种Wi 3,代替原有物种Wi 2,计算种群栖息地适宜度指数fi 3;
步骤3.5、加入C混沌理论,利用分段Logistic混沌映射方程(6)对种群进行更新,产生新的初始化适宜度向量fi 4:
其中,xi为混沌变量;k为混沌迭代次数;μ为混沌系数步骤3.5中,当μ=4时映射方程(6)处于混沌状态。
为保证物种多样性,在Logistic混沌映射的基础上进行混沌搜索,记新的适宜度解中的最优解为Jbest,以Jbest为基础进行混沌搜索,即:
Jn=Jbest+ωxi (7)
其中,xi为混沌映射方程的解;ω为调整系数;
对得到的最优解Jn与Jbest进行比较,取二者比较的最优者,重复步骤3.2,根据要求更新输出参数ci和σi。
步骤4具体按照以下步骤实施:
步骤4.1、首先进行核函数选择;
步骤4.2、再将占总样本50%的训练样本作为模型输入进行验证;
步骤4.3、将步骤3.5中求得的ci和σi引入得到新的目标函数f(ω,σi):
其中,c为惩罚因子;σi为松弛因子;
步骤4.4、利用拉格朗日乘子法求解,结合目标函数和约束条件式(10)
yi(ωxi+b)≥1-σi (10)
求出ω和b,从而得到最终的决策函数;
步骤4.5、通过6层训练,得到6个决策函数,建立一个6级的支持向量机变压器故障诊断模型。
步骤4.4中所述核函数为高斯核函数K(X,Xi)。
高斯核函数K(X,Xi)具体为:
其中,ξ为控制高斯核函数高度的参数。
本发明的有益效果是:
(1)本发明一种基于CBBO-SVM的变压器故障诊断方法,利用C混沌理论对BBO算法进行优化,形成的CBBO算法极大的提高了参数优化能力;
(2)本发明一种基于CBBO-SVM的变压器故障诊断方法,利用CBBO对SVM参数进行优化,原理简单且在保证较少的迭代次数的前提下能提高SVM的分类性能;
(3)本发明一种基于CBBO-SVM的变压器故障诊断方法,利用CBBO-SVM算法与变压器油中气体检测相结合,大大提高了油浸式变压器故障诊断的准确度。
附图说明
图1是本发明一种基于CBBO-SVM的变压器故障诊断方法中涉及的余弦迁移率模型示意图;
图2是本发明一种基于CBBO-SVM的变压器故障诊断方法中涉及的多级支持向量机示意图;
图3是本发明一种基于CBBO-SVM的变压器故障诊断方法的流程图。
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。
本发明一种基于CBBO-SVM的变压器故障诊断方法,其流程如图1所示,具体按照以下步骤实施:
步骤1、所采集的油浸式变压器带有类标签的样本集S={(x1,x2,x3,...xn),(y1,y2,y3,...,xm)},其中,训练样本占50%,测试样本占50%,xi代表样本属性,包括有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳7种属性,yi代表类别标签1、2、3、4、5、6,分别对应正常状态、中低温过热、高温过热、高能放电、低能放电、电弧放电6个状态;
步骤2、对所采集到的数据进行预处理暨归一化处理:利用下式(1)将输入量和输出量都归一化到[0,1],以达到计算方便的目的;
上式中,Xmax、Xmin分别为采集到的H2、CH4、C2H2、C2H6、C2H4、CO及CO2气体的浓度的最大值和最小值,Xi表示H2、CH4、C2H2、C2H6、C2H4、CO及CO2气体浓度;
步骤3、利用CBBO对支持向量机的参数ci和σi进行优化;
步骤3具体按照以下步骤实施:
步骤3.1、将SVM参数ci和σi进行初始化操作后,将ci和σi作为每一个栖息地Pi的适宜度向量(SIV)Xi,继而生成初始种群Wi 1;
步骤3.2、计算初始种群Wi 1的种群栖息地适宜度指数(HSI)fi 1,根据式(2)求得fi 1;
上式中,i是栖息地变量的序号;n是栖息地变量的总个数;j代表各栖息地变量Pi的级别;cj为栖息地变量Pi的总级数;βij为多元回归系数;
ωij为权重因子,由栖息地变量的频率分布得出;a为常系数;
其中,余弦迁移率模型,如图2所示,具体的建立方法如下:
步骤3.3、对初始种群Wi 1进行迁移操作,本发明在线性迁移率模型、二次迁移率模型、指数迁移率模型、余弦迁移率模型这四种常见的迁移率模型中,为了使结果参数更优,选择建立更符合自然规律的余弦迁移率模型,根据式(3)计算迁入率λ、迁出率μ;
上式中,I为最大迁入率;E为最大迁出率;λ为迁入率;μ为迁出率;Smax为该栖息地所能容纳的最大物种数;S为该栖息地物种数量;
迁移操作后,根据迁入、迁出形成新的物种Wi 2,再计算种群栖息地适宜度指数fi 2;
步骤3.4、对迁移操作后的种群进行变异操作,其中,迁移栖息地变异率m(x)随着物种变异率Ps的减小而增大,即:
上式中:m(x)为栖息地变异率;mmax为最大变异率;Ps为栖息地中物种数量为S所对应的物种概率;Pmax为Ps的最大值;
Ps与迁入率λ与迁出率μ的关系:
在随机的栖息地中根据变异操作随机产生新的物种Wi 3,代替原有物种Wi 2,计算种群栖息地适宜度指数fi 3;
步骤3.5、加入C混沌理论,利用分段Logistic混沌映射方程(6)对种群进行更新,产生新的初始化适宜度向量fi 4:
其中,xi为混沌变量;k为混沌迭代次数;μ为混沌系数步骤3.5中,当μ=4时映射方程(6)处于混沌状态。
为保证物种多样性,在Logistic混沌映射的基础上进行混沌搜索,记新的适宜度解中的最优解为Jbest,以Jbest为基础进行混沌搜索,即:
Jn=Jbest+ωxi (7)
其中,xi为混沌映射方程的解;ω为调整系数;
对得到的最优解Jn与Jbest进行比较,取二者比较的最优者,重复步骤3.2,根据要求更新输出参数ci和σi;
步骤4、利用步骤3优化后得到的参数ci和σi建立多级SVM模型,利用样本集数据进行分类,从而达到油浸式变压器故障诊断的效果;
其中,多级支持向量机故障诊断模型,如图3所示,具体的建立方法如下:
步骤4具体按照以下步骤实施:
步骤4.1、首先进行核函数选择;
