CN114895222A - 一种识别变压器各类故障及多重故障的诊断方法 - Google Patents
一种识别变压器各类故障及多重故障的诊断方法 Download PDFInfo
- Publication number
- CN114895222A CN114895222A CN202210468262.5A CN202210468262A CN114895222A CN 114895222 A CN114895222 A CN 114895222A CN 202210468262 A CN202210468262 A CN 202210468262A CN 114895222 A CN114895222 A CN 114895222A
- Authority
- CN
- China
- Prior art keywords
- class
- fault
- sample
- type
- faults
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012706 support-vector machine Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 49
- 239000007789 gas Substances 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 10
- 230000009977 dual effect Effects 0.000 claims description 7
- 238000002203 pretreatment Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013021 overheating Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Images
Classifications
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- 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
- G06F18/24—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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种识别变压器各类故障及多重故障的诊断方法,本发明首先对变压器故障的油气数据进行预处理,再构造一个封闭的超球面边界去刻画各类故障样本点的分布区域以及类重叠区域;将某一类故障与其他非该类故障集合之间的非重叠区域样本点输入至支持向量机中进行训练,再将其重叠区域样本点输入至训练好的模型中进行再分类,重新确定该类故障的决策边界和所属样本点,并计算其类重叠度。对其他类故障也是如此,直至所有故障重定位完毕;进行训练,确定每类故障的诊断标准;最后输入要诊断的故障样本点,判断其故障类型;本发明主要是为了解决现阶段多重故障诊断没有考虑类重叠因素对变压器诊断结果的影响,会降低实际的诊断效果的技术问题。
Description
技术领域
本发明涉及电力变压器技术领域,具体涉及一种识别变压器各类故障及多重故障的诊断方法。
背景技术
电力变压器是电力***的关键设备之一,其运行状态关乎电网能否可靠供电。变压器在运行使用过程中,由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中,油中气体的各种成分含量及不同组分间的比例关系与变压器运行状况密切相关。
在实际工程中,当变压器发生不同类型故障时,产生的油中溶解气体含量具有一定的重叠度,会出现多类样本共享数据空间中一个公共区域的情况,即出现类重叠现象,处于类重叠区域的样本虽然属于不同的类别,但由于它们的特征值相似,会严重影响分类精度。类重叠是导致变压器故障分类边界模糊的重要影响因素,而这种影响在多重故障诊断中要更加明显。然而现阶段,传统三比值法因分类边界不清导致诊断精度不足,基于机器学习的黑盒模型难以诊断多重故障。目前现有技术中缺乏有效的技术手段,能准确识别各类故障及多重故障。
发明内容
本发明的目的是为了提供一种能够确识别各类故障及多重故障的故障诊断方法,能通过对变压器故障的类重叠区域进行清理,确定状态边界,提高变压器故障诊断准确度。
一种识别变压器各类故障及多重故障的诊断方法,它包括以下步骤:
步骤1:将变压器历史故障油气数据进行预处理;
步骤2:将预处理过后的油气数据全部输入至支持向量数据描述算法中刻画各类故障样本点的分布区域以及类重叠区域;
步骤3:在刻画好的故障分布中选择一类故障单独诊断,将其他所有非该类故障作为整体与该类故障进行比较,识别出两者的重叠区域与非重叠区域;
步骤4:将该类故障与非该类故障的非重叠区域样本点输入至支持向量机中,训练该类故障的单独诊断模型,再将两者重叠区域样本点输入至训练好的诊断模型中,对重叠区域样本点进行再分类;
步骤5:根据分类结果将类重叠区域样本点归类,重新划分该类故障的决策边界,并计算该类故障与非该类故障在其样本点分布的类重叠度μA-BCDE;
步骤6:重复步骤3至步骤5直至所有故障类别均重新划分故障范围且类重叠度计算完毕;
步骤7:将重新划分的各类故障样本点与类重叠度输入至模糊支持向量机中进行训练,得到基于各类故障类重叠度的模糊支持向量机故障诊断模型;
步骤8:将测试样本点依次输入至各类故障的模糊支持向量机FSVM中进行诊断,判断该样本点是否属于该类故障,直至所有类别故障诊断完毕,记录该测试样本点的所有故障诊断结果,完成其故障诊断,输出该样本点的诊断结果。
在步骤1中,预处理包括标准化处理,具体的,变压器的历史故障油中溶解气体包括:H2、C2H4、CH4、C2H6、C2H2,为避免特征气体之间数据差距过大造成诊断误差,对其进行标准化处理:
其中x′i为标准化处理后的值,xi为原始值,xmean为该类气体的均值,xmax为该类气体的最大值,xmin为该类气体的最小值。
在步骤2中,在利用支持向量数据描述算法刻画各类故障样本点的分布区域以及类重叠区域,根据决策函数值来判断样本点所处位置;
当决策函数值为0时,该样本为支持向量;决策函数值小于0时为球外点,大于0时为球内点;利用支持向量数据描述算法对每个故障类别进行单类学习,当样本点仅在一个单类支持向量数据描述模型中的决策函数值大于或等于0时,则其位于样本空间的非重叠区域;当样本点在至少两个单类支持向量数据描述模型中的决策函数值大于或等于0,则其位于重叠区域;
通过支持向量数据描述算法,刻画所有故障类别样本点在样本空间的分布情况。
在步骤5中,在计算该类故障与非该类故障在其样本点分布的类重叠度时,具体如下:
在类重叠区域中,越靠近重叠区中心的样本点,对分类边界的影响就越大,这些样本点对分类决策面的确定具有更大的贡献,其重要程度也相对越高;数据点Xi在二类集合中的重叠度为:
其中ap和aq为类Cp和类Cq的类中心点,Rp和Rq为类Cp和类Cq的平均类中心距,Np和Nq为样本数量,||Xi-ap||和||Xi-aq||为Xi到类中心点的距离,μi为样本点Xi属于类Cp和类Cq的模糊度,其值在0~0.5之间;
对于平衡数据集(Np=Nq)中的样本点,越靠近重叠区的中心,其类重叠度越大,如点A距离两个类中心的距离相等(μA=0.5),而距离重叠区越远,其类重叠度越小(μA>μB>μC)。
在步骤5中,对于不平衡的数据集,点A距离两个类中心的距离相等,但由于两类的样本数量不同(Np≠Nq),导致样本点到两类的平均类中心距有差异,因此其类重叠度并不会很高(μA<μB<μC)。
在步骤7中,将类重叠度当作模糊隶属度,建立模糊支持向量机作为故障诊断模型时,具体如下:
给定一个基于模糊隶属度的训练样本集S={(xi,yi,μi),i=1,2,...,n},其中n为样本数量,xi为输入样本数据,yi为标签数据,μi为第i个样本的类重叠度,则基于类重叠度的模糊支持向量机模型如下:
其中ω为可调权值向量,b为超平面的常数项;
类重叠度μi越小,则该样本点xi的错分代价就越小,松弛变量ξi对目标函数的影响就越小;结合拉格朗日函数以及对偶原理,可将目标函数转化为:
其中αi为拉格朗日系数;
引入径向基核函数,对上式进行最优求解,可得到最终分类决策函数:
每一类故障诊断根据其类重叠度,均建立一个模糊支持向量机FSVM,用于识别各类故障及多重故障。
一种建立模糊支持向量机作为故障诊断模型的方法,它包括以下步骤:
步骤1:获得基于类重叠度的模糊支持向量机模型;
步骤2:结合拉格朗日函数以及对偶原理,将目标函数进行转化;
步骤3:引入径向基核函数,进行最优求解,获得最终分类决策函数。
在步骤1中,给定一个基于模糊隶属度的训练样本集S={(xi,yi,μi),i=1,2,...,n},其中n为样本数量,xi为输入样本数据,yi为标签数据,μi为第i个样本的类重叠度。则基于类重叠度的模糊支持向量机模型如下:
其中ω为可调权值向量,b为超平面的常数项。
在步骤2中,类重叠度μi越小,则该样本点xi的错分代价就越小,松弛变量ξi对目标函数的影响就越小。结合拉格朗日函数以及对偶原理,可将目标函数转化为:
其中αi为拉格朗日系数。
在步骤3中,得到的最终分类决策函数为:
每一类故障诊断根据其类重叠度,均建立一个模糊支持向量机FSVM,用于识别各类故障及多重故障。
与现有技术相比,本发明具有如下技术效果:
1)本发明可以对类重叠区域中的样本点进行处理,有利于降低多故障分类的复杂性,提升故障诊断准确度;
2)本发明可以计算各类故障与其他非该类故障的类重叠度,通过类重叠度对类重叠区域的复杂程度进行量化。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明中变压器故障诊断模型的使用流程图
图2为本发明中变压器故障诊断模型的类重叠区划分示意图。
图3为本发明中变压器故障诊断模型的平衡数据计算类重叠度示意图。
图4为本发明中变压器故障诊断模型的不平衡数据计算类重叠度示意图。
图5为本发明中变压器故障诊断模型的诊断流程示意图;
图6为本发明中故障诊断结果图。
具体实施方式
一种识别变压器各类故障及多重故障的诊断方法,如图1所示,包括以下步骤:
步骤1、将变压器历史故障油气数据进行预处理,变压器的历史故障油中溶解气体包括:H2、C2H4、CH4、C2H6、C2H2,为为避免特征气体之间数据差距过大造成诊断误差,对其进行标准化处理:
其中x′i为标准化处理后的值,xi为原始值,xmean为该类气体的均值,xmax为该类气体的最大值,xmin为该类气体的最小值。
步骤2、将预处理过后的油气数据全部输入至支持向量数据描述算法中刻画各类故障样本点的分布区域以及类重叠区域。
在利用支持向量数据描述(SVDD)算法刻画各类故障样本点的分布区域以及类重叠区域,根据决策函数值来判断样本点所处位置。当决策函数值为0时,该样本为支持向量;决策函数值小于0时为球外点,大于0时为球内点。利用SVDD对每个故障类别进行单类学习,当样本点仅在一个单类SVDD模型中的决策函数值大于或等于0时,则其位于样本空间的非重叠区域。当样本点在至少两个单类SVDD模型中的决策函数值大于或等于0,则其位于重叠区域,如图2所示。
通过支持向量数据描述算法,刻画所有故障类别样本点在样本空间的分布情况。
步骤3、以ABCDE代替故障类别,在刻画好的故障分布中选择一类故障(A)单独诊断,将其他所有非该类故障作为整体(BCDE)与该类故障(A)进行比较,识别出两者的重叠区域与非重叠区域。
步骤4、将该类故障(A)与非该类故障(BCDE)的非重叠区域样本点输入至支持向量机中,训练该类故障(A)的单独诊断模型,再将两者重叠区域样本点输入至训练好的诊断模型中,对重叠区域样本点进行再分类。
步骤5、根据分类结果将类重叠区域样本点归类,重新划分该类故障的决策边界,并计算该类故障(A)与非该类故障(BCDE)在其样本点分布的类重叠度μA-BCDE。
在计算该类故障(A)与非该类故障(BCDE)在其样本点分布的类重叠度时,具体如下:
在类重叠区域中,越靠近重叠区中心的样本点,对分类边界的影响就越大,这些样本点对分类决策面的确定具有更大的贡献,其重要程度也相对越高。数据点Xi在二类集合中的重叠度为:
其中ap和aq为类Cp和类Cq的类中心点,Rp和Rq为类Cp和类Cq的平均类中心距,Np和Nq为样本数量,||Xi-ap||和||Xi-aq||为Xi到类中心点的距离,μi为样本点Xi属于类Cp和类Cq的模糊度,其值在0~0.5之间。
对于平衡数据集(Np=Nq)中的样本点,越靠近重叠区的中心,其类重叠度越大,如点A距离两个类中心的距离相等(μA=0.5),而距离重叠区越远,其类重叠度越小(μA>μB>μC),如图3所示。
而该方法同样适用于分布不平衡的数据集,如图4所示,点A距离两个类中心的距离相等,但由于两类的样本数量不同(Np≠Nq),导致样本点到两类的平均类中心距有差异,因此其类重叠度并不会很高(μA<μB<μC),符合实际情况。
步骤6、重复步骤3至步骤5直至所有故障类别(ABCDE)均重新划分故障范围且类重叠度计算完毕。
步骤7、将重新划分的各类故障样本点与类重叠度输入至模糊支持向量机中进行训练,得到基于各类故障类重叠度的模糊支持向量机故障诊断模型。
将类重叠度当作模糊隶属度,建立模糊支持向量机作为故障诊断模型时,具体如下:
给定一个基于模糊隶属度的训练样本集S={(xi,yi,μi),i=1,2,...,n},其中n为样本数量,xi为输入样本数据,yi为标签数据,μi为第i个样本的类重叠度。则基于类重叠度的模糊支持向量机模型如下:
其中ω为可调权值向量,b为超平面的常数项。
类重叠度μi越小,则该样本点xi的错分代价就越小,松弛变量ξi对目标函数的影响就越小。结合拉格朗日函数以及对偶原理,可将目标函数转化为:
其中αi为拉格朗日系数。
引入径向基核函数,对上式进行最优求解,可得到最终分类决策函数:
每一类故障诊断根据其类重叠度,均建立一个模糊支持向量机FSVM,用于识别各类故障及多重故障。
步骤8、将测试样本点依次输入至各类故障的模糊支持向量机FSVM中进行诊断,判断该样本点是否属于该类故障,直至所有类别故障诊断完毕,记录该测试样本点的所有故障诊断结果,完成其故障诊断,输出该样本点的诊断结果,如图5所示。
验证案例:
采用某地区500kV变压器的油色谱数据作为实验数据集,将400组样本数据分为300组训练数据集和100组测试数据集。为构建不平衡数据环境,训练数据集包含正常状态60组、低能放电42组、高能放电74组、低中温过热40组和高温过热84组,测试数据从100组中随机选取70组进行验证;图6为故障诊断结果图;表1为故障诊断准确率。
表1故障分类准确率
本发明中变压器故障诊断方法的准确度能够达到94.28%,结果验证了本发明所提方法的可行性。
Claims (10)
1.一种识别变压器各类故障及多重故障的诊断方法,其特征在于,它包括以下步骤:
步骤1:将变压器历史故障油气数据进行预处理;
步骤2:将预处理过后的油气数据全部输入至支持向量数据描述算法中刻画各类故障样本点的分布区域以及类重叠区域;
步骤3:在刻画好的故障分布中选择一类故障单独诊断,将其他所有非该类故障作为整体与该类故障进行比较,识别出两者的重叠区域与非重叠区域;
步骤4:将该类故障与非该类故障的非重叠区域样本点输入至支持向量机中,训练该类故障的单独诊断模型,再将两者重叠区域样本点输入至训练好的诊断模型中,对重叠区域样本点进行再分类;
步骤5:根据分类结果将类重叠区域样本点归类,重新划分该类故障的决策边界,并计算该类故障与非该类故障在其样本点分布的类重叠度μA-BCDE;
步骤6:重复步骤3至步骤5直至所有故障类别均重新划分故障范围且类重叠度计算完毕;
步骤7:将重新划分的各类故障样本点与类重叠度输入至模糊支持向量机中进行训练,得到基于各类故障类重叠度的模糊支持向量机故障诊断模型;
步骤8:将测试样本点依次输入至各类故障的模糊支持向量机FSVM中进行诊断,判断该样本点是否属于该类故障,直至所有类别故障诊断完毕,记录该测试样本点的所有故障诊断结果,完成其故障诊断,输出该样本点的诊断结果。
3.根据权利要求1所述的方法,其特征在于,在步骤2中,在利用支持向量数据描述算法刻画各类故障样本点的分布区域以及类重叠区域,根据决策函数值来判断样本点所处位置;
当决策函数值为0时,该样本为支持向量;决策函数值小于0时为球外点,大于0时为球内点;利用支持向量数据描述算法对每个故障类别进行单类学习,当样本点仅在一个单类支持向量数据描述模型中的决策函数值大于或等于0时,则其位于样本空间的非重叠区域;当样本点在至少两个单类支持向量数据描述模型中的决策函数值大于或等于0,则其位于重叠区域;
通过支持向量数据描述算法,刻画所有故障类别样本点在样本空间的分布情况。
4.根据权利要求1至3其中之一所述的方法,其特征在于,在步骤5中,在计算该类故障与非该类故障在其样本点分布的类重叠度时,具体如下:
在类重叠区域中,越靠近重叠区中心的样本点,对分类边界的影响就越大,这些样本点对分类决策面的确定具有更大的贡献,其重要程度也相对越高;数据点Xi在二类集合中的重叠度为:
其中ap和aq为类Cp和类Cq的类中心点,Rp和Rq为类Cp和类Cq的平均类中心距,Np和Nq为样本数量,||Xi-ap||和||Xi-aq||为Xi到类中心点的距离,μi为样本点Xi属于类Cp和类Cq的模糊度,其值在0~0.5之间;
对于平衡数据集(Np=Nq)中的样本点,越靠近重叠区的中心,其类重叠度越大,如点A距离两个类中心的距离相等(μA=0.5),而距离重叠区越远,其类重叠度越小(μA>μB>μC)。
5.根据权利要求4所述的方法,其特征在于,在步骤5中,对于不平衡的数据集,点A距离两个类中心的距离相等,但由于两类的样本数量不同(Np≠Nq),导致样本点到两类的平均类中心距有差异,因此其类重叠度并不会很高(μA<μB<μC)。
6.根据权利要求1或2或3或5所述的方法,其特征在于,
在步骤7中,将类重叠度当作模糊隶属度,建立模糊支持向量机作为故障诊断模型时,具体如下:
给定一个基于模糊隶属度的训练样本集S={(xi,yi,μi),i=1,2,…,n},其中n为样本数量,xi为输入样本数据,yi为标签数据,μi为第i个样本的类重叠度,则基于类重叠度的模糊支持向量机模型如下:
其中ω为可调权值向量,b为超平面的常数项;
类重叠度μi越小,则该样本点xi的错分代价就越小,松弛变量ξi对目标函数的影响就越小;结合拉格朗日函数以及对偶原理,可将目标函数转化为:
其中αi为拉格朗日系数;
引入径向基核函数,对上式进行最优求解,可得到最终分类决策函数:
每一类故障诊断根据其类重叠度,均建立一个模糊支持向量机FSVM,用于识别各类故障及多重故障。
7.一种建立模糊支持向量机作为故障诊断模型的方法,其特征在于,它包括以下步骤:
步骤1:获得基于类重叠度的模糊支持向量机模型;
步骤2:结合拉格朗日函数以及对偶原理,将目标函数进行转化;
步骤3:引入径向基核函数,进行最优求解,获得最终分类决策函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210468262.5A CN114895222A (zh) | 2022-04-29 | 2022-04-29 | 一种识别变压器各类故障及多重故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210468262.5A CN114895222A (zh) | 2022-04-29 | 2022-04-29 | 一种识别变压器各类故障及多重故障的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114895222A true CN114895222A (zh) | 2022-08-12 |
Family
ID=82719194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210468262.5A Pending CN114895222A (zh) | 2022-04-29 | 2022-04-29 | 一种识别变压器各类故障及多重故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114895222A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115639327A (zh) * | 2022-12-21 | 2023-01-24 | 南方电网数字电网研究院有限公司 | 基于油浸式套管气体检测的套管故障检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN106770939A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于支持向量描述和k近质心近邻的变压器故障诊断方法 |
CN111145044A (zh) * | 2020-01-09 | 2020-05-12 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
US20200271720A1 (en) * | 2020-05-09 | 2020-08-27 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
-
2022
- 2022-04-29 CN CN202210468262.5A patent/CN114895222A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
CN106770939A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于支持向量描述和k近质心近邻的变压器故障诊断方法 |
CN111145044A (zh) * | 2020-01-09 | 2020-05-12 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
US20200271720A1 (en) * | 2020-05-09 | 2020-08-27 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
Non-Patent Citations (3)
Title |
---|
WENLONG FU: "Fault Diagnosis for Rolling Bearings Based on Fine-Sorted Dispersion Entropy and SVM Optimized with Mutation SCA-PSO", 《ENTROPY》, 16 April 2019 (2019-04-16) * |
李淑英;田慕琴;薛磊;: "基于模糊支持向量机的感应电机故障诊断", 微电机, no. 10, 28 October 2013 (2013-10-28) * |
龚健: "基于支持向量机的变压器故障诊断研究", 《电气开关》, 15 April 2016 (2016-04-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115639327A (zh) * | 2022-12-21 | 2023-01-24 | 南方电网数字电网研究院有限公司 | 基于油浸式套管气体检测的套管故障检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A new support vector machine model based on improved imperialist competitive algorithm for fault diagnosis of oil-immersed transformers | |
CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
CN112465040B (zh) | 一种基于类不平衡学习算法的软件缺陷预测方法 | |
KR101539896B1 (ko) | 유도전동기 오류 진단 방법 | |
CN108092623B (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN108829878B (zh) | 一种工业实验数据异常点检测方法及装置 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型***及方法 | |
CN112308038B (zh) | 基于课堂式生成对抗网络模型的机械设备故障信号识别方法 | |
Oliinyk et al. | The decision tree construction based on a stochastic search for the neuro-fuzzy network synthesis | |
CN107101829A (zh) | 一种航空发动机结构类故障的智能诊断方法 | |
CN114895222A (zh) | 一种识别变压器各类故障及多重故障的诊断方法 | |
Chern et al. | Improving scan chain diagnostic accuracy using multi-stage artificial neural networks | |
CN114358075A (zh) | 一种数据驱动的转子***典型故障自动识别方法 | |
Dong et al. | Wafer yield prediction using derived spatial variables | |
CN109901064B (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
CN115454990A (zh) | 一种基于改进knn的油纸绝缘数据清洗方法 | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子***故障诊断方法 | |
Karnavas et al. | Fault diagnosis of squirrel-cage induction motor broken bars based on a model identification method with subtractive clustering | |
CN114970157A (zh) | 电子产品在电压应力作用下的小样本试验寿命预测方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力***不良数据辨识方法 | |
CN113761755A (zh) | 考虑认知不确定性的温湿度双应力下的加速寿命分析方法 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
Breuneval et al. | Identification of a roller screw for diagnosis of flight control actuator |
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 |