CN104297589A - 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法 - Google Patents

基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法 Download PDF

Info

Publication number
CN104297589A
CN104297589A CN201410512283.8A CN201410512283A CN104297589A CN 104297589 A CN104297589 A CN 104297589A CN 201410512283 A CN201410512283 A CN 201410512283A CN 104297589 A CN104297589 A CN 104297589A
Authority
CN
China
Prior art keywords
bayesian network
fault
oil
rough set
node
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
CN201410512283.8A
Other languages
English (en)
Inventor
张琪
王若星
王洪波
李秀珍
王璐
毛峰
郭夏
郭翀
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.)
State Grid Corp of China SGCC
Maintenance Co of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Maintenance Co of State Grid Henan Electric Power Co Ltd
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 State Grid Corp of China SGCC, Maintenance Co of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201410512283.8A priority Critical patent/CN104297589A/zh
Publication of CN104297589A publication Critical patent/CN104297589A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法，它包括以下步骤：a、确定故障类型；在原始样本集中选取尽可能多的输入故障特征矢量，确定输入属性集；b、利用粗糙集理论中的数据离散化方法对故障数据集进行离散化处理，建立离散化决策表；c、利用Matlab进行贝叶斯网络的构建；d、初始化条件概率表，条件概率表列出了每个结点相对于其父结点所有可能的条件概率，其对应问题领域的定量描述；e、进行参数学习；建立推断引擎，创建贝叶斯网络之后可以用它来进行推断；f、输入测试样本集，求解后验概率，判断故障类别。本发明能够简化诊断网络规模且增强网络的抗干扰性，从而快速诊断变压器各类故障，大大降低变压器的停运率。

