CN104267294A - 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 - Google Patents
一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 Download PDFInfo
- Publication number
- CN104267294A CN104267294A CN201410555408.5A CN201410555408A CN104267294A CN 104267294 A CN104267294 A CN 104267294A CN 201410555408 A CN201410555408 A CN 201410555408A CN 104267294 A CN104267294 A CN 104267294A
- Authority
- CN
- China
- Prior art keywords
- igis
- matrix
- value
- attribute
- fault
- 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
Abstract
本发明公开了一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法,包括如下步骤:(1)选择断路器动作特性、SF6气体密度、微水含量等多个特征量作为特征值,采集IGIS运行时的若干组数据,采用贪心算法,对原始特征量进行离散化预处理;(2)利用粗糙集理论对预处理后的特征量进行知识约简,剔除冗余特征量,简化故障诊断规则;(3)针对简化后的诊断规则,利用Petri网络建立图形化的诊断规则模型结构,得到相应的输入、输出矩阵以及置信度矩阵;(4)通过矩阵运算实现快速推理,对IGIS的故障进行准确在线诊断。本发明能够压缩诊断信息量,提高诊断的效率和速度,实现快速准确的故障在线诊断,对电网的安全、可靠、稳定运行具有重要的现实意义。
Description
技术领域
本发明涉及电工技术领域,尤其涉及一种适用于IGIS(智能组合电器)故障在线诊断的方法与装置。
背景技术
随着电力技术的快速发展,电力系统的装机容量和电压等级不断提升,电力事业的重要性与日俱增,人们对供电质量的要求日益提高,因此电力设备的安全运行越来越重要。高压开关设备是系统运行安全的一种重要设备,主要是用于开断或关合电力线路、输送、倒换电力负荷、将故障线路和设备退出运行。超大规模输配电和电网安全故障是我国科技发展能源领域的优先主题之一,电力设备的安全可靠性就是其重要环节,而高压开关柜在电力系统运行中应用很广泛,需要将其安全可靠性作为一个重要的研究内容。
IGIS故障诊断是IGIS设备智能化的重要发展方向,也是IGIS的重要组成部分。对IGIS进行故障诊断研究有利于提高设备运行的可靠性,保护电网运行的稳定性,降低维护成本,提高维修效率。IGIS将许多高电压的元素组合和封闭起来,应用绝缘气体SF6作为灭弧和绝缘介质,大大节约了变电站的占地面积,提高了供电可靠性,带来了巨大的利益,同时,电压越高,综合效益就越显著。IGIS也有其缺点,例如IGIS的体积比较小,但同时,所有的电气设备在一个有限的容器内就必须分布得很紧密,一旦其中某个设备出现故障,就很可能会传播到相邻的设备,使故障扩大。IGIS故障修复相当复杂,有时需要两个星期或更长的时间才能修复。因此,检测系统运行非常重要,需要常规预防性试验,并应向在线监测技术方向发展,以便及时发现异常和故障的发生。
传统上对于IGIS的故障诊断多数集中在某一个具体的组成部件上,例如断路器故障,局放故障,气体泄漏故障等。然而,IGIS结构复杂,各种故障成因与故障表现之间难以建立直接的联系。另外IGIS在机构上还具有多样性,这也导致了IGIS故障形式的多样性。就IGIS的故障诊断方法来说,其研究的重点和难点主要在于选取最为有效智能故障诊断的方法,这些智能故障诊断方法各有优缺点,如何把多种智能故障诊断方法结合起来应用,以达到最好的诊断结果,尚是较为空白的领域。
随着故障诊断技术的不断发展,大量的智能算法纷纷涌现。1982年,波兰数学家Z.Pawlak提出了粗糙集理论,用于处理不精确、不确定与不完全的数据。与其他处理不确定数据的理论相比,粗糙集理论只要求提供所被处理的数据集合,不要求任何形式的先验信息,因此具有较强的客观性。粗糙集理论可以对已有的知识进行分类,剔除冗余数据,将大量繁杂的数据与关系约简,从而提取出处于核心地位、具有决定意义的若干规则。故障诊断是一个典型的信息融合过程,常见的用于信息融合的人工智能算法包括专家系统、神经网络、Petri网络以及D-S证据理论等,其中Petri网络由A.C.Petri于1962年提出,采用网状模型进行推理,历经五十余年发展,已经拥有较为成熟完善的理论,能完整地将知识和规则转换为网络模型。在Petri网络中,用于诊断的条件和结果称为库所,由条件映射到结果的规则称为变迁,大量的库所和变迁互相联系,就构成了一张Petri网络,利用特定的Petri分析方法,就可以对现有的状态进行诊断。然而,原始信息量过于庞大,导致形成的Petri网络过于复杂,始终制约着Petri网络在故障诊断领域的进一步广泛应用,采用粗糙集理论对原始信息进行先一步的处理,恰好可以解决这一问题,实现多种智能算法的互补与融合。
总之,目前对IGIS故障在线诊断的研究还处于初级阶段。在实际应用中,受到多方面的影响,包括:一、在线监测系统不完善,采取的信号量单一或少量;二、在线监测参数提取用的传感器不够精确,诊断精度不高;三、数据的保存和处理缺乏科学的数学模型,故障诊断算法的准确度并不高,无法满足智能电网对电力设备故障诊断提出的实时性与可靠性的要求。因此,如何发明一种具有较高精度与可靠度的IGIS故障诊断算法成为亟需解决的课题。
发明内容
为了弥补现有技术的不足,本发明旨在提供一种新型的IGIS故障诊断方法,有效地融合粗糙集理论和Petri网络两种智能算法,建立对IGIS故障的准确判断的数学模型,提高目前的IGIS诊断水平,从而更好地保证电力设备的安全可靠运行,为电力事业发展带来更好的效益。
为实现上述目的,本发明采用的技术方案为:
(1)选择多个特征量如断路器动作特性、SF6气体密度、微水含量等作为特征值采样信号,采集IGIS正常运行和故障运行时的若干组基本数据,采用贪心算法,对原始特征量进行离散化预处理。
(2)利用粗糙集理论对预处理后的特征量进行知识约简,剔除冗余特征量,简化故障诊断的规则。
(3)针对简化后的诊断规则,利用Petri网络建立图形化的诊断规则模型结构,同时得到相应的输入、输出矩阵以及置信度矩阵。
(4)通过矩阵运算实现快速的推理,对IGIS的故障实现准确的在线诊断。
本发明可实现如下有益效果:本发明提供的基于粗糙集理论和Petri网络的IGIS故障在线诊断方法,不仅能够实现有效的推理,还压缩了诊断的信息量,提高了诊断的效率和速度,实现快速、准确的故障在线诊断。
附图说明:
图1为本发明方法的实现流程图;
图2为高压断路器合闸线圈电流典型曲线;
图3为高压断路器故障诊断约简规则对应的Petri网络模型图。
具体实施方式
如图1所示,本发明方法的实现步骤为:采集能够反映断路器运行特性的特征量作为原始数据,采用贪心算法对特征量进行离散化预处理,剔除冗余特征量,形成简化的故障诊断规则,建立相应的Petri网络模型用于故障诊断。对于需要进行故障诊断的对象,采集其运行的特征量作为原始数据,对特征量进行离散化处理后,输入建立好的Petri网络模型中,进行快速推理,输出故障诊断结果。
所述步骤(1)中的对于断路器动作特性特征量的具体采集方法如下:由于断路器分合闸线圈电流信号易于采集,且特征明显,利用其可以判断断路器分合闸过程中的大量信息,能够反映断路器控制回路的许多故障类型,本发明选择分合闸线圈电流作为特征提取的对象,典型的电流波形如图2所示。
典型的合线圈电流曲线基本可以分为5个阶段:
第一阶段:t0~t1,t0时刻分、合闸信号到来,开始通电,至t1时刻铁心开始运动;
第二阶段:t1~t2,铁心运动,电流下降至t2时刻,铁心接触操动机构搭扣;
第三阶段:t2~t3,电流呈指数上升,铁心停止运动;
第四阶段:t3~t4,电流基本达到稳态;
第五阶段:t4~t5,搭扣分开,铁心再次运动,电流迅速减小,至t5时刻为零。
本文中故障诊断算法以断路器合闸线圈电流参数I1、I2、I3与时间参数t1、t2、t3、t4、t5、SF6气体密度、微水含量等参数作为特征值构造特征空间。
所述步骤(1)中的基于贪心算法的特征量预处理方法如下:
以原始信息表S为基础建立新的信息表S*=<U*,R*,V*,f*>,在信息表S*中,U*={(xi,xj)|xi∈U,xj∈U,i≠j,d(xi)≠d(xj)},即(xi,xj)是由任意两个产生不同决策结果的对象组成的新元素,其中,U*为对象的全体,R*为属性的全体,V*为属性的阈值,f*:U*×R*→V*是信息函数。 是属性a的第r个断点,即任意两个相邻属性值的平均值,其中,C为条件属性的全体。对于任意如果 则 否则 设置最小断点集,初始状态为空。
删去1的个数最多的断点所在的列和在此断点上值为1的所有行,并把该断点值添加到最小断点集,如果有两个断点列1的个数相同,那么对这两个断点再次计算,对值为1的所有行中1进行累计,最终选取和最小的断点。
重复上一步骤,直到S*变为空集,此时得到的即为最小断点集。
根据最小断点集中的断点值对特征量的值进行0和1的划分,小于断点值的置为0,大于断点值的置为1,对于没有得到断点值的属性,则全部置为1,这样就对采集到的连续信号实现了离散化处理。
