CN111913081B - 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 - Google Patents
一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 Download PDFInfo
- Publication number
- CN111913081B CN111913081B CN202010673306.9A CN202010673306A CN111913081B CN 111913081 B CN111913081 B CN 111913081B CN 202010673306 A CN202010673306 A CN 202010673306A CN 111913081 B CN111913081 B CN 111913081B
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- mean shift
- shift clustering
- kth
- mean
- 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.)
- Active
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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种基于均值漂移聚类的开关柜绝缘状态异常检测方法,采用开关柜柜体和环境信息量以及局部放电检测数据的离散度、平均距离百分比、集中度和最大波动率指标全面量化开关柜绝缘状态的劣化程度,并构建多维特征数据库;通过自动搜索偏移量的均值漂移聚类算法对开关柜的绝缘状态进行划分,并通过所给定的开关柜簇标签隶属度函数判定是否为异常点,由此实现开关柜的绝缘状态异常检测。与现有技术相比,本发明具有能够对异常点有较好的鲁棒性,提高开关柜绝缘状态异常检测的准确率,可供运维人员对开关柜绝缘状态进行快速诊断和异常检测等优点。
Description
技术领域
本发明涉及开关柜故障检测技术领域,尤其是涉及一种基于均值漂移聚类的开关柜绝缘状态异常检测方法。
背景技术
为满足急速增长的电力需求,我国的电网规模日益扩大,电力系统对电力设备的运行可靠性要求也越来越高,对电力设备的状态检测、评价与运维有着更高的要求。
传统的电力设备检测、评价方法已不能满足要求电网发展的需求,故需对电力设备绝缘状态异常检测进行研究。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于均值漂移聚类的开关柜绝缘状态异常检测方法,旨在通过构建多维特征数据库对绝缘状态进行划分进而实现开关柜的绝缘状态异常识别。
本发明的目的可以通过以下技术方案来实现:
1.一种基于均值漂移聚类的开关柜绝缘状态异常检测方法,该方法包括以下步骤:
步骤1:采用开关柜柜体和环境信息量以及局部放电检测数据的离散度、平均距离百分比、集中度和最大波动率指标量化开关柜绝缘状态的劣化程度,并构建对应的多维特征数据库;
步骤2:针对多维特征数据库通过自动搜索偏移量的均值漂移聚类算法对开关柜的绝缘状态进行划分,得到对应划分结果;
步骤3:针对对应划分结果通过所给定的开关柜簇标签隶属度函数判定是否为异常点,由此实现开关柜的绝缘状态异常检测。
进一步地,所述的步骤1中的多维特征数据库,其对应的描述公式为:
式中,R为多维特征数据库,L为开关柜的运行年限,C为开关柜的环境温度,H为开关柜的环境湿度,DT和DS分别为采用Ultra TEV检测仪和超声检测得到的离散度,AT和AS分别为采用Ultra TEV检测仪和超声检测得到的平均距离百分比,FT和FS分别为采用UltraTEV检测仪和超声检测得到的集中度,MT和MS分别为采用Ultra TEV检测仪和超声检测得到的最大波动率。
进一步地,所述的步骤1中的离散度,其计算公式为:
进一步地,所述的步骤1中的平均距离百分比,其计算公式为:
进一步地,所述的步骤1中的集中度,其计算公式为:
进一步地,所述的步骤1中的最大波动率,其计算公式为:
进一步地,所述的步骤2中的均值漂移聚类算法实际运行计算过程中的Mean-Shift向量,其描述公式为:
式中,Mh为Mean-Shift向量,ri为给定的d维度空间Rd中的样本点,r为任意选取的初始算法样本中心点,k为自然数,Sh为半径为h的高维球区域。
进一步地,所述的步骤2中的均值漂移聚类算法实际运行计算过程中的第t个中心点的漂移,其描述公式为:
rt+1=Mh t+rt
式中,rt+1为第t+1个中心点,rt为第t个中心点,Mh t为第t个中心点对应的Mean-Shift向量。
进一步地,所述的步骤2中的均值漂移聚类算法实际运行计算过程中的核密度函数估计,其描述公式为:
进一步地,所述的步骤3中的开关柜簇标签隶属度函数实际运行计算过程中的簇内样本点密度,其描述公式为:
式中,D(k)为第k个簇的样本密度,N(k)为第k个簇的样本点个数,N为总样本点个数。
与现有技术相比,本发明具有以下优点:
(1)本发明方法包括步骤1:采用开关柜柜体和环境信息量以及局部放电检测数据的离散度、平均距离百分比、集中度和最大波动率指标量化开关柜绝缘状态的劣化程度,并构建对应的多维特征数据库;步骤2:针对多维特征数据库通过自动搜索偏移量的均值漂移聚类算法对开关柜的绝缘状态进行划分,得到对应划分结果;步骤3:针对对应划分结果通过所给定的开关柜簇标签隶属度函数判定是否为异常点,由此实现开关柜的绝缘状态异常检测,能够对异常点有较好的鲁棒性,提高开关柜绝缘状态异常检测的准确率。