Description

基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法
 
技术领域
本发明涉及一种油浸式变压器故障诊断方法，尤其涉及一种基于粗糙集和贝叶斯网络相结合的油浸式变压器在线故障诊断方法。
背景技术
电力变压器是电力系统中最重要的设备之一，它的正常运行是整个电力系统可靠供电的基本保证，但由于电力变压器故障的复杂性和多样性，以及引起这些故障的原因非常复杂且不明显，使得要准确地判断电力变压器的故障类型相当的困难，因此其故障诊断技术的研究一直是国内外学者关注的热点。
基于油中溶解气体分析的三比值法是目前应用最广泛的诊断方法，它具有简单易用的特点，但是它也存在许多缺陷，如故障划分区间过于绝对，编码不全等。
专利公开号为：CN103197177A的中国专利公开了名为“一种基于贝叶斯网络的变压器故障诊断分析方法”的故障诊断方法。该方法依据最大后验概率准则基于变压器监测数据进行故障分类，有助于准确、快速地诊断变压器故障类型，但是没有考虑各种属性变量之间的联系，油中各种气体的含量或者各种气体之间的比值与变压器各种故障之间的关系是紧密相连和十分复杂的，而且每个属性变量的权重也不一样，该方法仅仅将C2H2、C2H4、 CH4、 H2、C2H6、CO2、CO这些特征气体分别作为属性变量，容易造成诊断结果模糊，故障甚至无法判别。
发明内容
本发明所要解决的技术问题：克服现有技术的不足，提供一种简化诊断网络规模、增强网络的抗干扰性且提高故障诊断准确率的基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法。
本发明的技术方案是：
一种基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法，包括以下步骤：a、根据IEC标准和DL/T 722-2000导则，确定故障类型；在原始样本集中选取尽可能多的输入故障特征矢量，确定输入属性集；
b、利用粗糙集理论中的数据离散化方法对故障数据集进行离散化处理，建立离散化决策表，利用粗糙集理论中的Johnson’s algorithm算法方法对离散化后的决策表进行约简，去除冗余信息，减少了诊断所需属性的个数，制定出训练样本集和测试样本集的数据离散化方法；
c、利用Matlab进行贝叶斯网络的构建，确定贝叶斯网络的网络结构、节点参数、网络参数学习及推断等；
d、初始化条件概率表，条件概率表(CPT)列出了每个结点相对于其父结点所有可能的条件概率，其对应问题领域的定量描述；
e、进行参数学习；建立推断引擎，创建贝叶斯网络之后可以用它来进行推断；
f、输入测试样本集，求解后验概率，判断故障类别。
创建贝叶斯网络的框架，除了指定图形结构，还要指定每个节点的大小和类型，如果一个节点是离散的，它的大小就是该节点可能采取的数值。
当完整数据时，学习参数的方法有两种：最大似然性估计learn params和贝叶斯方法bayes update params；数据缺失时，如果已知网络拓扑结构用EM算法来计算参数，倘若未知网络拓扑结构，则使用结构最大期望SEM(Structural EM)算法learn struct EM。
为了提高运算速度，使各种推理算法能够有效应用，不同的引擎根据不同的算法来完成模型转换、细化和求解。 所述故障类型分别为中低温过热、高温过热、局部放电、低能放电和高能放电。
所述故障特征矢量选取C2H2/H2、C2H2/C2H4、C2H2/C2H6、C2H2/CH4、C2H4/C2H6、C2H4/CH4、C2H6/H2、C2H6/CH4、C2H6/H2、CH4/H2、C2H2/总烃、H2/总烃、C2H4/总烃、CH4/总烃、C2H6/总烃和(CH4+C2H4)/总烃。 
本发明的有益效果是：
1、本发明将粗糙集理论用于变压器历史故障样本数据的处理，以贝叶斯网络作为变压器故障诊断的工具，能够简化诊断网络规模，增强网络的抗干扰性，从而为快速的诊断变压器各类故障做好准备，试验结果表明了该方法的可行性与有效性。
2、本发明运用粗糙集理论能够将故障数据做离散化处理，然后通过属性约简，去除了一些与决策联系不强的冗余属性，明显减少了诊断所需属性的个数，制定出训练样本集和测试样本集的数据离散化方法。
3、本发明将贝叶斯网络应用于变压器故障诊断中，贝叶斯网络直观地表达变量的联合概率分布及其条件独立性，能大量地节约概率推理计算，对概率推理非常有用。
4、本发明确定了适合贝叶斯网络诊断的节点变量属性值及解释，建立了因果关系贝叶斯网络诊断模型和简单贝叶斯网络诊断模型，应用完备样本集对网络参数进行初始化训练，测试结果表明该方法能够有效的提高变压器故障诊断系统的诊断正确率。
5、本发明具有良好的通用性，对于其他类似问题也可以采用该法处理，易于推广实施，具有良好的经济效益。
附图说明
     图1为变压器故障诊断系统的设计流程图；
     图2 为基于贝叶斯网络的变压器故障诊断模型。
具体实施方式
