CN115758100A - 变压器铁芯夹件断线预警方法、装置和计算机设备 - Google Patents
变压器铁芯夹件断线预警方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN115758100A CN115758100A CN202211515647.9A CN202211515647A CN115758100A CN 115758100 A CN115758100 A CN 115758100A CN 202211515647 A CN202211515647 A CN 202211515647A CN 115758100 A CN115758100 A CN 115758100A
- Authority
- CN
- China
- Prior art keywords
- parameter
- data set
- state
- state data
- screening
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012216 screening Methods 0.000 claims abstract description 126
- 238000007637 random forest analysis Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims description 39
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 230000001174 ascending effect Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003071 parasitic effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- YPFNIPKMNMDDDB-UHFFFAOYSA-K 2-[2-[bis(carboxylatomethyl)amino]ethyl-(2-hydroxyethyl)amino]acetate;iron(3+) Chemical compound [Fe+3].OCCN(CC([O-])=O)CCN(CC([O-])=O)CC([O-])=O YPFNIPKMNMDDDB-UHFFFAOYSA-K 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 102000030938 small GTPase Human genes 0.000 description 1
- 108060007624 small GTPase Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本申请涉及一种变压器铁芯夹件断线预警方法、装置和计算机设备。所述方法包括：获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数‑状态数据集；对所述原始参数‑状态数据集中电参数特征进行升阶处理，得到升阶参数‑状态数据集；计算所述升阶参数‑状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，得到筛选参数‑状态数据集；计算所述筛选参数‑状态数据集中电参数特征间的皮尔逊相关系数，得到最终参数‑状态数据集；通过网格搜索法，得到正常接地状态和断线状态的超参数；通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。采用本方法能够提高故障预测的准确率。
Description
技术领域
本申请涉及预警技术领域，特别是涉及一种变压器铁芯夹件断线预警方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
变压器是电力***的重要设备，一旦出现故障将造成严重后果，因此实现故障监测和预警十分重要，变压器的常见故障有绕组故障、铁心故障、分接开关故障、引线故障、绝缘故障和密封故障，其中铁芯故障的占比居第二位。
变压器正常运行时，带电绕组与元件间构成不均匀电场，铁芯夹件处于该场中将产生悬浮电位。当悬浮电位达到了击穿变压器绝缘间隙的程度时，铁芯和接地油箱间会产生局部断续性微量放电现象，长期处于这样的状态可能会引发严重事故，因此，相关国家标准规定变压器铁芯夹件必须可靠接地。
传统技术中虽然有变压器铁芯夹件断线预警方案，但是这些方案以便是基于技术人员经验来进行的分析预警，无法实现准确的变压器铁芯夹件断线预警。
发明内容
基于此，有必要针对上述技术问题，提供一种准确的变压器铁芯夹件断线预警方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种变压器铁芯夹件断线预警方法。所述方法包括：
获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；
对所述原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；
计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集；
计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据所述最大互信息系数以及所述皮尔逊相关系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；
通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；
根据所述超参数及所述最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
在其中一个实施例中，所述对所述原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集，之前还包括：
对所述原始参数-状态数据集进行预处理。
在其中一个实施例中，所述计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集包括：
获取预设电参数特征表征正常接地状态以及断线状态的目标值；
根据所述升阶参数-状态数据集及所述目标值，计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数；
根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集。
在其中一个实施例中，所述计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据所述最大互信息系数以及所述皮尔逊相关系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集包括：
计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数；
若所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数较高，则根据所述最大互信息系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集。