所述步骤(2)中基于粗糙集理论的知识约简和规则简化方法如下:
在对断路器进行故障诊断时,条件属性集C表示经过预处理的描述断路器状态的n种特征量,决策属性集D表示断路器的m种故障类型,据此定义,可以得出决策表DS=<U,C,D,V,f>,A=C∪D。对于每个属性ai∈A,计算二进制区分矩阵Nai=[rij],其中若P(xi)≠P(xj),则rij=1,否则rij=0,即包括NCi和ND,其中P(xi)为对象xi对应的属性值。
计算所有属性对对象的区分矩阵NA=∪Nci,对矩阵NA判断是否有rij=0,i≠j,如果没有,则说明据决策表中没有冗余对象,如果有rij=0,i≠j,则说明对象ui和uj是一组冗余对象,保留ui删去uj。
依次计算与每个条件属性Ci对应的区分矩阵n≠i,通过比较和ND,得出核属性集CORE和每个对象的属性核值。
对于核属性的全部子集CORE*,分别计算对应的区分矩阵通过比较和ND,得出约简规则。
所述步骤(3)中基于Petri网络的诊断模型建立方法如下:将步骤(2)中得到的核属性和故障类型作为库所,约简规则作为变迁,建立petri网络模型结构以及相应的输入矩阵I,输出矩阵O;搜集相关文献获得置信度矩阵U。
所述步骤(4)中的诊断方法如下:
对需要诊断的GIS进行在线监测,得到诊断所需要的特征量,按照步骤(1)所述方法进行预处理,得到离散量,根据其隶属度建立初始状态矩阵θ0。
采用不确定推理方法——MYCIN的置信度推理方法,根据向前推理,式中运算符号定义如下:
A,B,C均为m×n的矩阵,则Cij=max(Aij,Bij);
A,B,D分别为m×q,q×n,m×n的矩阵,则
其中θk为表示第k步推理状态的m维向量,1m为元素值全为1的m维向量。
重复向前推理步骤,直到θk+1=θk,推理结束,根据θk的最终结果即可找出发生概率最高的故障。
下面通过一个实例来进一步说明本发明。
本发明以ZF40-126型SF6断路器样机为例,开发断路器在线监测和故障诊断系统。通过实验模拟出的故障样本采集故障数据建立诊断规则和网络模型。将各类特征量作为条件属性,合闸初期铁芯卡涩、操动机构卡涩、铁心合闸空行程过大和操作电压过低等作为故障属性f1、f2、f3、f4,选取20组数据建立原始决策表,采用贪心算法,得到离散化后的决策表如表2所示。采用粗糙集理论,求出核属性集为t1、t2、t3,约简规则如表1所示:
表1断路器故障诊断约简规则
t1 | t2 | t3 | D |
1 | 1 | 0 | f1 |
1 | 0 | 0 | f2 |
0 | 1 | 1 | f3 |
0 | 1 | 0 | f3 |
0 | 0 | 0 | f4 |
建立Petri网络模型如图3,对应的输入矩阵 输出矩阵 根据相关文献搜索可得置信度矩阵U=diag[0.85,0.9,0.8,0.9,0.85]
采集合闸初始阶段铁芯卡涩故障的测试样本作为故障诊断测试样本,利用贪心算法对原始数据进行离散化,得到初始状态θ0=[0.87 0.13 0.92 0.08 0.51 0.49 0 0 0 0]T然后运行Petri网络进行推理,推理结束后,得到θ1=[0.87 0.13 0.92 0.08 0.51 0.49 0.4165 0.072 0.104 0.068]T,铁芯卡涩故障的概率为0.4165,远高于其他类型的故障,可见这一故障诊断方法合理有效。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法,其特征在于:包括如下步骤:
(1)选择多个特征量作为特征值采样信号,采集IGIS正常运行和故障运行时的若干组基本数据,采用贪心算法,对原始特征量进行离散化预处理;所述多个特征量包括断路器动作特性、SF6气体密度、微水含量;
(2)利用粗糙集理论对预处理后的特征量进行知识约简,剔除冗余特征量,简化故障诊断的规则;
(3)针对简化后的诊断规则,利用Petri网络建立图形化的诊断规则模型结构,同时得到相应的输入、输出矩阵以及置信度矩阵;
(4)通过矩阵运算快速推理,对IGIS的故障实现准确的在线诊断;
其中,所述IGIS为智能组合电器。
2.根据权利要求1所述的基于粗糙集理论和Petri网络的IGIS故障在线诊断方法,其特征在于:所述步骤(1)中,基于贪心算法的特征量预处理方法包括如下步骤:
(21)以原始信息表S为基础建立新的信息表S*=<U*,R*,V*,f*>,在信息表S*中,U*={(xi,xj)|xi∈U,xj∈U,i≠j,d(xi)≠d(xj)},即(xi,xj)是由任意两个产生不同决策结果的对象组成的新元素,其中,U*为对象的全体,R*为属性的全体,V*为属性的阈值,f*:U*×R*→V*是信息函数, 是属性a的第r个断点,即任意两个相邻属性值的平均值,其中,C为条件属性的全体,对于任意如果 则否则
(22)设置最小断点集,初始状态为空;
(23)删去1的个数最多的断点所在的列和在此断点上值为1的所有行,并把该断点值添加到最小断点集,如果有两个断点列1的个数相同,那么对这两个断点再次计算,对值为1的所有行中1进行累计,最终选取和最小的断点;
(24)重复上一步骤,直到S*变为空集,此时得到的即为最小断点集;
(25)根据最小断点集中的断点值对特征量的值进行0和1的划分,小于断点值的置为0,大于断点值的置为1,对于没有得到断点值的属性,则全部置为1。
3.根据权利要求1所述的基于粗糙集理论和Petri网络的IGIS故障在线诊断方法,其特征在于:所述步骤(2)中,基于粗糙集理论的知识约简和规则简化方法如下:
在对断路器进行故障诊断时,建立决策表DS=<U,C,D,V,f>,其中,条件属性集C表示经过预处理的描述断路器状态的n种特征量,决策属性集D表示断路器的m种故障类型;
建立属性集A=C∪D,对于每个属性ai∈A,计算二进制区分矩阵Nai=[rij],其中若P(xi)≠P(xj),则rij=1,否则rij=0,即包括NCi和ND,其中P(xi)为对象xi对应的属性值;
计算所有属性对对象的区分矩阵NA=∪Nci,对矩阵NA判断是否有rij=0,i≠j,如果没有,则说明据决策表中没有冗余对象,如果有rij=0,i≠j,则说明对象ui和uj是一组冗余对象,保留ui删去uj;
依次计算与每个条件属性Ci对应的区分矩阵,通过比较和ND,得出核属性集CORE和每个对象的属性核值;
对于核属性的全部子集CORE*,分别计算对应的区分矩阵NCORE*(D)=NCORE*∩ND,通过比较NCORE*(D)和ND,得出约简规则。
4.根据权利要求1所述的基于粗糙集理论和Petri网络的IGIS故障在线诊断方法,其特征在于:所述步骤(3)中基于Petri网络的诊断模型建立方法如下:将步骤(2)中得到的核属性和故障类型作为库所,约简规则作为变迁,建立petri网络模型结构以及相应的输入矩阵I,输出矩阵O;搜集相关文献获得置信度矩阵U。
5.根据权利要求1所述的基于粗糙集理论和Petri网络的IGIS故障在线诊断方法,其特征在于:所述步骤(4)中的诊断方法如下:
对需要诊断的IGIS进行在线监测,得到诊断所需要的特征量,按照步骤(1)所述方法进行预处理,得到离散量,根据其隶属度建立初始状态矩阵θ0;
采用不确定推理方法——MYCIN的置信度推理方法,根据向前推理,式中运算符号定义如下:
A,B,C均为m×n的矩阵,则Cij=max(Aij,Bij);
A,B,D分别为m×q,q×n,m×n的矩阵,则
其中θk为表示第k步推理状态的m维向量,1m为元素值全为1的m维向量;
重复向前推理步骤,直到θk+1=θk,推理结束,根据θk的最终结果即可找出发生概率最高的故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410555408.5A CN104267294A (zh) | 2014-10-17 | 2014-10-17 | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410555408.5A CN104267294A (zh) | 2014-10-17 | 2014-10-17 | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104267294A true CN104267294A (zh) | 2015-01-07 |
Family
ID=52158834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410555408.5A Pending CN104267294A (zh) | 2014-10-17 | 2014-10-17 | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104267294A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899447A (zh) * | 2015-06-08 | 2015-09-09 | 华北电力大学(保定) | 电力大数据预处理的属性约简方法 |
CN106526465A (zh) * | 2016-06-21 | 2017-03-22 | 江苏镇安电力设备有限公司 | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 |
CN107450016A (zh) * | 2017-07-24 | 2017-12-08 | 西安工程大学 | 基于rst‑cnn的高压断路器故障诊断方法 |
CN107478981A (zh) * | 2017-08-22 | 2017-12-15 | 哈尔滨工业大学 | 一种基于贪婪算法的测试激励集合优选方法 |
CN109298330A (zh) * | 2018-11-26 | 2019-02-01 | 西安工程大学 | 基于ghpso-bp的高压断路器故障诊断方法 |
CN111983517A (zh) * | 2020-03-23 | 2020-11-24 | 河南理工大学 | 一种利用粗糙集贪心算法的逆变器开路故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN101266279A (zh) * | 2008-05-09 | 2008-09-17 | 东北大学 | 一种电网故障诊断装置及方法 |
CN201966531U (zh) * | 2010-11-01 | 2011-09-07 | 广西中电新源电气有限公司 | Hgis组合电器在线监测装置及集成式hgis智能组合电器 |
CN102539132A (zh) * | 2011-12-16 | 2012-07-04 | 西安交通大学 | 一种基于粗糙集的数控机床两轴联动性能评估方法 |
CN102928738A (zh) * | 2012-10-31 | 2013-02-13 | 辽宁省电力有限公司沈阳供电公司 | 一种智能电网故障的动态层次诊断装置及方法 |
CN103308824A (zh) * | 2013-05-31 | 2013-09-18 | 东北大学 | 一种基于概率Petri网的电力系统故障诊断方法 |
US8655167B1 (en) * | 2011-01-05 | 2014-02-18 | Google Inc. | Fiber diagnosis system for point-to-point optical access networks |
CN103728507A (zh) * | 2013-11-18 | 2014-04-16 | 芜湖大学科技园发展有限公司 | 一种基于数据挖掘的电网故障诊断方法 |
-
2014
- 2014-10-17 CN CN201410555408.5A patent/CN104267294A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN101266279A (zh) * | 2008-05-09 | 2008-09-17 | 东北大学 | 一种电网故障诊断装置及方法 |
CN201966531U (zh) * | 2010-11-01 | 2011-09-07 | 广西中电新源电气有限公司 | Hgis组合电器在线监测装置及集成式hgis智能组合电器 |
US8655167B1 (en) * | 2011-01-05 | 2014-02-18 | Google Inc. | Fiber diagnosis system for point-to-point optical access networks |
CN102539132A (zh) * | 2011-12-16 | 2012-07-04 | 西安交通大学 | 一种基于粗糙集的数控机床两轴联动性能评估方法 |
CN102928738A (zh) * | 2012-10-31 | 2013-02-13 | 辽宁省电力有限公司沈阳供电公司 | 一种智能电网故障的动态层次诊断装置及方法 |
CN103308824A (zh) * | 2013-05-31 | 2013-09-18 | 东北大学 | 一种基于概率Petri网的电力系统故障诊断方法 |
CN103728507A (zh) * | 2013-11-18 | 2014-04-16 | 芜湖大学科技园发展有限公司 | 一种基于数据挖掘的电网故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
王楠等: "基于粗糙集理论与模糊Petri网络的油浸电力变压器综合故障诊断", 《中国电机工程学报》 * |
赵宁等: "基于粗糙集理论和Petri网的断路器故障诊断", 《中国电力》 * |
闵勇等: "基于贪心算法的滚动轴承故障诊断特征提取", 《PROCEEDINGS OF 2010 CHINESE CONTROL AND DECISION CONFERENCE》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899447A (zh) * | 2015-06-08 | 2015-09-09 | 华北电力大学(保定) | 电力大数据预处理的属性约简方法 |