(2)本发明方法采用开关柜柜体和环境信息量以及局部放电检测数据的离散度、平均距离百分比、集中度和最大波动率指标全面量化开关柜绝缘状态的劣化程度,并构建多维特征数据库;通过自动搜索偏移量的均值漂移聚类算法对开关柜的绝缘状态进行划分,并通过所给定的开关柜簇标签隶属度函数判定是否为异常点,由此实现开关柜的绝缘状态异常检测,可供运维人员对开关柜绝缘状态进行快速诊断和异常检测。
附图说明
图1为本发明基于均值漂移聚类的开关柜绝缘状态异常检测方法的流程示意图;
图2为本发明实施例的均值漂移聚类示意图;
图3为本发明实施例的簇标签隶属度函数示意图。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明选用某地变电站共计299组10kV高压开关柜带电检测数据作为数据集,首先采用开关柜柜体和环境信息量以及局部放电检测数据的离散度、平均距离百分比、集中度和最大波动率指标全面量化开关柜绝缘状态的劣化程度,并构建多维特征数据库;然后本发明通过自动搜索偏移量的均值漂移聚类算法对开关柜的绝缘状态进行划分,并通过所给定的开关柜簇标签隶属度函数判定是否为异常点,由此实现开关柜的绝缘状态异常检测。其发明方案流程图如图1所示。
1、建立开关柜多维特征数据库
开关柜的劣化程度与开关柜运行时间、环境温度及湿度呈正相关,即运行时间越长、温度越高、以及湿度愈大时,开关柜的绝缘状态愈需要运维人员加强关注。同时环境温湿度特征量的记录分别为L(k)、C(k)、H(k),其中L(k)表示为第k(k=1,2,…,n)台开关柜的寿命系数。
通过分析局部放电的典型异常数据,并结合局部放电的机理分析,其异常数据具有较强的波动性——主要体现在整体偏高或局部偏高。因此检测柜体前后面上中下共计六个检测点的离散度、集中度以及最大波动率量化开关柜的局部放电异常的情况,然后提取离散度、平均距离百分比、集中度、最大波动率等多维特征量。
其中,超声离散度的计算公式如下:
其中,超声平均距离百分比计算公式如下:
其中,超声集中度计算公式如下:
其中,超声最大波动率计算公式如下:
同理构建TEV检测数据的离散度、平均距离百分比、集中度和最大波动率的特征量,通过上述特征量构建方法,构建开关柜的多维特征数据库:
式中,R为多维特征数据库,L为开关柜的运行年限,C为开关柜的环境温度,H为开关柜的环境湿度,DT和DS分别为采用Ultra TEV检测仪和超声检测得到的离散度,AT和AS分别为采用Ultra TEV检测仪和超声检测得到的平均距离百分比,FT和FS分别为采用UltraTEV检测仪和超声检测得到的集中度,MT和MS分别为采用Ultra TEV检测仪和超声检测得到的最大波动率。
2、绝缘状态异常检测技术
2.1、采用均值漂移聚类算法找到绝缘状态特征量所处的密集区域
如图2所示,均值漂移聚类是基于滑动窗口的算法。基于每个滑动窗口的质心的算法,这意味着它的目标是定位每个组/类的中心点,通过将中心点的候选点更新为滑动窗口内点的均值来完成。然后,在后处理阶段对这些候选窗口进行过滤以消除近似重复,形成最终的中心点集及其相应的组。对于给定的d维度空间Rd中的样本点ri(i=1,2,…,n),其Mean-Shift向量的基本形式为:
式中,Mh为Mean-Shift向量,ri为给定的d维度空间Rd中的样本点,r为任意选取的初始算法样本中心点,k为自然数,Sh为半径为h的高维球区域。
则第t个中心点的漂移为:
rt+1=Mh t+rt
式中,rt+1为第t+1个中心点,rt为第t个中心点,Mh t为第t个中心点对应的Mean-Shift向量。
遍历高维球区域内所有的向量,求出Mean-Shift向量,此时该向量即称为均值漂移向量。因此,对于Mean-Shift均值漂移算法,通过算出当前点的漂移均值并进行迭代计算,得出漂移均值,并以漂移均值为新的起始点,直到其收敛为止。
在Mean-Shift算法中引入核函数的使得随着样本与被偏移点的距离不同,其偏移量对均值偏移向量的贡献也不同。引入高斯核函数量化偏移度,点r的核密度函数估计为:
对其求导,寻找局部密度极大点。
2.2、簇标签隶属度函数寻找样本点的所在簇的标签
在采用均值漂移聚类算法时,其聚类后的结果呈现出绝缘状态劣化程度差的时候样本点极少,个别情况下,单一的样本点是一个独立的簇。而处于平稳运行下的开关柜数据是极多的。依据簇内样本个数占总样本点的占比所对应的开关柜绝缘状态标签从优秀到异常的会急剧减少的特性,本文采用如图3所示的簇标签隶属度函数,可通过隶属度函数,找出样本点的所在簇的标签。簇内样本点密度定义为:
式中,D(k)为第k个簇的样本密度,N(k)为第k个簇的样本点个数,N为总样本点个数。
具体实施例
为实现本发明目的,各开关柜的检测数据包括了采用Ultra TEV检测仪,带电检测数据包括开关柜前后面的上中下六个检测点的TEV和超声检测数据、背景噪声数据、以及柜体运行年限、环境温度都等数据。
Step1:建立开关柜多维特征数据库:
离散度的计算公式如下:
平均距离百分比计算公式如下:
集中度计算公式如下:
最大波动率计算公式如下:
通过上述特征量构建方法,构建开关柜的多维特征数据:
式中,R为多维特征数据库,L为开关柜的运行年限,C为开关柜的环境温度,H为开关柜的环境湿度,DT和DS分别为采用Ultra TEV检测仪和超声检测得到的离散度,AT和AS分别为采用Ultra TEV检测仪和超声检测得到的平均距离百分比,FT和FS分别为采用UltraTEV检测仪和超声检测得到的集中度,MT和MS分别为采用Ultra TEV检测仪和超声检测得到的最大波动率。
Step2:采用均值漂移聚类算法找到绝缘状态特征量所处的密集区域。
式中,Mh为Mean-Shift向量,ri为给定的d维度空间Rd中的样本点,r为任意选取的初始算法样本中心点,k为自然数,Sh为半径为h的高维球区域。