利用粗糙集(RS)理论是作为数据挖掘中的一个重要方法，提取有用特征，对数据集进行简化处理；贝叶斯网络对于解决复杂系统不确定因素引起的故障具有很大的优势，被认为是目前不确定知识表达和推理领域最有效的理论模型。因此把粗糙集和贝叶斯网络结合起来进行变压器故障诊断系统的设计，充分发挥两种方法的优势，以解决传统诊断方法存在的问题。
以贝叶斯网络作为变压器故障诊断的工具，前期工作主要对样本的收集整理，划分出训练样本集和测试样本集。由于朴素贝叶斯分类器是一类符号化的分析方法，所有的属性均看作定性数据，所以要对样本集进行连续属性离散化。由于贝叶斯网络所有的知识信息来源于训练样本，所以使用粗糙集对训练样本集进行属性约简，去除冗余信息，更有利于诊断的正确率。当前变压器故障诊断中主要采取的方法一般是根据油中气体溶解绝对值或者比值来进行判断。通过前期的调研，从某中试所获得258组变压器故障样本数据。
油中各种气体的含量或者各种气体之间的比值与变压器各种故障之间的关系是紧密相连和十分复杂的，所以为了尽可能准确、全面地找出各故障特征与各故障类型之间的关系，在原始样本集中选取尽可能多的输入故障特征矢量。考虑到系统诊断的需要，输入特征矢量选取C2H2/H2、C2H2/C2H4、C2H2/C2H6、C2H2/CH4、C2H4/C2H6、C2H4/CH4、C2H6/H2、C2H6/CH4、C2H6/H2、CH4/H2、C2H2/总烃、H2/总烃、C2H4/总烃、CH4/总烃、C2H6/总烃、(CH4+C2H4)/总烃。
建立属性集
编号 属性 编号 属性
M1 C2H2/H2 M9 C2H6/H2
M2 C2H2/C2H4 M10 CH4/H2
M3 C2H2/C2H6 M11 C2H2/总烃
M4 C2H2/CH4 M12 H2/总烃
M5 C2H4/C2H6 M13 C2H4/总烃
M6 C2H4/CH4 M14 CH4/总烃
M7 C2H6/H2 M15 C2H6/总烃
M8 C2H6/CH4 M16 (CH4+C2H4)/总烃
根据IEC标准和DL/T 722-2000导则，确定故障类型。
故障类型分类表：
编号 T1 T2 PD D1 D2
故障类型 中低温过热 高温过热 局部放电 低能放电 高能放电
编码 1 2 3 4 5
训练样本和测试样本分类表：
样本类型 中低温过热T1 高温过热T2 局部放电PD 低能放电D1 高能放电D2 总数
训练样本 55 30 30 30 30 175
测试样本 20 18 13 14 18 83
总样本 75 48 43 44 48 258
训练样本集的离散化处理：
首先将故障特征气体C2H2、C2H4、CH4、H2、C2H6按照条件属性表3-5进行处理，作为故障分类的原始条件属性，进行基于粗糙集的连续属性的离散化。将等频离散法中的频数设为4，可以得到每一特征属性相应的分割点。
原始离散化属性决策表：
选用Johnson’s algorithm算法对离散化后的决策表进行约简，产生了多个约简，我们取{M2,M5,M10,M11,M12,M13,M14,M16}，即{ C2H2/C2H4，C2H4/C2H6，CH4/H2，C2H2/总烃，H2/总烃，C2H4/总烃，CH4/总烃，(CH4+C2H4)/总烃}。可以看出约简后输入的特征属性由原来的16个减少为现在的8个，这就为下一步的贝叶斯网络模型做好了训练样本集的优化。
约简后属性集：
编号 属性 编号 属性
M2 C2H2/C2H4 M12 H2/总烃
M5 C2H4/C2H6 M13 C2H4/总烃
M10 CH4/H2 M14 CH4/总烃
M11 C2H2/总烃 M16 (CH4+C2H4)/总烃
约简后离散化规则：
根据约简后的输入特征属性由原始决策表中的16个减少为8个，输出的故障类型选为5种，利用Matlab进行贝叶斯网络的构建，需要确定贝叶斯网络的网络结构、节点参数 、网络参数学习及推断等。
创建贝叶斯网络的框架,在本发明中，共有9各节点，8个父节点，1个子节点，所有的节点都是离散的。
初始化条件概率表之后，对离散化后的样本数据进行参数学习。贝叶斯网络的参数学习实质上是在已知网络结构的条件下，根据训练实例来学习每个节点的概率分布表。本发明选择从完整数据中进行最大似然参数估计。
创建贝叶斯网络之后可以用它来进行推断。贝叶斯网络中有许多不同的算法来作为推断的工具，在速度、复杂性、普遍性和精确性上有不同的表现。在本发明中，选取联合数引擎(engine=jtree_inf_engine(bnet))，它是所有精确推断引擎的根本。
完整地确定了贝叶斯网络的全部参数，即完成了变压器故障诊断系统结构算法的设计，输入测试数据后，根据后验概率的大小来判断变压器是那种故障类型。
实例：
a-d组测试结果：
序号 贝叶斯网络输出 故障类型
a 0        0      0      0       1 电弧放电D2
b 9.3567e-007    1      0      0       0 高温过热T2
c 0.96006   0.03994    0      0       0 中低温过热T1
d 0        0      0      1       0 火花放电D1
测试结果表明该方法能够有效的提高变压器故障诊断系统的诊断正确率。

Claims (6)

1.一种基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法，包括以下步骤：a、根据IEC标准和DL/T 722-2000导则，确定故障类型；在原始样本集中选取尽可能多的输入故障特征矢量，确定输入属性集；
b、利用粗糙集理论中的数据离散化方法对故障数据集进行离散化处理，建立离散化决策表，利用粗糙集理论中的Johnson’s algorithm算法方法对离散化后的决策表进行约简，去除冗余信息，减少了诊断所需属性的个数，制定出训练样本集和测试样本集的数据离散化方法；
c、利用Matlab进行贝叶斯网络的构建，确定贝叶斯网络的网络结构、节点参数、网络参数学习及推断等；
d、初始化条件概率表，条件概率表列出了每个结点相对于其父结点所有可能的条件概率，其对应问题领域的定量描述；
e、进行参数学习；建立推断引擎，创建贝叶斯网络之后可以用它来进行推断；
f、输入测试样本集，求解后验概率，判断故障类别。
2.根据权利要求1所述的基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法，其特征是：创建贝叶斯网络的框架，除了指定图形结构，还要指定每个节点的大小和类型，如果一个节点是离散的，它的大小就是该节点可能采取的数值。
3.根据权利要求1所述的基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法，其特征是：当完整数据时，学习参数的方法有两种：最大似然性估计learn params和贝叶斯方法bayes update params；数据缺失时，如果已知网络拓扑结构用EM算法来计算参数，倘若未知网络拓扑结构，则使用结构最大期望SEM算法learn struct EM。
4.根据权利要求3所述的基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法，其特征是：为了提高运算速度，使各种推理算法能够有效应用，不同的引擎根据不同的算法来完成模型转换、细化和求解。
5.根据权利要求1所述的基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法，其特征是：所述故障类型分别为中低温过热、高温过热、局部放电、低能放电和高能放电；选取联合数引擎作为推断引擎。
6.根据权利要求1所述的基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法，其特征是：所述故障特征矢量选取C2H2/H2、C2H2/C2H4、C2H2/C2H6、C2H2/CH4、C2H4/C2H6、C2H4/CH4、C2H6/H2、C2H6/CH4、C2H6/H2、CH4/H2、C2H2/总烃、H2/总烃、C2H4/总烃、CH4/总烃、C2H6/总烃和(CH4+C2H4)/总烃。
CN201410512283.8A 2014-09-29 2014-09-29 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法 Pending CN104297589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410512283.8A CN104297589A (zh) 2014-09-29 2014-09-29 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410512283.8A CN104297589A (zh) 2014-09-29 2014-09-29 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法

Publications (1)

Publication Number Publication Date
CN104297589A true CN104297589A (zh) 2015-01-21

Family

ID=52317394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410512283.8A Pending CN104297589A (zh) 2014-09-29 2014-09-29 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN104297589A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597231A (zh) * 2016-11-11 2017-04-26 上海交通大学 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
CN107026451A (zh) * 2017-05-27 2017-08-08 国网福建省电力有限公司 一种基于分类技术的配电网台区低电压突发故障判断方法
CN107103361A (zh) * 2017-04-13 2017-08-29 桂林电子科技大学 基于粗糙集与回答集的变压器故障诊断方法和系统
CN107247450A (zh) * 2017-05-05 2017-10-13 武汉理工大学 基于贝叶斯网络的断路器故障诊断方法
CN109506936A (zh) * 2018-11-05 2019-03-22 哈尔滨理工大学 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法
CN111650451A (zh) * 2020-04-28 2020-09-11 中国南方电网有限责任公司超高压输电公司广州局 一种换流变故障原因辨识方法及系统
CN111709495A (zh) * 2020-07-17 2020-09-25 西南石油大学 一种基于nbc模型的变压器故障诊断方法
CN111859290A (zh) * 2020-06-18 2020-10-30 江苏大学 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法
CN112346941A (zh) * 2019-08-08 2021-02-09 北京国双科技有限公司 一种故障诊断方法及装置
CN112630564A (zh) * 2020-12-07 2021-04-09 国网宁夏电力有限公司电力科学研究院 基于邻域粗糙集与ampos-elm的变压器dga故障诊断方法
CN113807461A (zh) * 2021-09-27 2021-12-17 国网四川省电力公司电力科学研究院 基于贝叶斯网络的变压器故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
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
US20120215450A1 (en) * 2011-02-23 2012-08-23 Board Of Regents, The University Of Texas System Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology
CN102879677A (zh) * 2012-09-24 2013-01-16 西北工业大学 基于粗糙贝叶斯网络分类器的智能故障诊断方法
CN103197177A (zh) * 2013-03-20 2013-07-10 山东电力集团公司济宁供电公司 一种基于贝叶斯网络的变压器故障诊断分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
US20120215450A1 (en) * 2011-02-23 2012-08-23 Board Of Regents, The University Of Texas System Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology
CN102879677A (zh) * 2012-09-24 2013-01-16 西北工业大学 基于粗糙贝叶斯网络分类器的智能故障诊断方法
CN103197177A (zh) * 2013-03-20 2013-07-10 山东电力集团公司济宁供电公司 一种基于贝叶斯网络的变压器故障诊断分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张琪: "基于粗糙集和贝叶斯网络的变压器故障诊断系统的研究", 《上海电力学院硕士学位论文》 *
李志斌，陈成优: "基于粗糙集和贝叶斯网络的变压器故障诊断", 《上海电力学院学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597231A (zh) * 2016-11-11 2017-04-26 上海交通大学 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
CN107103361A (zh) * 2017-04-13 2017-08-29 桂林电子科技大学 基于粗糙集与回答集的变压器故障诊断方法和系统
CN107247450A (zh) * 2017-05-05 2017-10-13 武汉理工大学 基于贝叶斯网络的断路器故障诊断方法
CN107026451A (zh) * 2017-05-27 2017-08-08 国网福建省电力有限公司 一种基于分类技术的配电网台区低电压突发故障判断方法
CN109506936A (zh) * 2018-11-05 2019-03-22 哈尔滨理工大学 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法
CN112346941A (zh) * 2019-08-08 2021-02-09 北京国双科技有限公司 一种故障诊断方法及装置
CN111650451B (zh) * 2020-04-28 2021-12-31 中国南方电网有限责任公司超高压输电公司广州局 一种换流变故障原因辨识方法及系统
CN111650451A (zh) * 2020-04-28 2020-09-11 中国南方电网有限责任公司超高压输电公司广州局 一种换流变故障原因辨识方法及系统
CN111859290A (zh) * 2020-06-18 2020-10-30 江苏大学 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法
CN111859290B (zh) * 2020-06-18 2024-03-19 江苏大学 基于粗糙集和人工碳氢网络的轮毂电机机械故障诊断方法
CN111709495A (zh) * 2020-07-17 2020-09-25 西南石油大学 一种基于nbc模型的变压器故障诊断方法
CN112630564B (zh) * 2020-12-07 2023-02-28 国网宁夏电力有限公司电力科学研究院 基于邻域粗糙集与ampos-elm的变压器dga故障诊断方法
CN112630564A (zh) * 2020-12-07 2021-04-09 国网宁夏电力有限公司电力科学研究院 基于邻域粗糙集与ampos-elm的变压器dga故障诊断方法
CN113807461A (zh) * 2021-09-27 2021-12-17 国网四川省电力公司电力科学研究院 基于贝叶斯网络的变压器故障诊断方法