在其中一个实施例中，所述通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数包括：
通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历，得到所有参数的组合；
对所述所有参数的组合进行交叉验证，得到正常接地状态和断线状态的超参数。
在其中一个实施例中，所述根据所述超参数及所述最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障，之前还包括：
划分所述原始参数-状态数据集的训练集和测试集；
根据所述训练集和测试集，检验预设随机森林模型的学习效果。
第二方面，本申请还提供了一种变压器铁芯夹件断线预警装置。所述装置包括：
原始参数-状态数据集获取模块，用于获取变压变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；
升阶参数-状态数据集获取模块，用于对所述原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；
筛选参数-状态数据集获取模块，用于计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集；
最终参数-状态数据集获取模块，用于计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据所述最大互信息系数以及所述皮尔逊相关系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；
超参数获取模块，用于通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；
断线故障预测模块，用于根据所述超参数及所述最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；
对所述原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；
计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集；
计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据所述最大互信息系数以及所述皮尔逊相关系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；
通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；
根据所述超参数及所述最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；
对所述原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；
计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集；
计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据所述最大互信息系数以及所述皮尔逊相关系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；
通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；
根据所述超参数及所述最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；
对所述原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；
计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集；
计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据所述最大互信息系数以及所述皮尔逊相关系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；
通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；
根据所述超参数及所述最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
上述变压器铁芯夹件断线预警方法、装置、计算机设备、存储介质和计算机程序产品，获取变压变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；对原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集；计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据最大互信息系数以及皮尔逊相关系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；根据超参数及最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。本方案中，通过将原始参数-状态数据集中电参数特征进行升阶，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数，得到最终参数-状态数据集，建立新特征参数与铁芯夹件工作状态之间的非线性关系，将正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数，筛选出与断线故障关联密切的参数，从而提高故障预测的准确率。
附图说明
图1为一个实施例中变压器铁芯夹件断线预警方法的应用环境图；
图2为一个实施例中变压器铁芯夹件断线预警方法的流程示意图；
图3为正常接地时变压器铁芯夹件端口模型示意图；
图4为变铁芯引出线断线时变压器铁芯夹件端口模型示意图；
图5为随机森林分类算法的流程图示意图；
图6为变压器铁芯夹件断线预警方法的具体流程示意图；
图7为另一个实施例中变压器铁芯夹件断线预警方法的流程示意图；
图8为一个实施例中变压器铁芯夹件断线预警装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的变压器铁芯夹件断线预警方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102获取变压器铁芯夹件在正常接地状态和断线状态时的参数，并发送变压器铁芯夹件在正常接地状态和断线状态时的参数至服务器104，服务器104通过获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集，对原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集，计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据最大互信息系数以及皮尔逊相关系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集，通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数，根据超参数及最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种变压器铁芯夹件断线预警方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S100，获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集。
其中，参数-状态数据集是测量的多组变压器铁芯夹件不同工作状态的参数作为数据特征，相应状态则作为目标值转换为数值型特征建立的数据集。
具体地，测量变压器铁芯夹件在正常接地状态和断线状态时的参数，所测参数包括铁芯引出线不接地时外部可测夹件对地电容C夹-地、铁芯引出线接地时外部可测的夹件对地电容C夹-地′、夹件对铁芯电容C夹-铁、夹件接地电流I夹和铁芯夹件的绝缘电阻R铁、R夹，如图3和图4所示，以下等式为铁芯夹件正常接地时的电容值：
C夹-地′＝C1+C3
C夹-地＝C1
铁芯接地内部引出线断线时的电容值等式如下：
C夹-地＝C11
其中，C1为铁芯与夹件间的分布电容，C2为铁芯与内部其他结构的分布电容，C3为夹件与其他结构的分布电容；C11为铁芯引出线断开至铁芯接地套管和夹件间的寄生电容，C21为铁芯引出线断开至铁芯接地套管和主变内部接地结构间的寄生电容。
当铁芯夹件正常接地时，对应目标值设置为1，当铁芯夹件发生断线故障时，对应目标值设置为0，建立参数-状态数据集D。
S200，对原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集。
其中，升阶处理是将电参数特征的值平方，以得到新的样本特征。
具体地，在参数-状态数据集D中已知特征Xi的基础上将特征值提高一阶，得到一组新特征
此时样本特征变为2k个，得到升阶参数-状态数据集。
S300，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集。
其中，最大互信息系数用来衡量两个特征变量之间的关联程度，以筛选出与电参数特征表征正常接地状态以及断线状态目标值高相关性特征。
具体地，计算升阶参数-状态数据集中各电参数特征与电参数特征表征正常接地状态以及断线状态目标值的MIC(Maximal Information Coefficient，最大互信息系数)，并选择前m个具有高相关度的电参数特征，得到筛选参数-状态数据集。
S400，计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据最大互信息系数以及皮尔逊相关系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集。
其中，皮尔逊相关系数是用于度量筛选参数-状态数据集中两个特征间的线性相关，以排除冗余特征。
具体地，计算筛选参数-状态数据集中特征间的皮尔逊相关系数，如表1所示，对于强相关的两组特征保留MIC大的一方，得到最终参数-状态数据集。
表1皮尔逊相关系数判断依据
S500，通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数。
其中，网格搜索法是指定参数值的一种穷举搜索方法，通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法；交叉验证是将数据集进行分组，一部分做为训练集，另一部分做为验证集，首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型。
具体地，通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历，迭代得到多组不同的参数，在交叉验证阶段，将得到多组不同的参数通过训练集和验证集进行验证，得到正常接地状态和断线状态的超参数。
S600，根据超参数及最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
具体地，将超参数及最终参数-状态数据集作为预设随机森林模型的输入，预测变压器铁芯夹件是否存在断线故障；决策树算法随着树深度易产生过拟合，随机森林算法则利用多组子集生成分类器，进一步提高了模型的泛化能力，信息熵作为决策树进行分支的依据，可以度量样本集合的混合程度，如图5所示，其数学表达式为：
式中，H(X)为一种特征X的信息熵，pi为X的可能取值{x1,x2,…,xn}的取值概率，n为X的可能取值个数；H(D)为样本集合D在特征X下的信息熵，|xi|为特征X中类别xi的个数，|D|为样本集合总数；
决策树生成时需选择合适的特征进行分支，如下式所示，可依据的指标包括：
信息增益g(D,A)：分支点优先选择信息增益大的特征，增益越大表明信息纯度越高；
信息增益比gR(D,A)：不直接选择信息增益最高的特征，而是基于特征A分类下信息增益的比例进行选择；
基尼系数G：衡量集合中样本被分错类别的可能性，故在选择分支点时优先选择G值小的特征；
决策树算法随着树深度易产生过拟合，随机森林算法则利用多组子集生成分类器，进一步提高了模型的泛化能力；
g(D,A)＝H(D)-H(DA)
式中，H(D)和H(D|A)为D经过特征A分类前后的信息熵，|ai|为特征A的第i个可能取值；G(D)为D在特征A分类下的基尼系数，
为样本D中属于类别ai的概率。
整个变压器铁芯夹件断线预警方法的流程如图6所示。
上述变压器铁芯夹件断线预警方法中，获取变压变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集，对原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集，计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据最大互信息系数以及皮尔逊相关系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集，通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数，根据超参数及最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障，能建立新特征参数与铁芯夹件工作状态之间的非线性关系，筛选出与断线故障关联密切的参数，提高故障预测的准确率。
在一个实施例中，对原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集，之前还包括：
对原始参数-状态数据集进行预处理。
其中，预处理是对原始参数-状态数据集剔除异常值并进行归一化处理，划分训练集和测试集。
具体地，为了避免特征间量纲差异过大引起误差，平衡特征对目标值的影响，如下式所示，对数据进行归一化处理：
式中，x和x′为归一化前后的数据，xmax和xmin分别为参数特征的最大值和最小值。
归一化后的特征数据范围为[0,1]统计各特征对应取值的分布情况，根据铁芯夹件在正常接地和断线状态对应的特征均值，计算特征参考点C。从实际出发设置合理阈值，如下式所示，依据工作状态分别计算其余样本到C的欧氏距离L(Xi,C)作为异常值判定依据，若样本数量充足，可直接剔除明显的离群点样本，反之，为保证模型训练的准确性，可采用平均值填补法进行替换：
式中，Xi和C为相同工作状态下的样本i和对应参考点，
为样本i对参考点在第1个特征的欧氏距离，k为特征个数。
本实施例中，通过对原始参数-状态数据集进行预处理，剔除原始参数-状态数据集中的异常值及进行归一化处理，能便于后续模型的训练。
在一个实施例中，如图7所示，S300包括：
S320，获取预设电参数特征表征正常接地状态以及断线状态的目标值。