在线性核函数、多项式核函数、sigmoid核函数、高斯(RBF)核函数中选择最通用的高斯(RBF)核函数:
其中,ξ为控制高斯(RBF)核函数高度的参数;
步骤4.2、再将占总样本50%的训练样本作为模型输入进行验证;
步骤4.3、将步骤3.5中求得的ci和σi引入得到新的目标函数f(ω,σi):
其中,c为惩罚因子(当C趋于很大时,意味着分类严格;当C趋于很小时,意味着可以有更大的错误容忍),为需要指定的常数,
需要优化的参数;σi为松弛因子.
也是本发明中
步骤4.4、利用拉格朗日乘子法求解,结合目标函数和约束条件式(10)
yi(ωxi+b)≥1-σi (10)
求出ω和b,从而得到最终的决策函数;
步骤4.5、通过6层训练,得到6个决策函数,建立一个6级的支持向量机变压器故障诊断模型。
Claims (5)
1.一种基于CBBO-SVM的变压器故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1、所采集的油浸式变压器带有类标签的样本集S={(x1,x2,x3,...xn),(y1,y2,y3,...,xm)},其中,训练样本占50%,测试样本占50%,xi代表样本属性,包括有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳7种属性,yi代表类别标签1、2、3、4、5、6,分别对应正常状态、中低温过热、高温过热、高能放电、低能放电、电弧放电6个状态;
步骤2、对所采集到的数据进行预处理暨归一化处理:利用下式(1)将输入量和输出量都归一化到[0,1],以达到计算方便的目的;
上式中,Xmax、Xmin分别为采集到的H2、CH4、C2H2、C2H6、C2H4、CO及CO2气体的浓度的最大值和最小值,Xi表示H2、CH4、C2H2、C2H6、C2H4、CO及CO2气体浓度;
步骤3、利用CBBO对支持向量机的参数ci和σi进行优化;
步骤4、利用步骤3优化后得到的参数ci和σi建立多级SVM模型,利用样本集数据进行分类,从而达到油浸式变压器故障诊断的效果。
2.根据权利要求1所述的一种基于CBBO-SVM的变压器故障诊断方法,其特征在于,步骤3具体按照以下步骤实施:
步骤3.1、将SVM参数ci和σi进行初始化操作后,将ci和σi作为每一个栖息地Pi的适宜度向量Xi,继而生成初始种群Wi 1;
步骤3.2、计算初始种群Wi 1的种群栖息地适宜度指数fi 1,根据式(2)求得fi 1;
上式中,i是栖息地变量的序号;n是栖息地变量的总个数;j代表各栖息地变量Pi的级别;cj为栖息地变量Pi的总级数;βij为多元回归系数;ωij为权重因子,由栖息地变量的频率分布得出;a为常系数;
步骤3.3、对初始种群Wi 1进行迁移操作,根据式(3)计算迁入率λ、迁出率μ;
上式中,I为最大迁入率;E为最大迁出率;λ为迁入率;μ为迁出率;Smax为该栖息地所能容纳的最大物种数;S为该栖息地物种数量;
迁移操作后,根据迁入、迁出形成新的物种Wi 2,再计算种群栖息地适宜度指数fi 2;
步骤3.4、对迁移操作后的种群进行变异操作,其中,迁移栖息地变异率m(x)随着物种变异率Ps的减小而增大,即:
上式中:m(x)为栖息地变异率;mmax为最大变异率;Ps为栖息地中物种数量为S所对应的物种概率;Pmax为Ps的最大值;
Ps与迁入率λ与迁出率μ的关系:
在随机的栖息地中根据变异操作随机产生新的物种Wi 3,代替原有物种Wi 2,计算种群栖息地适宜度指数fi 3;
步骤3.5、加入C混沌理论,利用分段Logistic混沌映射方程(6)对种群进行更新,产生新的初始化适宜度向量fi 4:
其中,xi为混沌变量;k为混沌迭代次数;μ为混沌系数步骤3.5中,当μ=4时映射方程(6)处于混沌状态。
为保证物种多样性,在Logistic混沌映射的基础上进行混沌搜索,记新的适宜度解中的最优解为Jbest,以Jbest为基础进行混沌搜索,即:
Jn=Jbest+ωxi (7)
其中,xi为混沌映射方程的解;ω为调整系数;
对得到的最优解Jn与Jbest进行比较,取二者比较的最优者,重复步骤3.2,根据要求更新输出参数ci和σi。
3.根据权利要求1所述的一种基于CBBO-SVM的变压器故障诊断方法,其特征在于,步骤4具体按照以下步骤实施:
步骤4.1、首先进行核函数选择;
步骤4.2、再将占总样本50%的训练样本作为模型输入进行验证;
步骤4.3、将步骤3.5中求得的ci和σi引入得到新的目标函数f(ω,σi):
其中,c为惩罚因子;σi为松弛因子;
步骤4.4、利用拉格朗日乘子法求解,结合目标函数和约束条件式(10)
yi(ωxi+b)≥1-σi (10)
求出ω和b,从而得到最终的决策函数;
步骤4.5、通过6层训练,得到6个决策函数,建立一个6级的支持向量机变压器故障诊断模型。
4.根据权利要求3所述的一种基于CBBO-SVM的变压器故障诊断方法,其特征在于,步骤4.4中所述核函数为高斯核函数K(X,Xi)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811312408.7A CN111144431B (zh) | 2018-11-06 | 2018-11-06 | 一种基于cbbo-svm的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811312408.7A CN111144431B (zh) | 2018-11-06 | 2018-11-06 | 一种基于cbbo-svm的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144431A true CN111144431A (zh) | 2020-05-12 |
CN111144431B CN111144431B (zh) | 2023-03-24 |
Family
