CN116087647A - 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法 - Google Patents

基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法 Download PDF

Info

Publication number
CN116087647A
CN116087647A CN202211659561.3A CN202211659561A CN116087647A CN 116087647 A CN116087647 A CN 116087647A CN 202211659561 A CN202211659561 A CN 202211659561A CN 116087647 A CN116087647 A CN 116087647A
Authority
CN
China
Prior art keywords
fault
pca
feature
building electrical
fault diagnosis
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
Application number
CN202211659561.3A
Other languages
English (en)
Inventor
熊建斌
李章伶
梁琼
路天天
张震浩
王颀
岑健
宋伟伟
董湘君
郑辞晏
周卫
刘军
伍银波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202211659561.3A priority Critical patent/CN116087647A/zh
Publication of CN116087647A publication Critical patent/CN116087647A/zh
Pending legal-status Critical Current

Links

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
    • 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]
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，包括如下步骤：步骤1、故障数据采集，采集建筑电气***n种故障原始信号；步骤2、故障特征提取：故障特征提取模块与故障数据采集模块建立连接，用于提取采集到的故障原始信号中的时域特征与频域特征，得到原始特征矩阵用于后续故障诊断；步骤3、特征PCA降维：特征PCA降维模块与故障特征提取模块建立连接，用于对多维特征进行降维，减少特征数量；步骤4、SSA‑RF故障分类，得到诊断结果。本发明能够准确识别建筑电气***故障类型，保障了电气***的安全可靠运行，弥补了传统人力检测建筑电气故障的耗时耗力、受主观经验影响较大的缺陷。