S340，根据升阶参数-状态数据集及目标值，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数。
S360，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集。
其中，目标值是设置的当电参数特征表征正常接地状态以及断线状态时所对应的值，当电参数特征表征正常接地状态时，将其设置为1，当电参数特征表征断线状态时，将其设置为0。
具体地，计算并比较各特征对目标值的MIC的数值大小，并选择前m个具有高相关度的参数特征代入下一阶段。对于存在一定联系的两个变量，可用互信息衡量其关联程度，而在此基础上形成的MIC有更高的准确率，数值越大表明变量间关联程度越高。该过程的数学表达式为：
式中，X和Y为具有一定相关性的两个变量，I[X；Y]为联合分布p(X,Y)和边缘分布p(X)p(Y)的相对熵；|X||Y|<B为针对变量X、Y划分网格的条件，MIC[x；y]为最大的归一化互信息；
若两个参数特征之间相关性较高，则保留MIC更高的一方。
本实施例中，通过获取预设电参数特征表征正常接地状态以及断线状态的目标值，根据升阶参数-状态数据集及目标值，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集，能筛选出与目标值关联程度较高的电参数特征。
在一个实施例中，计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据最大互信息系数以及皮尔逊相关系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集包括：
计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数；若筛选参数-状态数据集中电参数特征间的皮尔逊相关系数较高，则根据最大互信息系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集。
具体地，计算MIC数值的前m个特征间的皮尔逊相关系数ρ，如下式所示：
式中，E(X)、E(Y)和Cov(X,Y)分别为变量X和Y的期望和协方差，Xi和Yi为n个样本中的第i个；ρXY为变量X和Y间的皮尔逊相关系数，σX和σY为变量X和Y的标准差
本实施例中，通过计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数；若筛选参数-状态数据集中电参数特征间的皮尔逊相关系数较高，则根据最大互信息系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集，能对参数-状态数据集中强相关的电参数特征进行筛选。
在一个实施例中，通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数包括：
通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历，得到所有参数的组合；对所有参数的组合进行交叉验证，得到正常接地状态和断线状态的超参数。
具体地，随机森林模型的超参数选择包括遍历和交叉验证两个阶段，在遍历阶段，需根据处理完成的铁芯夹件数据集结构设置树参数个数T和深度N的取值范围，通过迭代得到所有参数的组合；在交叉验证阶段，针对随机森林生成的子决策树样本划分子训练集、子验证集，利用子验证集衡量训练效果，最终选出效果最好的超参数训练模型。
本实施例中，通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历，得到所有参数的组合，对所有参数的组合进行交叉验证，得到正常接地状态和断线状态的超参数，能获取随机森林模型的最佳参数，提高故障预测的准确率。
在一个实施例中，根据超参数及最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障，之前还包括：
划分原始参数-状态数据集的训练集和测试集；根据训练集和测试集，检验预设随机森林模型的学习效果。
具体地，将预处理后的原始参数-状态数据集划分为训练集和测试集，检验预设随机森林模型的学习效果。
本实施例中，通过划分原始参数-状态数据集的训练集和测试集，根据训练集和测试集，检验预设随机森林模型的学习效果，便于后续模型对断线故障的预测。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的变压器铁芯夹件断线预警方法的预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个预警装置实施例中的具体限定可以参见上文中对于变压器铁芯夹件断线预警方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种变压器铁芯夹件断线预警装置，包括：原始参数-状态数据集获取模块100、升阶参数-状态数据集获取模块200、筛选参数-状态数据集获取模块300、最终参数-状态数据集获取模块400、超参数获取模块500和断线故障预测模块600，其中：
原始参数-状态数据集获取模块100，用于获取变压变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；
升阶参数-状态数据集获取模块200，用于对原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；
筛选参数-状态数据集获取模块300，用于计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集；
最终参数-状态数据集获取模块400，用于计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据最大互信息系数以及皮尔逊相关系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；
超参数获取模块500，用于通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；
断线故障预测模块600，用于根据超参数及最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
在一个实施例中，筛选参数-状态数据集获取模块300还用于获取预设电参数特征表征正常接地状态以及断线状态的目标值；根据升阶参数-状态数据集及目标值，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数；根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集。
在一个实施例中，最终参数-状态数据集获取模块400还用于计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数；若筛选参数-状态数据集中电参数特征间的皮尔逊相关系数较高，则根据最大互信息系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集。
在一个实施例中，超参数获取模块500还用于通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历，得到所有参数的组合；对所有参数的组合进行交叉验证，得到正常接地状态和断线状态的超参数。