Step3:采用如图3所示的簇标签隶属度函数,可通过隶属度函数,找出样本点的所在簇的标签。
本发明方法能够对异常点有较好的鲁棒性,提高开关柜绝缘状态异常检测的准确率,可供运维人员对开关柜绝缘状态进行快速诊断和异常检测。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于均值漂移聚类的开关柜绝缘状态异常检测方法,其特征在于,该方法包括以下步骤:
步骤1:采用开关柜柜体和环境信息量以及局部放电检测数据的离散度、平均距离百分比、集中度和最大波动率指标量化开关柜绝缘状态的劣化程度,并构建对应的多维特征数据库;
步骤2:针对多维特征数据库通过自动搜索偏移量的均值漂移聚类算法对开关柜的绝缘状态进行划分,得到对应划分结果;
步骤3:针对对应划分结果通过所给定的开关柜簇标签隶属度函数判定是否为异常点,由此实现开关柜的绝缘状态异常检测;
所述的步骤1中的集中度,其计算公式为:
7.根据权利要求6所述的一种基于均值漂移聚类的开关柜绝缘状态异常检测方法,其特征在于,所述的步骤2中的均值漂移聚类算法实际运行计算过程中的第t个中心点的漂移,其描述公式为:
rt+1=Mh t+rt
式中,rt+1为第t+1个中心点,rt为第t个中心点,Mh t为第t个中心点对应的Mean-Shift向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010673306.9A CN111913081B (zh) | 2020-07-14 | 2020-07-14 | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010673306.9A CN111913081B (zh) | 2020-07-14 | 2020-07-14 | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111913081A CN111913081A (zh) | 2020-11-10 |
CN111913081B true CN111913081B (zh) | 2023-05-02 |
Family
ID=73281548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010673306.9A Active CN111913081B (zh) | 2020-07-14 | 2020-07-14 | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111913081B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710930A (zh) * | 2020-12-16 | 2021-04-27 | 华中科技大学 | 一种电容式电压互感器内绝缘状态在线评价方法 |
CN113297723B (zh) * | 2021-04-22 | 2022-11-08 | 哈尔滨理工大学 | 基于均值漂移-灰色关联分析的电主轴温度测点优化方法 |
CN115355942B (zh) * | 2022-08-16 | 2023-07-18 | 华珑(沈阳)智能电气有限公司 | 适用于kyn开关柜的健康管理方法 |
CN116992322B (zh) * | 2023-09-25 | 2024-01-16 | 广东申创光电科技有限公司 | 一种智慧城市数据中心管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001283693A1 (en) * | 2000-08-29 | 2002-06-06 | Transgrid | Re-locatable partial discharge transducer head |
CN109917249A (zh) * | 2019-04-03 | 2019-06-21 | 国网陕西省电力公司电力科学研究院 | 一种用于电力设备巡检无人机的局部放电定位装置及方法 |
CN110988624A (zh) * | 2019-12-04 | 2020-04-10 | 国网宁夏电力有限公司电力科学研究院 | 一种间歇性局部放电信号的检测方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001283693B2 (en) * | 2000-08-29 | 2006-09-07 | Transgrid | Re-locatable partial discharge transducer head |
US7795877B2 (en) * | 2006-11-02 | 2010-09-14 | Current Technologies, Llc | Power line communication and power distribution parameter measurement system and method |
JP4728444B2 (ja) * | 2010-08-23 | 2011-07-20 | 独立行政法人産業技術総合研究所 | 異常領域検出装置および異常領域検出方法 |
CN105606977B (zh) * | 2016-03-11 | 2019-04-19 | 华乘电气科技(上海)股份有限公司 | 基于分层规则推理的局部放电prps图谱识别方法及系统 |
CN107292882B (zh) * | 2017-08-02 | 2019-09-17 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