ID=70515224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811312408.7A Active CN111144431B (zh) | 2018-11-06 | 2018-11-06 | 一种基于cbbo-svm的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144431B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
WO2014101579A1 (zh) * | 2012-12-28 | 2014-07-03 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
-
2018
- 2018-11-06 CN CN201811312408.7A patent/CN111144431B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101701940A (zh) * | 2009-10-26 | 2010-05-05 | 南京航空航天大学 | 基于svm和dga的变压器在线故障诊断方法 |
WO2014101579A1 (zh) * | 2012-12-28 | 2014-07-03 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
石志标等: "基于CEEMDAN与CBBO-SVM的汽轮机转子故障诊断研究", 《热能动力工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111144431B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596212B (zh) | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
Dai et al. | Dissolved gas analysis of insulating oil for power transformer fault diagnosis with deep belief network | |
Zhang et al. | A fault diagnosis model of power transformers based on dissolved gas analysis features selection and improved krill herd algorithm optimized support vector machine | |
CN110175386B (zh) | 变电站电气设备温度预测方法 | |
CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
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 | |
CN109978079A (zh) | 一种改进的堆栈降噪自编码器的数据清洗方法 | |
Neo et al. | Forecasting of photovoltaic power using deep belief network | |
US20210334658A1 (en) | Method for performing clustering on power system operation modes based on sparse autoencoder | |
CN106067066A (zh) | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 | |
CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
CN113553768B (zh) | 模型数据混合驱动的电网可靠性快速计算方法及装置 | |
Fan et al. | Transformer fault diagnosis method based on improved whale optimization algorithm to optimize support vector machine | |
Mahbub et al. | Incorporating domain knowledge into the optimization of energy systems | |
CN108170994A (zh) | 一种基于双向深度网络的油浸式电抗器故障诊断方法 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN105574589A (zh) | 基于小生境遗传算法的变压器油色谱故障诊断方法 | |
CN111737907A (zh) | 一种基于深度学习和dga的变压器故障诊断方法及装置 | |
CN113468461A (zh) | 基于支持向量机和遗传算法的油浸式变压器故障诊断方法 | |
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 | |
CN112990593A (zh) | 基于cso-ann-el算法的变压器故障诊断及状态预测方法 | |
CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
CN111275204A (zh) | 一种基于混合采样和集成学习的变压器状态识别方法 | |
Nanfak et al. | Hybrid DGA method for power transformer faults diagnosis based on evolutionary k-means clustering and dissolved gas subsets analysis | |
CN114358116A (zh) | 油浸式变压器故障诊断方法、***及可读存储介质 |
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 |