CN104573355A - 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 - Google Patents

一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 Download PDF

Info

Publication number
CN104573355A
CN104573355A CN201410839607.9A CN201410839607A CN104573355A CN 104573355 A CN104573355 A CN 104573355A CN 201410839607 A CN201410839607 A CN 201410839607A CN 104573355 A CN104573355 A CN 104573355A
Authority
CN
China
Prior art keywords
groups
parameter optimization
support vector
svm
transformer
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.)
Granted
Application number
CN201410839607.9A
Other languages
English (en)
Other versions
CN104573355B (zh
Inventor
张玉欣
白晶
牛国成
浦铁成
胡冬梅
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.)
Guangzhou Sifei Information Technology Co ltd
Original Assignee
Beihua 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 Beihua University filed Critical Beihua University
Priority to CN201410839607.9A priority Critical patent/CN104573355B/zh
Publication of CN104573355A publication Critical patent/CN104573355A/zh
Application granted granted Critical
Publication of CN104573355B publication Critical patent/CN104573355B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法,利用光声光谱技术检测出变压器油中五种特征气体的含量并计算,将5种SVM类型和4种核函数采用交叉组合建立20种不同的支持向量机模型,采用启发式算法对于惩罚因子c和g的取值进行参数寻优,以建立变压器故障诊断准确率最高、最快运行速度的支持向量机模型;实验结果表明C-SVC模型、RBF核函数、遗传算法寻优构成的支持向量机模型对变压器故障的诊断准确率最高,测试集达到97.5%,训练集达到98.3333%,遗传算法的寻优速度快于粒子群算法2倍左右。本发明具有操作简单、非接触性测量、不消耗载气、检测周期短、稳定性和灵敏度高等优点。