CN111080351A (zh) * | 2019-12-05 | 2020-04-28 | 任子行网络技术股份有限公司 | 一种多维数据集的聚类方法及系统 |
CN111160401A (zh) * | 2019-12-09 | 2020-05-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于均值漂移和XGBoost的异常用电判别方法 |
CN111157850B (zh) * | 2020-01-15 | 2022-06-21 | 上海电力大学 | 一种基于均值聚类的电网线路故障识别方法 |
CN111175626A (zh) * | 2020-03-20 | 2020-05-19 | 广东电网有限责任公司 | 一种开关柜绝缘状态异常检测方法 |
-
2020
- 2020-07-14 CN CN202010673306.9A patent/CN111913081B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001283693A1 (en) * | 2000-08-29 | 2002-06-06 | Transgrid | Re-locatable partial discharge transducer head |
CN109917249A (zh) * | 2019-04-03 | 2019-06-21 | 国网陕西省电力公司电力科学研究院 | 一种用于电力设备巡检无人机的局部放电定位装置及方法 |
CN110988624A (zh) * | 2019-12-04 | 2020-04-10 | 国网宁夏电力有限公司电力科学研究院 | 一种间歇性局部放电信号的检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
Xu Yu 等.Online Monitoring Device for Partial Discharge in High-Voltage Switchgear Based on Capacitance Coupling Method.《2019 3rd IEEE International Conference on Green Energy and Applications》.2019,56-60. * |
Also Published As
Publication number | Publication date |
---|---|
CN111913081A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111913081B (zh) | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 | |
CN111061821B (zh) | 基于改进k值聚类算法的低压配电网拓扑校验方法及系统 | |
CN107301296B (zh) | 基于数据的断路器故障影响因素定性分析方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN110889441B (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
CN102254006A (zh) | 基于内容的互联网视频检索方法 | |
CN108875783A (zh) | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 | |
CN112732748B (zh) | 一种基于自适应特征选择的非侵入式家电负荷识别方法 | |
CN111175626A (zh) | 一种开关柜绝缘状态异常检测方法 | |
CN116522268B (zh) | 一种配电网的线损异常识别方法 | |
CN111401785A (zh) | 一种基于模糊关联规则的电力系统设备故障预警方法 | |
CN116780781B (zh) | 智能电网接入的功率管理方法 | |
CN113344346B (zh) | 基于非侵入式负荷分解的用电异常检测方法和系统 | |
CN105403777A (zh) | 一种复合绝缘子老化状态分级及判别方法 | |
CN113191419B (zh) | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 | |
CN112415304B (zh) | 基于低压台区电压数据曲线分群的线路识别方法 | |
CN105823964B (zh) | 面向智能变电站的输电线路综合故障定位方法 | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及系统 | |
CN116628620A (zh) | 一种非侵入式负荷识别计算方法 | |
CN114597886A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN107016354B (zh) | 铝电解阳极电流序列的特征模式提取方法及其系统 | |
CN113344742A (zh) | 基于聚类和时序分析的自动抄表成功率影响因素分析方法 | |
CN112765219A (zh) | 一种跳过平稳区域的流数据异常检测方法 | |
Alam et al. | Assessing transformer oil quality using deep convolutional networks | |
CN110427569B (zh) | 一种基于粗糙集理论的改进密度峰值重叠社区发现方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |