CN111832653A - 基于XGboost算法的避雷器缺陷诊断方法及*** - Google Patents
基于XGboost算法的避雷器缺陷诊断方法及*** Download PDFInfo
- Publication number
- CN111832653A CN111832653A CN202010675970.7A CN202010675970A CN111832653A CN 111832653 A CN111832653 A CN 111832653A CN 202010675970 A CN202010675970 A CN 202010675970A CN 111832653 A CN111832653 A CN 111832653A
- Authority
- CN
- China
- Prior art keywords
- lightning arrester
- xgboost
- defect
- classifier
- algorithm
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000013585 weight reducing agent Substances 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请公开了基于XGboost算法的避雷器缺陷诊断方法及***，包括：获取待诊断的避雷器实时监测数据；将待诊断的避雷器实时监测数据，输入到预先构建的基于XGboost算法的避雷器缺陷识别信息模型中，输出待诊断的避雷器的缺陷类型。基于XGboost算法辅助现场判断避雷器缺陷，从而减少运维工作人员工作量。
Description
技术领域
本申请涉及避雷器缺陷诊断技术领域，特别是涉及基于XGboost算法的避雷器缺陷诊断方法及***。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
避雷器是变电站中重要的过电压保护设备，其正常运行对变电站的安全稳定运行具有重要意义。但避雷器在内部受潮、阀片老化等因素的影响下易发生故障或发热，严重时甚至***，影响电网运行安全。针对避雷器运行状态的评估和故障的诊断，目前多基于监测数据，采用泄漏电流法、阻性电流三次谐波法、基波法等方法对数据进行分析和应用。
其中总泄漏电流法根据接地引线上测量到的泄漏全电流上升程度来识别故障，但由于阻性电流占全电流比例较低，此法灵敏度较低，易漏判；
阻性电流三次谐波法根据接地线中各相阻性电流三次谐波之和上升程度识别故障，由于电网的谐波也会导致阻性电流三次谐波之和上升，造成误判；
常规补偿法通过阻性电流大小来反映故障，但变电站工频电磁场干扰会导致阻性电流的量取误差较大。
基于缺陷数据，现有研究也得到一定的应用，神经网络具有以任意精度逼近非线性函数的优越性能，但在小样本训练集上有过拟合的风险。分类回归树虽然效率高，但是单棵树的学习能力太弱并且也容易陷入过拟合问题。且避雷器缺陷以及运维数据多以文本为主，无法直接量化分析。
发明人发现如何在现有技术的基础上扩展数据维度并利用智能分析算法，进一步提高避雷器缺陷判别的准确性和检修策略指定的可行，是当前急需解决问题。
发明内容
为了解决现有技术的不足，本申请提供了基于XGboost算法的避雷器缺陷诊断方法及***；
第一方面，本申请提供了基于XGboost算法的避雷器缺陷诊断方法；
基于XGboost算法的避雷器缺陷诊断方法，包括：
获取待诊断的避雷器实时监测数据；
将待诊断的避雷器实时监测数据，输入到预先构建的基于XGboost算法的避雷器缺陷识别信息模型中，输出待诊断的避雷器的缺陷类型。
第二方面，本申请还提供了基于XGboost算法的避雷器缺陷诊断***；
基于XGboost算法的避雷器缺陷诊断***，包括：
获取模块，其被配置为：获取待诊断的避雷器实时监测数据；
诊断模块，其被配置为：将待诊断的避雷器实时监测数据，输入到预先构建的基于XGboost算法的避雷器缺陷识别信息模型中，输出待诊断的避雷器的缺陷类型。
第三方面，本申请还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
与现有技术相比，本申请的有益效果是：
1.反映避雷器缺陷的状态量与缺陷之间存在非线性相关性，本申请选取具有非线性切分能力以及小样本训练集上具备良好的过拟合控制机制的集成学习算法XGBoost，建立避雷器缺陷分类模型，构建每棵树时对属性进行采样，训练速度快，效果好。
2.采用贝叶斯优化算法自动选取全局最优超参数，提升分类性能。
3.基于XGboost算法辅助现场判断避雷器缺陷，从而减少运维工作人员工作量。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图；
