CN104573355B - 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 PDFInfo
- Publication number
- CN104573355B CN104573355B CN201410839607.9A CN201410839607A CN104573355B CN 104573355 B CN104573355 B CN 104573355B CN 201410839607 A CN201410839607 A CN 201410839607A CN 104573355 B CN104573355 B CN 104573355B
- Authority
- CN
- China
- Prior art keywords
- groups
- kinds
- transformer
- parameter optimization
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000004611 spectroscopical analysis Methods 0.000 title claims abstract description 19
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims abstract description 8
- 238000013459 approach Methods 0.000 claims abstract description 4
- 230000006872 improvement Effects 0.000 claims description 15
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000008689 nuclear function Effects 0.000 claims 1
- 239000007789 gas Substances 0.000 abstract description 23
- 230000008901 benefit Effects 0.000 abstract description 7
- 239000012159 carrier gas Substances 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 238000004867 photoacoustic spectroscopy Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000004817 gas chromatography Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000019606 astringent taste Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010895 photoacoustic effect Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
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、SVM类型包括5种，分别为：C-SVC、nu-SVC、one-class SVM、spsilion-SVR、nu-SVR。核函数类型包括4种，分别为：线性核函数、多项式核函数、RBF核函数、sigmoid核函数。将上述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寻优模型，通过多次实验对测试样品集准确率可达97.5%以上，对训练样本集准确率可到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-class SVM、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30.8671 s；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， Best g = 28.094，程序运行时间36.0806 s。
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Best Validation 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率可达97.5%以上，对训练样本集准确率可到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。
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 CN104573355A (zh) | 2015-04-29 |
| CN104573355B true 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 (1)
| 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 |
Families Citing this family (19)
| 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 |
| 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 |
| 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 |
| CN106885978B (zh) * | 2017-04-20 | 2019-04-16 | 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 |
| 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 |
| 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 |
| 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 |
| CN109977916B (zh) * | 2019-04-09 | 2022-12-27 | 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 |
| CN112257335B (zh) * | 2020-10-10 | 2023-04-07 | 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 |
| 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 |
| CN113204227B (zh) * | 2021-04-26 | 2023-04-18 | 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 |
Citations (1)
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
-
2014
- 2014-12-30 CN CN201410839607.9A patent/CN104573355B/zh active Active
Patent Citations (1)
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 基于支持向量机和油中溶解气体分析的变压器故障诊断;刘晓津;《中国优秀硕士学位论文全文数据库（电子期刊）》;20090430;全文 * |
| 基于支持向量机的变压器故障诊断;梁浩宇;《中国优秀硕士学位论文全文数据库（电子期刊）》;20120531;全文 * |
Cited By (1)
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104573355A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104573355B (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 | |
| CN106022528A (zh) | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 | |
| CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
| CN102944769A (zh) | 基于极限学习机的电力变压器故障诊断方法 | |
| CN110210681A (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
| CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及系统 | |
| CN101339150B (zh) | 基于介电谱技术测定汽油辛烷值的方法 | |
| CN114814501B (zh) | 一种电容式电压互感器电容击穿故障在线诊断方法 | |
| Jiao et al. | Data-driven evaluation for error states of standard electricity meters on automatic verification assembly line | |
| CN110490329A (zh) | 一种基于机器学习的大规模电力异常数据检测方法及系统 | |
| Li et al. | Fault Diagnostics of Oil-immersed Power Transformer via SMOTE and GWO-SVM | |
| CN116879672A (zh) | 一种基于时间卷积网络的台区总表故障智能辨识方法 | |
| Wu et al. | Research on a location method for complex voltage sag sources based on random matrix theory | |
| CN117764547A (zh) | 一种光伏组串故障诊断方法及系统 | |
| Vovna et al. | Improving efficiency of information measurement system of coal mine air gas protection | |
| CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
| CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
| Gladen et al. | Neural assessment of non-destructive assay for material accountancy | |
| Chen et al. | Reliability Probability Evaluation Method of Electronic transformer based on Xgboost model | |
| Liu et al. | Grounding grids fault diagnosis based on PCA-BP neural network | |
| Fei et al. | Recognition of urban pollution types based on BP neural network | |
| CN110487315A (zh) | 一种仪表漂移的分析系统及方法 | |
| Chao et al. | Health assessment model of power transformer based on dissolved gas analysis by support vector machine | |
| Ma | Power transformer fault diagnosis based on least squares support vector machine and particle swarm optimization | |
| Bai et al. | A uniformity sorting strategy for lithium-ion batteries based on impedance spectroscopy |
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 |
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 |
|
| TR01 | Transfer of patent right |