CN104899447B (zh) * | 2015-06-08 | 2017-09-26 | 华北电力大学(保定) | 电力大数据预处理的属性约简方法 |
CN106526465A (zh) * | 2016-06-21 | 2017-03-22 | 江苏镇安电力设备有限公司 | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 |
CN107450016A (zh) * | 2017-07-24 | 2017-12-08 | 西安工程大学 | 基于rst‑cnn的高压断路器故障诊断方法 |
CN107478981A (zh) * | 2017-08-22 | 2017-12-15 | 哈尔滨工业大学 | 一种基于贪婪算法的测试激励集合优选方法 |
CN109298330A (zh) * | 2018-11-26 | 2019-02-01 | 西安工程大学 | 基于ghpso-bp的高压断路器故障诊断方法 |
CN111983517A (zh) * | 2020-03-23 | 2020-11-24 | 河南理工大学 | 一种利用粗糙集贪心算法的逆变器开路故障诊断方法 |
CN111983517B (zh) * | 2020-03-23 | 2023-07-04 | 河南理工大学 | 一种利用粗糙集贪心算法的逆变器开路故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104267294A (zh) | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 | |
CN103336222B (zh) | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 | |
Ahmed et al. | Power transformer fault diagnosis using fuzzy logic technique based on dissolved gas analysis | |
CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
CN106597231A (zh) | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 | |
CN105203876B (zh) | 一种利用支持向量机和相关分析的变压器在线监测状态评估方法 | |
CN103995215B (zh) | 一种基于多层次反馈调整的智能电网故障诊断方法 | |
CN106202886A (zh) | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 | |
CN106932712A (zh) | 一种基于改进模糊Petri网的断路器故障诊断方法 | |
CN101833324B (zh) | 胎面挤出过程智能故障诊断系统及其诊断方法 | |
CN104765965A (zh) | 基于模糊Petri的GIS故障诊断与可靠性分析方法 | |
CN103197168B (zh) | 电力系统中基于事件集因果链实现故障诊断控制的方法 | |
CN101666841A (zh) | 一种数字化变电站电子式互感器的故障诊断方法 | |
CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
CN105467971A (zh) | 一种电力二次设备监测系统及方法 | |
CN105093063A (zh) | 基于多源数据特征单元组合判断的在线电网故障诊断方法 | |
CN109445411A (zh) | 一种变电站故障诊断方法 | |
CN105158647A (zh) | 基于电网监控系统的单站端电网故障诊断和辅助决策方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
CN104991549A (zh) | 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法 | |
CN104766246A (zh) | 一种基于时序模糊Petri网的电力系统故障诊断 | |
CN106526465A (zh) | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 | |
CN105117832A (zh) | 一种配用电业务与通信技术的适配方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150107 |