Description

基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法
技术领域
本发明属于故障诊断技术领域，具体涉及一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法。
背景技术
随着经济的快速发展，现代化程度加快，建筑设施越来越多，建筑电气***愈发复杂。为保障电气***安全可靠的运行，减少安全事故的发生，对建筑电气***进行故障检测与诊断是非常重要的一项工作。传统的故障诊断方法是由检修工人进行人为的故障检测，较为耗时耗力，且容易受到主观经验的影响。为提高故障诊断效率和准确率，智能诊断技术随之兴起。虽然建筑电气相关的智能故障诊断技术在近年来有所发展，但还未形成科学有效的诊断体系，所以研究新的方法与技术尤为重要。建筑电气***覆盖面较广，涵盖了照明***、变配电***等多个子***，且***较为复杂，给故障诊断带来了许多困难。为此，我们提出一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，以便于及时发现故障问题，减少人力消耗，降低安全隐患，提高故障诊断的准确率。
发明内容
本发明的目的在于提供一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，先采集了实验平台上的n种不同故障的原始电阻信号，然后选择了统计分析中常用的时域与频域相关公式对信号进行特征提取，提取出故障的特征后，用PCA对特征进行降维，最后通过SSA优化的RF分类器对n种故障进行分类，包括如下步骤：
步骤1、故障数据采集：故障数据采集模块与电气综合实验仪Eurotest61557建立连接，用于采集建筑电气***n种故障原始信号；
步骤2、故障特征提取：故障特征提取模块与故障数据采集模块建立连接，用于提取采集到的故障原始信号中的时域特征与频域特征，得到原始特征矩阵用于后续故障诊断；
步骤3、特征PCA降维：特征PCA降维模块与故障特征提取模块建立连接，用于对多维特征进行降维，减少特征数量；
步骤4、SSA-RF故障分类：SSA-RF故障分类模块与特征PCA降维模块建立连接，用于特征分类，得到诊断结果。
所述步骤S1故障数据采集中，采集了n种建筑电气故障，每种故障采集30组故障样本，每50个采样点为一组样本，采样频率为256Hz。
所述步骤S1故障数据采集后，用统计分析的公式对每组样本分别求时域特征指标和频域特征指标。
所述时域特征指标分别为：最大值、最小值、峰峰值、平均值、均方根、方差、标准差、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子，所述频域特征指标分别为：平均指标、重心频率、均方频率、均方根频率、频率方差、频率标准差。
计算频域特征指标前，需要先计算样本的功率谱密度，时域特征指标和频域特征指标计算完成后，得到p维原始特征矩阵。
针对特征维数过多的问题，用PCA将对p维原始特征矩阵进行降维，得到q维降维后的特征矩阵。
将q维降维后的特征矩阵中的样本按7：3划分训练集与测试集，并用SSA-RF进行故障分类。
SSA用于优化RF的两个参数：树的个数和最小叶子节点数。
用SSA优化后的参数训练RF模型，RF中包含若干个弱分类器，若干个弱分类器进行结果投票，选择投票数最多的类别作为分类器的输出。
与现有技术相比，本发明的有益效果是：本发明提供的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，本发明首次提出了一种针对于诊断建筑电气故障的新方法，具有快速检测建筑电气故障，准确鉴别故障类型的优点。本发明首次将统计分析时频域指标、PCA线性降维方法与SSA-RF分类器进行结合，融合了机器学习与群体智能技术的相关理论，并应用于建筑电气故障诊断领域，构建了新的建筑电气故障诊断框架。与传统机器学习方法和新发表的方法相比，本发明的诊断模型性能更好。总而言之，本发明能够为建筑电气行业从业者提供一种新的故障检测手段，帮助从业者鉴别故障类型，增强从业者安全防范意识，保障电气***安全可靠的运行。
附图说明
图1为本发明基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法的流程示意图；
图2为本发明故障1的原始电阻信号时域波形图；
图3为本发明故障2的原始电阻信号时域波形图；
图4为本发明故障3的原始电阻信号时域波形图；
图5为本发明故障4的原始电阻信号时域波形图；
图6为本发明故障5的原始电阻信号时域波形图；
图7为本发明故障6的原始电阻信号时域波形图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了如图1-7的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其中PCA为主成分分析，麻雀算法优化随机森林为SSA-RF，包括如下步骤：
步骤1、故障数据采集：故障数据采集模块与电气综合实验仪Eurotest61557建立连接，用于采集建筑电气***n种故障原始信号；
步骤2、故障特征提取：故障特征提取模块与故障数据采集模块建立连接，用于提取采集到的故障原始信号中的时域特征与频域特征，得到原始特征矩阵用于后续故障诊断；
步骤3、特征PCA降维：特征PCA降维模块与故障特征提取模块建立连接，用于对多维特征进行降维，减少特征数量；