Description

一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法
技术领域
本发明属于变压器故障诊断领域,尤其涉及一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法。
背景技术
电力变压器的可靠运行是保障电力系统安全的关键,中华人民共和国电力行业标准《变压器油中溶解气体分析和判断导则DL/T 722-2000》推荐的改良三比值法是目前国内外分析变压器潜伏性故障的最有效措施之一,它是通过测量变压器油中特征气体含量并根据特征气体比值C2H2/C2H4、CH4/H2、C2H4/C2H6确定变压器故障类型。特征气体检测主要使用气相色谱法,但其存在操作繁琐、要消耗待测气体和载气、检测周期长等缺点。而光声光谱法是基于光声效应来检测吸收物体积分数的一种光谱技术,陈伟根,云玉新,潘翀,孙才新在文献《电力系统自动化》中有如下说明:电脉冲红外光源MIRL17-900构成的光声光谱实验装置经实验验证与气相色谱仪对故障气体各组分体积分数的测量结果差别不大;云玉新,赵笑笑,陈伟根,李立生,赵富强在文献《高电压技术》中有如下说明:采用激光共振光声光谱技术检测乙炔气体达到了10-6量级的检测灵敏度;陈伟根,周恒逸,黄会贤,唐炬在文献《仪器仪表学报》中有如下说明:基于半导体激光器的乙炔气体光声光谱检测偏差低于4.2%。大量研究表明利用光声光谱法替代气相色谱法检测变压器油中溶解气体是可行的,检测结果满足变压器故障诊断的精度要求。且光声光谱法具有操作简单、非接触性测量、不消耗气体、检测周期短、稳定性和灵敏度高等优点。
在变压器特征气体的光谱分析中较多采用人工神经网络,常见的有BP神经网络、概率神经网络等,BP神经网络往往收敛性差,容易陷入局部最优,即使利用智能算法优化权值和阈值也不能完全改善这一问题;而概率神经网络模式层神经元个数等于训练样本个数,势必容易造成网络规模巨大,计算量庞大等问题。
支持向量机(SVM)的主要思想是建立一个分类超平面作为决策面,使得正例和反例之间的隔离边缘被最大化,它是结构风险最小化的近似实现,在模式分类问题中其泛化能力更强、全局寻优能力更佳,更符合改良三比值法进行变压器故障诊断的复杂情况。
发明内容
本发明实施例的目的在于提供一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法,旨在解决变压器气相色谱分析法进行故障诊断中存在的操作繁琐、要消耗待测气体和载气、检测周期长等问题。
本发明是这样实现的,一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法包括:
步骤一、取160组不同制造厂生产的、运行在不同电压等级下的、经吊芯检查有明确结论的变压器油样,分别对应改良三比值法中的8种变压器故障类型,每种故障样品数量为20组;对160组样品油进行编号,每组油样取50ml注入检测设备,检测油样故障气体及微水含量,记录160组油样的检测数据,根据国际改良三比值法,计算每组实测数据的三对特征气体比值C2H2/C2H4、CH4/H2、C2H4/C2H6
步骤二、将每组油样的改良三比值数值和对应的故障类型标签值保存到160×4矩阵,矩阵的1到3列分别对应C2H2/C2H4、CH4/H2、C2H4/C2H6三组特征气体比值,第4列是故障类别标签值;
步骤三、用mapminmax函数对每组油样的改良三比值数据进行[0,1]归一化处理,每一种故障类型提取15组样本作为训练集,其余5组样本作为测试集,即训练集有120组数据,测试集有40组数据;
步骤四、将5种SVM类型C-SVC,nu-SVC,one-class SVM、spsilion-SVR、nu-SVR和4种核函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型,对于惩罚因子c和g的取值采用启发式算法进行参数寻优,通过对比各实验结果,找出最佳的SVM模型和惩罚因子c、g取值;
步骤五、在实验部分对比遗传算法和粒子群算法两种参数寻优方法的效果。
本发明利用光声光谱法提取变压器油中特征气体建立基于改良三比值法的数据文件作为输入量,通过对SVM类型、核函数类型、参数寻优算法进行交叉验证建立了最佳SVM模型,即CRGA寻优,通过多次实验对测试样品集准确性可达97.5%以上,对训练样本集准确性可到98.3333%以上,实验结果满足变压器故障诊断的实际工程需要。
本发明的采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法具有操作简单、非接触性测量、不消耗载气、检测周期短、稳定性和灵敏度高等优点,光声光谱仪具有造价低、可靠性高、可维护性好等显著的优点,因此基于光声光谱法的变压器故障在线监测与诊断中具有良好的应用前景。
附图说明
图1是本发明实施例提供的采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法流程图;
图2是本发明实施例提供的160组样本的三比值数据;
图3是本发明实施例提供的归一化的160组样本三比值数据;
图4是本发明实施例提供的CRGA模型的测试集分类结果;
图5是本发明实施例提供的CRGA模型的训练集分类结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
本发明实施例考虑到变压器型式、容量、运行环境等因素的影响,在北华大学变压器厂、丰满发电厂、吉林省电科院共搜集并整理出160组不同制造厂生产的、运行在不同电压等级下的、经吊芯检查有明确结论的变压器油样,分别对应改良三比值法中的8种变压器故障类型,每种故障样品数量为20组。
如图1所示,本发明是这样实现的,一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法包括:
S101、取160组不同制造厂生产的、运行在不同电压等级下的、经吊芯检查有明确结论的变压器油样,分别对应改良三比值法中的8种变压器故障类型,每种故障样品数量为20组;对160组样品油进行编号,每组油样取50ml注入检测设备,检测油样故障气体及微水含量,记录160组油样的检测数据,根据国际改良三比值法,计算每组实测数据的三对特征气体比值C2H2/C2H4、CH4/H2、C2H4/C2H6;结果如图2所示。
分析仪器采用英国凯尔曼公司的Transport-X油浸式变压器油中溶解气体及微水便携式监测仪,该仪器利用光声光谱技术检测变压器油中H2、CH4、C2H6、C2H4、C2H2、CO、CO2共七种故障气体及微水含量,该仪器检测精度为±5%或±2ppm。
分析软件采用Matlab 2011b、支持向量机工具箱libsvm-3.1-[FarutoUltimate3.1Mcode].
S102、将每组油样的改良三比值数值和对应的故障类型标签值保存到160×4矩阵,矩阵的1到3列分别对应C2H2/C2H4、CH4/H2、C2H4/C2H6三组特征气体比值,第4列是故障类别标签值;
S103、用mapminmax函数对每组油样的改良三比值数据进行[0,1]归一化处理,每一种故障类型提取15组样本作为训练集,其余5组样本作为测试集,即训练集有120组数据,测试集有40组数据;结果如图3所示。
S104、将5种SVM类型C-SVC,nu-SVC,one-class SVM、spsilion-SVR、nu-SVR和4种核函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型,对于惩罚因子c和g的取值采用启发式算法进行参数寻优,通过对比各实验结果,找出最佳的SVM模型和惩罚因子c、g取值;
LIBSVM工具箱提供的SVM类型有5种,包括C-SVC,nu-SVC,one-classSVM,spsilion-SVR和nu-SVR,分别对应的-s的取值为0、1、2、3、4;核函数类型有4种,线性核函数,多项式核函数,RBF核函数和sigmoid核函数,分别对应的-t的取值为0、1、2、3。
S105、在实验部分对比遗传算法和粒子群算法两种参数寻优方法的效果。
利用上述方法交叉建立各种SVM模型并利用遗传算法进行惩罚因子寻优,当-s取2、3、4时准确率很低;-s取0或1同时-t取3时的准确率也非常低,以上的各种SVM模型不论测试集还是训练集的准确率均低于60%。表1列出了准确率较高的SVM模型的测试结果。
表1
从表1的结果可以看出-s=0,t=-2时,即C-SVC模型、RBF核函数构成的支持向量机模型(简称CRGA)的预测准确率最高,测试集准确率达到97.5%,40个测试样本中只有1个错误,预测结果如图4,此时Best Validation Accuracy=94.1667%,Best c=2.9728,Best g=16.3189.,程序运行时间30.8671s。;训练集准确率达到98.3333%,120个训练样本进行测试时只有2个错误,预测结果如图5,此时Best Validation Accuracy=95%,Best c=1.9714,Bestg=28.094,程序运行时间36.0806s。
C-SVC模型、RBF核函数构成的支持向量机模型,同一组测试集采用粒子群算法进行参数寻优建立模型(简称CRPSO)。对测试集、训练集反复多次测试后的预测结果与遗传算法结果相同,准确率分别是97.5%和98.3333%,此时BestValidation Accuracy=94.1667%,Best c=13.8115,Best g=17.6021,程序运行时间72.6321s;训练集粒子群算法寻优时Best Validation Accuracy=94.1667%,Best c=1.74,Best g=30.5541,程序运行时间71.444s。
经过多次实验发现遗传算法和粒子群算法在C-SVC模型、RBF核函数构成的支持向量机参数优化结果相同,但是粒子群算法耗时却是遗传算法的2倍左右,因此综合考虑本发明实施例采用遗传算法进行参数寻优。
本发明利用光声光谱法提取变压器油中特征气体建立基于改良三比值法的数据文件作为输入量,通过对SVM类型、核函数类型、参数寻优算法进行交叉验证建立了最佳SVM模型,即CRGA寻优,通过多次实验对测试样品集准确性可达97.5%以上,对训练样本集准确性可到98.3333%以上,实验结果满足变压器故障诊断的实际工程需要。
本发明的采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法具有操作简单、非接触性测量、不消耗载气、检测周期短、稳定性和灵敏度高等优点,光声光谱仪具有造价低、可靠性高、可维护性好等显著的优点,因此基于光声光谱法的变压器故障在线监测与诊断中具有良好的应用前景。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (1)

1.一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法,其特征在于,所述的采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法包括:
步骤一、取160组不同制造厂生产的、运行在不同电压等级下的、经吊芯检查有明确结论的变压器油样,分别对应改良三比值法中的8种变压器故障类型,每种故障样品数量为20组;对160组样品油进行编号,每组油样取50ml注入检测设备,检测油样故障气体及微水含量,记录160组油样的检测数据,根据国际改良三比值法,计算每组实测数据的三对特征气体比值C2H2/C2H4、CH4/H2、C2H4/C2H6
步骤二、将每组油样的改良三比值数值和对应的故障类型标签值保存到160×4矩阵,矩阵的1到3列分别对应C2H2/C2H4、CH4/H2、C2H4/C2H6三组特征气体比值,第4列是故障类别标签值;
步骤三、用mapminmax函数对每组油样的改良三比值数据进行[0,1]归一化处理,每一种故障类型提取15组样本作为训练集,其余5组样本作为测试集,即训练集有120组数据,测试集有40组数据;
步骤四、将5种SVM类型C-SVC,nu-SVC,one-class SVM、spsilion-SVR、nu-SVR和4种核函数线性核函数、多项式核函数、RBF核函数、sigmoid核函数采用交叉组合建立20种不同的支持向量机类型,对于惩罚因子c和g的取值采用启发式算法进行参数寻优,通过对比各实验结果,找出最佳的SVM模型和惩罚因子c、g取值;
步骤五、在实验部分对比遗传算法和粒子群算法两种参数寻优方法的效果。
CN201410839607.9A 2014-12-30 2014-12-30 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法 Active CN104573355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410839607.9A CN104573355B (zh) 2014-12-30 2014-12-30 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410839607.9A CN104573355B (zh) 2014-12-30 2014-12-30 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法

Publications (2)

Publication Number Publication Date
CN104573355A true CN104573355A (zh) 2015-04-29
CN104573355B CN104573355B (zh) 2017-11-07

Family

ID=53089401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410839607.9A Active CN104573355B (zh) 2014-12-30 2014-12-30 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN104573355B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243428A (zh) * 2015-09-07 2016-01-13 天津市市政工程设计研究院 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法
CN105425768A (zh) * 2015-11-06 2016-03-23 国网山东莒县供电公司 一种电力二次设备监测装置及方法
CN105628358A (zh) * 2015-12-28 2016-06-01 北华大学 基于参数自适应随机共振的离心机转子故障诊断方法
CN106093612A (zh) * 2016-05-26 2016-11-09 国网江苏省电力公司电力科学研究院 一种电力变压器故障诊断方法
CN106885978A (zh) * 2017-04-20 2017-06-23 重庆大学 一种基于绝缘油拉曼光谱小波包能量熵的油纸绝缘老化诊断方法
CN107358366A (zh) * 2017-07-20 2017-11-17 国网辽宁省电力有限公司 一种配电变压器故障风险监测方法及系统
CN108387527A (zh) * 2018-02-08 2018-08-10 思源电气股份有限公司 可消除交叉干扰的光声光谱油气检测装置
CN109030791A (zh) * 2018-09-07 2018-12-18 广西电网有限责任公司电力科学研究院 一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法
CN109063782A (zh) * 2018-08-16 2018-12-21 中国水利水电科学研究院 一种自适应泵站故障智能诊断方法
CN109444107A (zh) * 2018-12-13 2019-03-08 云南电网有限责任公司电力科学研究院 基于支持向量机的sf6气体检测定量分析方法
CN109540808A (zh) * 2018-11-02 2019-03-29 湖南文理学院 一种变压器检测系统和故障诊断方法
CN109977916A (zh) * 2019-04-09 2019-07-05 中国南方电网有限责任公司超高压输电公司检修试验中心 一种基于嵌入式平台的变压器油中溶解气体在线监测系统
CN111291783A (zh) * 2020-01-15 2020-06-16 北京市燃气集团有限责任公司 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质
CN112101301A (zh) * 2020-11-03 2020-12-18 武汉工程大学 一种螺杆水冷机组的好音稳定预警方法、装置及存储介质
CN112215512A (zh) * 2020-10-22 2021-01-12 上海交通大学 计及微电网功能特性的综合评价指标权重量化方法及系统
CN112257335A (zh) * 2020-10-10 2021-01-22 西南交通大学 一种结合pnn和svm的油浸式变压器的故障诊断方法
CN112858806A (zh) * 2020-12-30 2021-05-28 北京杜克泰克科技有限公司 一种变压器油中气在线把脉诊断系统及方法
CN113204227A (zh) * 2021-04-26 2021-08-03 江苏徐工工程机械研究院有限公司 一种分层式模块化工程机械机云协同故障诊断系统及方法
CN116223955A (zh) * 2023-03-10 2023-06-06 华北电力大学(保定) 一种基于hpo-svm的电力变压器典型故障声纹诊断方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270390A (zh) * 2018-09-14 2019-01-25 广西电网有限责任公司电力科学研究院 基于高斯变换与全局寻优svm的变压器故障诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701940A (zh) * 2009-10-26 2010-05-05 南京航空航天大学 基于svm和dga的变压器在线故障诊断方法
US20130132001A1 (en) * 2010-07-23 2013-05-23 Soumaya Yacout Tool and method for fault detection of devices by condition based maintenance

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701940A (zh) * 2009-10-26 2010-05-05 南京航空航天大学 基于svm和dga的变压器在线故障诊断方法
US20130132001A1 (en) * 2010-07-23 2013-05-23 Soumaya Yacout Tool and method for fault detection of devices by condition based maintenance

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘晓津: "基于支持向量机和油中溶解气体分析的变压器故障诊断", 《中国优秀硕士学位论文全文数据库(电子期刊)》 *
梁浩宇: "基于支持向量机的变压器故障诊断", 《中国优秀硕士学位论文全文数据库(电子期刊)》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243428A (zh) * 2015-09-07 2016-01-13 天津市市政工程设计研究院 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法
CN105425768B (zh) * 2015-11-06 2018-03-23 国网山东莒县供电公司 一种电力二次设备监测装置及方法
CN105425768A (zh) * 2015-11-06 2016-03-23 国网山东莒县供电公司 一种电力二次设备监测装置及方法
CN105628358A (zh) * 2015-12-28 2016-06-01 北华大学 基于参数自适应随机共振的离心机转子故障诊断方法
CN106093612A (zh) * 2016-05-26 2016-11-09 国网江苏省电力公司电力科学研究院 一种电力变压器故障诊断方法
CN106093612B (zh) * 2016-05-26 2019-03-19 国网江苏省电力公司电力科学研究院 一种电力变压器故障诊断方法
CN106885978A (zh) * 2017-04-20 2017-06-23 重庆大学 一种基于绝缘油拉曼光谱小波包能量熵的油纸绝缘老化诊断方法
CN107358366A (zh) * 2017-07-20 2017-11-17 国网辽宁省电力有限公司 一种配电变压器故障风险监测方法及系统
CN107358366B (zh) * 2017-07-20 2020-11-06 国网辽宁省电力有限公司 一种配电变压器故障风险监测方法及系统
CN108387527A (zh) * 2018-02-08 2018-08-10 思源电气股份有限公司 可消除交叉干扰的光声光谱油气检测装置
CN108387527B (zh) * 2018-02-08 2023-09-19 上海思源光电有限公司 可消除交叉干扰的光声光谱油气检测装置
CN109063782A (zh) * 2018-08-16 2018-12-21 中国水利水电科学研究院 一种自适应泵站故障智能诊断方法
CN109063782B (zh) * 2018-08-16 2021-08-24 中国水利水电科学研究院 一种自适应泵站故障智能诊断方法
CN109030791A (zh) * 2018-09-07 2018-12-18 广西电网有限责任公司电力科学研究院 一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法
CN109540808A (zh) * 2018-11-02 2019-03-29 湖南文理学院 一种变压器检测系统和故障诊断方法
CN109444107A (zh) * 2018-12-13 2019-03-08 云南电网有限责任公司电力科学研究院 基于支持向量机的sf6气体检测定量分析方法
CN109977916A (zh) * 2019-04-09 2019-07-05 中国南方电网有限责任公司超高压输电公司检修试验中心 一种基于嵌入式平台的变压器油中溶解气体在线监测系统
CN111291783A (zh) * 2020-01-15 2020-06-16 北京市燃气集团有限责任公司 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质
CN112257335A (zh) * 2020-10-10 2021-01-22 西南交通大学 一种结合pnn和svm的油浸式变压器的故障诊断方法
CN112215512A (zh) * 2020-10-22 2021-01-12 上海交通大学 计及微电网功能特性的综合评价指标权重量化方法及系统
CN112101301A (zh) * 2020-11-03 2020-12-18 武汉工程大学 一种螺杆水冷机组的好音稳定预警方法、装置及存储介质
CN112101301B (zh) * 2020-11-03 2021-02-26 武汉工程大学 一种螺杆水冷机组的好音稳定预警方法、装置及存储介质
CN112858806A (zh) * 2020-12-30 2021-05-28 北京杜克泰克科技有限公司 一种变压器油中气在线把脉诊断系统及方法
CN113204227A (zh) * 2021-04-26 2021-08-03 江苏徐工工程机械研究院有限公司 一种分层式模块化工程机械机云协同故障诊断系统及方法
CN116223955A (zh) * 2023-03-10 2023-06-06 华北电力大学(保定) 一种基于hpo-svm的电力变压器典型故障声纹诊断方法