上述变压器铁芯夹件断线预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储变压器铁芯夹件在正常接地状态和断线状态时的参数数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种变压器铁芯夹件断线预警方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；对原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集；计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据最大互信息系数以及皮尔逊相关系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；根据超参数及最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对原始参数-状态数据集进行预处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取预设电参数特征表征正常接地状态以及断线状态的目标值；根据升阶参数-状态数据集及目标值，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数；根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数；若筛选参数-状态数据集中电参数特征间的皮尔逊相关系数较高，则根据最大互信息系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历，得到所有参数的组合；对所有参数的组合进行交叉验证，得到正常接地状态和断线状态的超参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
划分原始参数-状态数据集的训练集和测试集；根据训练集和测试集，检验预设随机森林模型的学习效果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；对原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集；计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据最大互信息系数以及皮尔逊相关系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；根据超参数及最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对原始参数-状态数据集进行预处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取预设电参数特征表征正常接地状态以及断线状态的目标值；根据升阶参数-状态数据集及目标值，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数；根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数；若筛选参数-状态数据集中电参数特征间的皮尔逊相关系数较高，则根据最大互信息系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历，得到所有参数的组合；对所有参数的组合进行交叉验证，得到正常接地状态和断线状态的超参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
划分原始参数-状态数据集的训练集和测试集；根据训练集和测试集，检验预设随机森林模型的学习效果。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；对原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集；计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据最大互信息系数以及皮尔逊相关系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；根据超参数及最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对原始参数-状态数据集进行预处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取预设电参数特征表征正常接地状态以及断线状态的目标值；根据升阶参数-状态数据集及目标值，计算升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数；根据最大互信息系数筛选升阶参数-状态数据集，得到筛选参数-状态数据集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
计算筛选参数-状态数据集中电参数特征间的皮尔逊相关系数；若筛选参数-状态数据集中电参数特征间的皮尔逊相关系数较高，则根据最大互信息系数对筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过网格搜索法，对正常接地状态和断线状态时的参数进行遍历，得到所有参数的组合；对所有参数的组合进行交叉验证，得到正常接地状态和断线状态的超参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
划分原始参数-状态数据集的训练集和测试集；根据训练集和测试集，检验预设随机森林模型的学习效果。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种变压器铁芯夹件断线预警方法，其特征在于，所述方法包括：
获取变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；
对所述原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；
计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集；
计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据所述最大互信息系数以及所述皮尔逊相关系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；
通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；
根据所述超参数及所述最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
2.根据权利要求1所述的方法，其特征在于，所述对所述原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集，之前还包括：
对所述原始参数-状态数据集进行预处理。
3.根据权利要求1所述的方法，其特征在于，所述计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集包括：
获取预设电参数特征表征正常接地状态以及断线状态的目标值；