步骤4、SSA-RF故障分类：SSA-RF故障分类模块与特征PCA降维模块建立连接，用于特征分类，得到诊断结果。
所述步骤S1故障数据采集中，采集了n种建筑电气故障，每种故障采集30组故障样本，每50个采样点为一组样本，采样频率为256Hz。
所述步骤S1故障数据采集后，用统计分析的公式对每组样本分别求时域特征指标和频域特征指标。
所述时域特征指标分别为：最大值、最小值、峰峰值、平均值、均方根、方差、标准差、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子，所述频域特征指标分别为：平均指标、重心频率、均方频率、均方根频率、频率方差、频率标准差。
计算频域特征指标前，需要先计算样本的功率谱密度，时域特征指标和频域特征指标计算完成后，得到p维原始特征矩阵。
针对特征维数过多的问题，用PCA将对p维原始特征矩阵进行降维，得到q维降维后的特征矩阵。
将q维降维后的特征矩阵中的样本按7：3划分训练集与测试集，并用SSA-RF进行故障分类。
SSA用于优化RF的两个参数：树的个数和最小叶子节点数。
用SSA优化后的参数训练RF模型，RF中包含若干个弱分类器，若干个弱分类器进行结果投票，选择投票数最多的类别作为分类器的输出。
图1为本发明的流程图，包含了4个部分，分别对应步骤1-步骤4。步骤1为故障数据采集，步骤2为故障特征提取，步骤3为特征PCA降维，步骤4为SSA-RF故障分类。
在本发明的故障数据采集(步骤1)中，数据采集平台为电气综合实验仪Eurotest61557。由于电气***发生故障时可能会导致电流、电压、电阻等参数发生变化，所以在实验平台上模拟了n种故障状态，并采集它们的电阻信号，以便于后续的处理与分析。对于每种故障类型，本发明都采集30组样本数据，每组数据的采样点都为50个，总样本数为N组，采样频率设置为256Hz。
为了直观显示不同故障电阻数据的变化，本发明选择了每种故障的其中一个样本进行可视化，参见图2-7，显示了n种故障的时域波形图，横轴对应采样点，纵轴对应幅度值，不同类型的故障波形具有不同的特点。
在本发明的故障特征提取(步骤2)中，与故障数据采集建立了连接，提取了故障原始电阻信号的多种特征。由于单单从波形上看，肉眼难以分辨故障，所以需要一套故障诊断方案确定故障类型。而在本发明的故障诊断方案中，特征提取是非常关键的一步，特征的好坏会直接影响故障诊断的结果。时域分析能够反映信号幅度随时间变化的情况，而频域分析能够反映信号频率随时间变化的情况。为了更全面提取故障信号的特征，本发明将时域分析与频域分析进行结合，选择统计分析中的时域指标(最大值、最小值、峰峰值、平均值、均方根、方差、标准差、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子)和频域指标(平均指标、重心频率、均方频率、均方根频率、频率方差、频率标准差)对原始信号进行特征提取，并将提取后的时域与频域指标组合为p维特征矩阵。
在提取频域特征前，需要先计算样本的功率谱密度(PSD)，本发明采用周期图法估计故障原始信号的PSD值。周期图估计法通过离散傅里叶变换获取原始信号的PSD估计值，能反映故障信号功率在频域上的分布情况。计算出的PSD值用于频域指标公式中，以进一步提取故障原始信号的频域特征。时域特征与频域特征组合的p维特征矩阵，每一列对应一种特征，矩阵大小为N*p。
在本发明的特征降维(步骤3)中，采用了PCA降维方法与故障特征提取建立连接。虽然用公式直接提取信号的特征较为方便直接，但提取的特征种类过多，会增加运行时间。此外，可能会存在一些冗余特征。所以，本发明采用PCA对提取的特征进行降维。PCA是一种线性降维方法，能够将特征从高维空间映射至低维空间，变换到一组新的基下，提取出数据的主要特征分量，且变换后的特征两两互不相关。PCA有两种分解方法：SVD分解和特征值分解，本发明采用的为特征值分解方法。
用PCA对特征矩阵进行降维时，需要先对每一维特征进行中心化，即用矩阵中的元素减去均值，然后计算中心化后的特征矩阵的协方差矩阵，再求解协方差矩阵的特征值与特征向量，将特征向量矩阵与中心化后的特征矩阵相乘，即可将原始特征矩阵变换到新的空间下。对于PCA变换后的矩阵，每一列都为一个主成分分量，主成分分量会按照方差贡献率由大到小排列。方差贡献率是本发明衡量将特征降低至多少维的标准(q值)。
为保留绝大部分特征，本发明选择方差贡献率占比前99.9％的主成分分量作为降维后的特征矩阵。通过对PCA变换后的主成分分量1-主成分分量q的贡献率降序排列，前2个主成分分量联合方差贡献率占比能达到99.9％，所以本发明确定降维后的维数为2(即q＝2)，降维后的特征矩阵大小为N*q。
在本发明SSA-RF故障分类(步骤4)中，选择了RF作为分类器，RF是集成学习算法中的一种，内部集成了多棵二叉树，每棵二叉树都是一个弱分类器，具有分类功能。RF具有两个随机性：抽样的随机性和节点分类属性选择的随机性，这两个随机性能够降低模型过拟合风险。此外，为了降低RF参数对分类结果的影响，提高分类准确率，选择了群体智能算法中的SSA算法优化RF的两个参数：树的个数和最小叶子节点数。SSA通过模拟麻雀种群的觅食行为进行参数优化。
在对特征样本数据集分类前，需要对样本添加标签并划分训练集与测试集。故障1的30组样本对应标签1，故障2的30组样本对应标签2，……，故障n的30组样本对应标签n。训练集与测试集的划分比例为7：3。SSA参数优化时，设置优化维度为2。适应度函数选择70％的训练集误差与30％的测试集的误差之和。由于SSA种群初始位置是随机的，所以得到的最优参数也具有随机性。用优化后的两个参数训练RF，通过RF中多个二叉树弱分类器进行投票，以少数服从多数的原则，输出故障的类别。