图2为XGBoost算法加法模型图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一，本实施例提供了基于XGboost算法的避雷器缺陷诊断方法；
如图1所示，基于XGboost算法的避雷器缺陷诊断方法，包括：
S101：获取待诊断的避雷器实时监测数据；
S102：将待诊断的避雷器实时监测数据，输入到预先构建的基于XGboost算法的避雷器缺陷识别信息模型中，输出待诊断的避雷器的缺陷类型。
作为一个或多个实施例，所述预先构建的基于XGboost算法的避雷器缺陷识别信息模型；构建过程包括：
根据收集的避雷器历史缺陷数据样本，构建基于XGboost算法的避雷器缺陷识别信息模型。
进一步地，所述预先构建的基于XGboost算法的避雷器缺陷识别信息模型；构建过程包括：
构建训练集，所述训练集为已知避雷器缺陷类型的避雷器历史监测数据；
构建XGboost分类器；
将训练集输入到XGboost分类器中，对XGboost分类器进行训练，输出训练好的XGboost分类器，即为基于XGboost算法的避雷器缺陷识别信息模型。
进一步地，将训练集输入到XGboost分类器中，对XGboost分类器进行训练，输出训练好的XGboost分类器；步骤包括：
将训练集输入到XGboost分类器中，基于贝叶斯优化算法为XGboost分类器寻找最优参数组合，将最优参数组合输入到XGboost分类器中，对XGboost分类器进行训练，输出训练好的XGboost分类器。
进一步的，基于贝叶斯优化算法为XGboost分类器寻找最优参数组合，具体步骤包括：
根据XGBoost超参数数目和范围随机产生超参数初始值；
将已知避雷器缺陷类型的避雷器历史监测数据，输入到高斯模型中，对高斯模型进行修正，得到修正后的高斯模型；
从修正后的高斯模型中提取待评估的参数组合；
将待评估的参数组合代入到XGboost分类器中，进行训练；
当XGboost分类器的误差小于设定阈值，则终止训练，并输出对应的参数组合和训练好的XGboost分类器；
当XGboost分类器的误差大于等于设定阈值，则对高斯模型继续进行修正，直至XGboost分类器的分类精度达到设定要求为止。
进一步地，从修正后的高斯模型中提取待评估的参数组合，是利用函数MPI从修正后的高斯模型中提取待评估的参数组合。
应理解的，针对XGboost分类器的参数寻优，引入贝叶斯优化算法，将避雷器监测数据输入到高斯模型中，得到模型输出，获得均值和方差。利用提取函数MPI(maximumprobability of improvement)从修正后的高斯模型选取下一步需要评估的参数组合点xi，使得高斯模型相对于候选集其他组合更加快速准确地接近目标函数的真实分布。
将全局最优的参数组合代入XGboost分类器进行训练。若新选出的参数组合的误差符合目标要求，则终止算法执行并退出，输出对应的参数组合以及模型的预测分类(xi,f(xi))。若f(xi)不符合要求，则将(xi,f(xi))输入到高斯模型中，对高斯模型进行修正，重新执行上一步，直到满足设定的精度要求为止。
示例性的，所述训练集为已知避雷器缺陷类型的避雷器历史监测数据；包括：缺陷历史数据、在线监测数据、雷电数据和台账数据。
示例性的，所述缺陷历史数据，包括：缺陷记录_ID、电压等级、线路、设备类型、生产厂家、投运日期、缺陷部位、缺陷类别或网省名称。
示例性的，所述在线监测数据，包括：监测装置标识、监测时间、设定时间范围内的平均风速、设定时间范围内的平均风向、最大风速、极大风速、标准风速、气温、湿度、气压、降雨量、降水强度或光照辐射强度。
示例性的，所述雷电数据，包括：经度、纬度或峰值。
示例性的，所述台账数据，包括：避雷器ID、设备编码、电压等级、额定电压、额定频率、生产厂家、投运日期、型号、绝缘体类型、持续运行电压、工频参考电压、工频放电电压、标称放电电流、雷电冲击残压、爬电比距、直流参考电压、有无均压环、全电流初始值、阻性电流初始值或大电流冲击电流值。
示例性的，所述已知缺陷类型标签，包括：接地不良、动作不正常、硅橡胶憎水性不符合要求、接合不良、发热、在线仪破损、显示异常、泄露电流表密封不良、表内有潮气、松动、模糊、U1mA实测值与制造厂规定值相比变化较明显、变色、有明显放电痕迹、泄漏电流指示值超标、破损、倾斜、变形、动作计数器失灵、泄漏表计指示为零、损坏、指针卡涩、锈蚀、压力报警、破损、外套开裂、密封不良、玻璃破裂、进水或绝缘电阻不合格。
示例性的，所述待诊断的避雷器实时监测数据，包括：在线监测数据、运维及试验数据。
作为一个或多个实施例，XGboost分类器训练好的标准是，训练次数达到设定次数或者损失函数达到最小值。
XGboost是一种由多个基学习器叠加为强学习器的监督式算法。在一个含有n个样本数据集G＝((x1,y1),(x2,y2),…,(xn,yn))上训练模型，其中xi∈X,yi∈Y，X为特征量数据集，Y为缺陷类别集合。
XGboost的基学习器选择分类回归树，如图2所示，单棵分类回归树往往过于简单而不能有效地分类故障，应用K个分类器(M1，M2，…，Mk)相加构成集成树模型来预测分类目标值。
其中模型的训练流程为：
1)根据XGBoost超参数数目和范围随机产生参数初始值。
表1 XGBoost参数范围及含义
| 参数范围 | 参数含义 | |
| eta | (0.01,0.3) | 特征权重缩减系数 |
| max_depth | (2,16) | 最大树深 |
| min_child_weight | (0.1,10) | 叶子结点权重之和 |
| subsample | (0.5,1.0) | 样本随机采样的比例 |
| lambda | (0,10) | 权重的L2正则化项 |
| alpha | (0,10) | 权重的L1正则化项 |
| gamma | (0,20) | 最小损失函数下降值 |
| colsamplee_bytree | (0.5,1.0) | 特征随机采样比例 |
2)输入训练样本集，G＝((x1,y1),(x2,y2),…,(xn,yn))，其中xi∈X,yi∈Y。避雷器在线监测数据中正常运行和各故障下的数据比例不均衡，采用分层采样以保证训练所用标签样本的比例与原始数据集相同。
3)利用贝叶斯优化算法，将避雷器监测数据输入到高斯模型中，得到模型输出，获得均值和方差。利用提取函数MPI(maximum probability of improvement)从修正后的高斯模型选取下一步需要评估的参数组合点xi。
提取函数可表示为：
f(x+)为最大值，ε为系数，δ(x)为方差，u(x)为均值。
4)将全局最优的参数组合代入XGboost分类器进行训练。若新选出的参数组合的误差符合目标要求，则终止算法执行并退出，输出对应的参数组合以及模型的预测分类(xi,f(xi))。若f(xi)不符合要求，则将(xi,f(xi))输入到高斯模型中，对高斯模型进行修正，重新执行上一步，直到满足设定的精度要求为止。模型参数的评价标准采用对数损失函数，评估分类器的概率输出，损失函数小者对应参数为优。
对数损失为：
其中，N为样本数，M为类别数，yij表示第i个样本属于类别j时为1，否则为0，pij表示第i个样本被预测为类别j的概率。
表2仿真结果
实施例二，本实施例还提供了基于XGboost算法的避雷器缺陷诊断***；
基于XGboost算法的避雷器缺陷诊断***，包括：
获取模块，其被配置为：获取待诊断的避雷器实时监测数据；
诊断模块，其被配置为：将待诊断的避雷器实时监测数据，输入到预先构建的基于XGboost算法的避雷器缺陷识别信息模型中，输出待诊断的避雷器的缺陷类型。
此处需要说明的是，上述获取模块、和诊断模块对应于实施例一中的步骤S101至S102，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的***，可以通过其他的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个***，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.基于XGboost算法的避雷器缺陷诊断方法，其特征是，包括：
获取待诊断的避雷器实时监测数据；
将待诊断的避雷器实时监测数据，输入到预先构建的基于XGboost算法的避雷器缺陷识别信息模型中，输出待诊断的避雷器的缺陷类型。
2.如权利要求1所述的方法，其特征是，所述预先构建的基于XGboost算法的避雷器缺陷识别信息模型；构建过程包括：
根据收集的避雷器历史缺陷数据样本，构建基于XGboost算法的避雷器缺陷识别信息模型。
3.如权利要求1或2所述的方法，其特征是，所述预先构建的基于XGboost算法的避雷器缺陷识别信息模型；构建过程包括：
构建训练集，所述训练集为已知避雷器缺陷类型的避雷器历史监测数据；
构建XGboost分类器；
将训练集输入到XGboost分类器中，对XGboost分类器进行训练，输出训练好的XGboost分类器，即为基于XGboost算法的避雷器缺陷识别信息模型。
4.如权利要求3所述的方法，其特征是，将训练集输入到XGboost分类器中，对XGboost分类器进行训练，输出训练好的XGboost分类器；步骤包括：
将训练集输入到XGboost分类器中，基于贝叶斯优化算法为XGboost分类器寻找最优参数组合，将最优参数组合输入到XGboost分类器中，对XGboost分类器进行训练，输出训练好的XGboost分类器。
5.如权利要求4所述的方法，其特征是，基于贝叶斯优化算法为XGboost分类器寻找最优参数组合，具体步骤包括：
根据XGBoost超参数数目和范围随机产生超参数初始值；
将已知避雷器缺陷类型的避雷器历史监测数据，输入到高斯模型中，对高斯模型进行修正，得到修正后的高斯模型；
从修正后的高斯模型中提取待评估的参数组合；
将待评估的参数组合代入到XGboost分类器中，进行训练；
当XGboost分类器的误差小于设定阈值，则终止训练，并输出对应的参数组合和训练好的XGboost分类器；
当XGboost分类器的误差大于等于设定阈值，则对高斯模型继续进行修正，直至XGboost分类器的分类精度达到设定要求为止。
6.如权利要求5所述的方法，其特征是，从修正后的高斯模型中提取待评估的参数组合，是利用函数MPI从修正后的高斯模型中提取待评估的参数组合。
7.如权利要求3所述的方法，其特征是，所述训练集为已知避雷器缺陷类型的避雷器历史监测数据；包括：缺陷历史数据、在线监测数据、雷电数据和台账数据。
8.基于XGboost算法的避雷器缺陷诊断***，其特征是，包括：
获取模块，其被配置为：获取待诊断的避雷器实时监测数据；
诊断模块，其被配置为：将待诊断的避雷器实时监测数据，输入到预先构建的基于XGboost算法的避雷器缺陷识别信息模型中，输出待诊断的避雷器的缺陷类型。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910645994 | 2019-07-17 | ||
| CN2019106459945 | 2019-07-17 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111832653A true CN111832653A (zh) | 2020-10-27 |
Family
ID=72923195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010675970.7A Pending CN111832653A (zh) | 2019-07-17 | 2020-07-14 | 基于XGboost算法的避雷器缺陷诊断方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111832653A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508053A (zh) * | 2020-11-10 | 2021-03-16 | 泽恩科技有限公司 | 基于集成学习框架的智能诊断方法、装置、设备及介质 |
| CN112595919A (zh) * | 2020-12-31 | 2021-04-02 | 国网浙江省电力有限公司经济技术研究院 | 避雷器的故障检测***、方法及装置、服务器 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508083A (zh) * | 2011-11-22 | 2012-06-20 | 广东电网公司电力科学研究院 | 避雷器在线监测方法 |
| CN106650037A (zh) * | 2016-11-30 | 2017-05-10 | 国网江苏省电力公司盐城供电公司 | 一种基于支持向量机回归的避雷器状态诊断方法 |
| CN107045089A (zh) * | 2017-01-20 | 2017-08-15 | 上海欧忆能源科技有限公司 | 避雷器状态诊断*** |
| CN107622236A (zh) * | 2017-09-15 | 2018-01-23 | 安徽农业大学 | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 |
| CN109064074A (zh) * | 2018-09-26 | 2018-12-21 | 广东电网有限责任公司 | 避雷器状态诊断方法、***及设备 |
| CN109190670A (zh) * | 2018-08-02 | 2019-01-11 | 大连理工大学 | 一种基于可扩展提升树的充电桩故障预测方法 |
| CN109840541A (zh) * | 2018-12-05 | 2019-06-04 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于XGBoost的电网变压器故障分类方法 |
-
2020
- 2020-07-14 CN CN202010675970.7A patent/CN111832653A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102508083A (zh) * | 2011-11-22 | 2012-06-20 | 广东电网公司电力科学研究院 | 避雷器在线监测方法 |
| CN106650037A (zh) * | 2016-11-30 | 2017-05-10 | 国网江苏省电力公司盐城供电公司 | 一种基于支持向量机回归的避雷器状态诊断方法 |
| CN107045089A (zh) * | 2017-01-20 | 2017-08-15 | 上海欧忆能源科技有限公司 | 避雷器状态诊断*** |