根据所述升阶参数-状态数据集及所述目标值，计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数；
根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集。
4.根据权利要求1所述的方法，其特征在于，所述计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据所述最大互信息系数以及所述皮尔逊相关系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集包括：
计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数；
若所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数较高，则根据所述最大互信息系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集。
5.根据权利要求1所述的方法，其特征在于，所述通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数包括：
通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历，得到所有参数的组合；
对所述所有参数的组合进行交叉验证，得到正常接地状态和断线状态的超参数。
6.根据权利要求1所述的方法，其特征在于，所述根据所述超参数及所述最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障，之前还包括：
划分所述原始参数-状态数据集的训练集和测试集；
根据所述训练集和测试集，检验预设随机森林模型的学习效果。
7.一种变压器铁芯夹件断线预警装置，其特征在于，所述装置包括：
原始参数-状态数据集获取模块，用于获取变压变压器铁芯夹件在正常接地状态和断线状态时的参数，得到原始参数-状态数据集；
升阶参数-状态数据集获取模块，用于对所述原始参数-状态数据集中电参数特征进行升阶处理，得到升阶参数-状态数据集；
筛选参数-状态数据集获取模块，用于计算所述升阶参数-状态数据集中与电参数特征表征正常接地状态以及断线状态的最大互信息系数，根据所述最大互信息系数筛选所述升阶参数-状态数据集，得到筛选参数-状态数据集；
最终参数-状态数据集获取模块，用于计算所述筛选参数-状态数据集中电参数特征间的皮尔逊相关系数、并根据所述最大互信息系数以及所述皮尔逊相关系数对所述筛选参数-状态数据集进行二次筛选，得到最终参数-状态数据集；
超参数获取模块，用于通过网格搜索法，对所述正常接地状态和断线状态时的参数进行遍历与交叉验证，得到正常接地状态和断线状态的超参数；
断线故障预测模块，用于根据所述超参数及所述最终参数-状态数据集，通过预设随机森林模型，预测变压器铁芯夹件是否存在断线故障。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211515647.9A CN115758100A (zh) | 2022-11-30 | 2022-11-30 | 变压器铁芯夹件断线预警方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211515647.9A CN115758100A (zh) | 2022-11-30 | 2022-11-30 | 变压器铁芯夹件断线预警方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115758100A true CN115758100A (zh) | 2023-03-07 |
Family
ID=85340883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211515647.9A Pending CN115758100A (zh) | 2022-11-30 | 2022-11-30 | 变压器铁芯夹件断线预警方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115758100A (zh) |
-
2022
- 2022-11-30 CN CN202211515647.9A patent/CN115758100A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109032829B (zh) | 数据异常检测方法、装置、计算机设备及存储介质 | |
| CN109558936A (zh) | 异常判定方法和程序 | |
| CN114239681A (zh) | 变压器健康指数评估方法、装置、计算机设备和存储介质 | |
| CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
| CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
| CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
| CN115830010B (zh) | 输电导线交叉跨越距离检测方法、装置和计算机设备 | |
| CN116075733A (zh) | 用于对电池模块进行分类的电池管理*** | |
| CN112508679A (zh) | 一种小微企业贷款风险评估方法、装置及存储介质 | |
| CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
| CN117787572B (zh) | 一种异常用电用户识别方法、装置、存储介质及电子设备 | |
| CN113888061A (zh) | 一种换流变压器的运行状态评估方法及装置 | |
| CN112363012A (zh) | 一种电网故障预警装置及方法 | |
| CN113283973A (zh) | 对账差异数据的处理方法、装置、计算机设备和存储介质 | |
| CN117332330A (zh) | 基于多源数据图融合模型的变压器故障评估方法及*** | |
| CN115758100A (zh) | 变压器铁芯夹件断线预警方法、装置和计算机设备 | |
| CN116561607A (zh) | 资源交互数据异常检测方法、装置和计算机设备 | |
| CN115792453A (zh) | 一种铁磁谐振辨识方法、装置、计算机设备和存储介质 | |
| CN115085368A (zh) | 变压器健康状态监测方法、装置、计算机设备和存储介质 | |
| CN115015826A (zh) | 一种电容式电压互感器电容击穿的在线诊断方法及装置 | |
| CN113792749A (zh) | 时间序列数据异常检测方法、装置、设备及存储介质 | |
| CN114741673B (zh) | 行为风险检测方法、聚类模型构建方法、装置 | |
| CN114137418B (zh) | 蓄电池性能识别方法、装置、计算机设备和存储介质 | |
| CN115951165A (zh) | 基于电力设备多源传感器的故障诊断体系构建方法和装置 | |
| CN117074866A (zh) | 单相双***并联电缆故障诊断方法、装置、设备和介质 |
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 |