选择每种故障类型的30组样本中的前70％样本用于训练，即前21组样本，选择每种故障类型的30组样本的后30％样本用于测试，即后9组样本。总样本数为N组，总训练集样本为70％*N组，总测试集样本为30％*N组。由于参数优化的随机性，本发明随机选择一组优化后的参数用于模型训练，这一组参数的树的个数为11，最小叶子节点数为8。
经过SSA-RF分类后，训练集准确率达到了100％，测试集准确率达到了98.15％。在测试集分类结果中，仅有故障1中的一个样本被错误分类为故障2，这是由于故障1的原始电阻信号与故障2的原始电阻信号相似性较高。另外的四种故障，故障3、故障4、故障5和故障6的分类准确率都达到了100％。此外，与未进行参数优化的RF、支持向量机(SVM)、K邻近(KNN)等其他方法比较，本发明的分类准确率也是最高的。因此，本发明能够准确检测建筑电气故障***的故障类型，故障诊断效果较好。
综上所述，与现有的技术相比较，本发明首次提出了将统计分析时域与频域指标、线性降维与群体智能算法优化机器学习分类器相结合，并应用于建筑电气故障检测领域的故障诊断方案，构建了新的建筑电气故障***故障诊断框架，能够快速识别故障，准确对故障进行分类。与未优化参数的RF、SVM、KNN等其他方法相比，本发明具有优越性，能够为智能故障诊断技术提供一个新思路，能够丰富建筑电气故障诊断手段，减少电气故障引起的各种安全隐患。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：包括如下步骤：
步骤1、故障数据采集：故障数据采集模块与电气综合实验仪Eurotest61557建立连接，用于采集建筑电气***n种故障原始信号；
步骤2、故障特征提取：故障特征提取模块与故障数据采集模块建立连接，用于提取采集到的故障原始信号中的时域特征与频域特征，得到原始特征矩阵用于后续故障诊断；
步骤3、特征PCA降维：特征PCA降维模块与故障特征提取模块建立连接，用于对多维特征进行降维，减少特征数量；
步骤4、SSA-RF故障分类：SSA-RF故障分类模块与特征PCA降维模块建立连接，用于特征分类，得到诊断结果。
2.根据权利要求1所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：所述步骤S1故障数据采集中，采集了n种建筑电气故障，每种故障采集30组故障样本，每50个采样点为一组样本，采样频率为256Hz。
3.根据权利要求1所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：所述步骤S1故障数据采集后，用统计分析的公式对每组样本分别求时域特征指标和频域特征指标。
4.根据权利要求3所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：所述时域特征指标分别为：最大值、最小值、峰峰值、平均值、均方根、方差、标准差、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子，所述频域特征指标分别为：平均指标、重心频率、均方频率、均方根频率、频率方差、频率标准差。
5.根据权利要求4所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：计算频域特征指标前，需要先计算样本的功率谱密度，时域特征指标和频域特征指标计算完成后，得到p维原始特征矩阵。
6.根据权利要求5所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：针对特征维数过多的问题，用PCA将对p维原始特征矩阵进行降维，得到q维降维后的特征矩阵。
7.根据权利要求6所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：将q维降维后的特征矩阵中的样本按7：3划分训练集与测试集，并用SSA-RF进行故障分类。
8.根据权利要求7所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：SSA用于优化RF的两个参数：树的个数和最小叶子节点数。
9.根据权利要求8所述的一种基于PCA和麻雀算法优化随机森林的建筑电气故障诊断方法，其特征在于：用SSA优化后的参数训练RF模型，RF中包含若干个弱分类器，若干个弱分类器进行结果投票，选择投票数最多的类别作为分类器的输出。
CN202211659561.3A 2022-12-22 2022-12-22 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法 Pending CN116087647A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211659561.3A CN116087647A (zh) 2022-12-22 2022-12-22 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211659561.3A CN116087647A (zh) 2022-12-22 2022-12-22 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法

Publications (1)

Publication Number Publication Date
CN116087647A true CN116087647A (zh) 2023-05-09

Family

ID=86201736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211659561.3A Pending CN116087647A (zh) 2022-12-22 2022-12-22 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法

Country Status (1)

Country Link
CN (1) CN116087647A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484753A (zh) * 2023-06-25 2023-07-25 成都四威功率电子科技有限公司 融合机器学习和物理模型的发射阵故障诊断方法及装置
CN117370899A (zh) * 2023-12-08 2024-01-09 中国地质大学（武汉） 一种基于主成分-决策树模型的控矿因素权重确定方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484753A (zh) * 2023-06-25 2023-07-25 成都四威功率电子科技有限公司 融合机器学习和物理模型的发射阵故障诊断方法及装置
CN116484753B (zh) * 2023-06-25 2023-09-19 成都四威功率电子科技有限公司 融合机器学习和物理模型的发射阵故障诊断方法及装置
CN117370899A (zh) * 2023-12-08 2024-01-09 中国地质大学（武汉） 一种基于主成分-决策树模型的控矿因素权重确定方法
CN117370899B (zh) * 2023-12-08 2024-02-20 中国地质大学（武汉） 一种基于主成分-决策树模型的控矿因素权重确定方法

Similar Documents

Publication Publication Date Title
CN116087647A (zh) 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法
CN108985632A (zh) 一种基于孤立森林算法的用电数据异常检测模型
CN110503004B (zh) 一种开关电源运行状态的在线判别方法
CN108573225A (zh) 一种局部放电信号模式识别方法及***
CN110070102B (zh) 用于电能质量扰动类型识别的序列对序列模型建立方法
CN109061426B (zh) 变压器局部放电故障诊断方法及在线监测装置
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN110298085A (zh) 基于XGBoost和随机森林算法的模拟电路故障诊断方法
CN110702966B (zh) 一种基于概率神经网络的故障电弧检测方法、装置及***
CN111079861A (zh) 一种基于图像快速处理技术的配电网电压异常诊断方法
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN114700587B (zh) 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及***
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN112183606A (zh) 基于c4.5算法的电力***故障识别分类方法及***
CN111239484A (zh) 一种非居民用户非侵入式负荷用电信息采集方法
CN109000924B (zh) 一种基于k均值的滚珠丝杠副状态监测方法
CN116304551A (zh) 一种基于bcb模型的电机轴承故障诊断及特征提取方法
CN109765878A (zh) 新能源汽车can总线网络故障的辅助分析方法
CN116662840A (zh) 一种基于机器学习的低压台区用户相位识别方法
CN114755529A (zh) 一种基于深度学习的多特征融合单相接地故障类型辨识方法
CN113889274B (zh) 一种孤独症谱系障碍的风险预测模型构建方法及装置
CN106618552B (zh) 一种检测模型获取方法及装置
Du et al. Feature Selection-Based Low Voltage AC Arc Fault Diagnosis Method
CN114139408A (zh) 一种电力变压器健康状态评估方法

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