| CN107622236A (zh) * | 2017-09-15 | 2018-01-23 | 安徽农业大学 | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 |
| CN109190670A (zh) * | 2018-08-02 | 2019-01-11 | 大连理工大学 | 一种基于可扩展提升树的充电桩故障预测方法 |
| CN109064074A (zh) * | 2018-09-26 | 2018-12-21 | 广东电网有限责任公司 | 避雷器状态诊断方法、***及设备 |
| CN109840541A (zh) * | 2018-12-05 | 2019-06-04 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于XGBoost的电网变压器故障分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵文俊;张强;刘磊;宋家友;: "基于AdaBoost与GABP的模拟电路软故障诊断方法", 计算机测量与控制, no. 12, 25 December 2017 (2017-12-25) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508053A (zh) * | 2020-11-10 | 2021-03-16 | 泽恩科技有限公司 | 基于集成学习框架的智能诊断方法、装置、设备及介质 |
| CN112595919A (zh) * | 2020-12-31 | 2021-04-02 | 国网浙江省电力有限公司经济技术研究院 | 避雷器的故障检测***、方法及装置、服务器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106321368B (zh) | 基于运营风机scada数据的海上风电场尾流损失测量方法 | |
| WO2020127336A1 (en) | An improved method for evaluating pipe condition | |
| CN106650037A (zh) | 一种基于支持向量机回归的避雷器状态诊断方法 | |
| CN107992665B (zh) | 一种特高压换流站交流滤波器在线故障诊断分析方法 | |
| CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
| CN111832653A (zh) | 基于XGboost算法的避雷器缺陷诊断方法及*** | |
| CN111288973B (zh) | 海表流速获取方法、装置、计算机设备和存储介质 | |
| CN110619479A (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
| CN111191727A (zh) | 基于pso-kpca-lvq的燃气调压器故障诊断方法、***、终端及计算机存储介质 | |
| CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及*** | |
| CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
| CN111191725A (zh) | 一种基于pca数据处理的rbf故障诊断方法、***、终端及计算机存储介质 | |
| CN115829145A (zh) | 一种光伏发电量预测***及方法 | |
| CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及*** | |
| CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
| CN113377750B (zh) | 水文数据清洗方法及*** | |
| CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
| CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及*** | |
| CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
| CN115841193A (zh) | 一种林业有害生物的预测方法和装置 | |
| CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
| CN111080068A (zh) | 一种电能表运行状态评价方法和装置 | |
| CN116069565B (zh) | 一种更换板卡的方法和装置 |
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 |