Similar Documents

Publication Publication Date Title
CN104297589A (zh) 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法
CN108596212B (zh) 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
US10234495B2 (en) Decision tree SVM fault diagnosis method of photovoltaic diode-clamped three-level inverter
CN101464964B (zh) 一种设备故障诊断的支持向量机模式识别方法
CN108120903B (zh) 一种基于脉冲神经膜系统的小电流单相接地故障选线方法
CN110596492A (zh) 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN109978079A (zh) 一种改进的堆栈降噪自编码器的数据清洗方法
CN104299035A (zh) 基于聚类算法和神经网络的变压器故障诊断方法
CN103218662A (zh) 一种基于bp神经网络的变压器故障诊断方法
CN102570392A (zh) 基于改进概率神经网络的变压器励磁涌流鉴别方法
CN105606914A (zh) 一种基于iwo-elm的航空功率变换器故障诊断方法
CN111680726A (zh) 基于近邻成分分析和k近邻学习融合的变压器故障诊断方法和系统
CN110879373A (zh) 一种神经网络和决策融合的油浸式变压器故障诊断方法
CN107103361B (zh) 基于粗糙集与回答集的变压器故障诊断方法和系统
CN112085064A (zh) 基于支持向量机多分类概率输出的变压器故障诊断方法
CN105425172B (zh) 基于多频段歪度分析的微网逆变器自适应故障诊断方法
CN113887623A (zh) 基于ifcm-bb的变压器故障诊断方法
CN116522138A (zh) 一种基于弱监督集成的多元时间序列异常检测方法及系统
Hassani et al. Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids
CN103076556B (zh) 航电组件功能维护测试点选取方法
CN117639057A (zh) 一种新能源配电台区拓扑关联分析方法及存储介质
CN111967670A (zh) 一种基于改进灰狼算法的开关柜局放数据识别方法
Ren et al. Application of RBF neural network optimized based on K-means cluster algorithm in fault diagnosis
CN114595788A (zh) 一种变压器故障诊断方法、装置及设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20150121

RJ01 Rejection of invention patent application after publication