Also Published As

Publication number Publication date
CN104573355B (zh) 2017-11-07

Similar Documents

Publication Publication Date Title
CN104573355A (zh) 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法
CN103983757B (zh) 基于混合Weibull分布的变压器绝缘热老化状态可靠性评估方法
CN202487187U (zh) 一种智能临界热流密度测量装置
Wang et al. Wind turbines abnormality detection through analysis of wind farm power curves
CN103745119A (zh) 一种基于故障概率模型的油浸式变压器故障诊断方法
CN103103570B (zh) 基于主元相似性测度的铝电解槽况诊断方法
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
CN113111955A (zh) 一种线损异常数据专家系统及检测方法
CN116227676A (zh) 生产设备能耗分析方法、装置、电子设备及存储介质
Jiao et al. Data-driven evaluation for error states of standard electricity meters on automatic verification assembly line
CN109711686A (zh) 基于多目标决策层次分析法的电压暂降严重度评估方法
CN104317778A (zh) 基于海量监测数据的变电设备故障诊断方法
Liu et al. Online diagnosis and prediction of power battery voltage comprehensive faults for electric vehicles based on multi-parameter characterization and improved K-means method
Refaee Using machine learning for performance classification and early fault detection in solar systems
Ngwenyama et al. Discernment of transformer oil stray gassing anomalies using machine learning classification techniques
CN105242129A (zh) 一种变压器绕组故障概率确定方法
Yu et al. Power transformers fault diagnosis based on a meta-learning approach to kernel extreme learning machine with opposition-based learning sparrow search algorithm
Rahimighazvini et al. Power electronics anomaly detection and diagnosis with machine learning and deep learning methods: A survey
Liu et al. FSR‐SSL: A fault sample rebalancing framework based on semi‐supervised learning for PV fault diagnosis
CN117764547A (zh) 一种光伏组串故障诊断方法及系统
Zhang et al. Transformer fault diagnosis based on support vector machine
Bao et al. Identifying hot socket problem in smart meters
Chao et al. Health assessment model of power transformer based on dissolved gas analysis by support vector machine
Zhou et al. Research on transformer fault intelligent diagnosis technology based on improved random forest algorithm
Refaee Research Article Using Machine Learning for Performance Classification and Early Fault Detection in Solar Systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201224

Address after: 313000 room 1020, science and Technology Pioneer Park, 666 Chaoyang Road, Nanxun Town, Nanxun District, Huzhou, Zhejiang.

Patentee after: Huzhou You Yan Intellectual Property Service Co.,Ltd.

Address before: 132021 no.3999, Binjiang East Road, Jilin City, Jilin Province

Patentee before: BEIHUA University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240506

Address after: Floor 4, No. 10 Changsheng Road, Dongyong Town, Nansha District, Guangzhou City, Guangdong Province, 510000

Patentee after: Guangzhou Sifei Information Technology Co.,Ltd.

Country or region after: China

Address before: 313000 room 1020, science and Technology Pioneer Park, 666 Chaoyang Road, Nanxun Town, Nanxun District, Huzhou, Zhejiang.

Patentee before: Huzhou You Yan Intellectual Property Service Co.,Ltd.

Country or region before: China