CN105160402A - 一种sf6电气设备故障诊断方法 - Google Patents
一种sf6电气设备故障诊断方法 Download PDFInfo
- Publication number
- CN105160402A CN105160402A CN201510528295.4A CN201510528295A CN105160402A CN 105160402 A CN105160402 A CN 105160402A CN 201510528295 A CN201510528295 A CN 201510528295A CN 105160402 A CN105160402 A CN 105160402A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- layer
- neuron
- fuzzy neural
- inference pattern
- 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
<b>本发明提供了一种SF6故障诊断系统和方法，所述系统包括：训练单元，用于根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经推理模型；测试单元，用于根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断该基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型；诊断单元，用于将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊断数据对应的SF6电气设备进行故障诊断。</b>
Description
技术领域
本发明涉及安全技术领域，尤其是涉及一种SF6电气设备故障诊断方法。
背景技术
气体拥有优良的理化特性和绝缘灭弧性能，因此作为绝缘介质广泛的用于电气设备中，如气体绝缘组合电器（GIS）。因此SF6气体设备的安全、可靠运行，直接关系到电力系统的安全可靠运行。
在长期的运行经验中表明，SF6电气设备内部可能存在一些缺陷，这些缺陷最初无害也不容易发现，但是随着时间的推移这些缺陷会逐渐发展为可能导致设备故障、影响系统的安全可靠运行的事故隐患。
现有技术中已经可以通过分析得到SF6电气设备的运行状态与SF6气体分解产物之间的对应关系，这样可以很好的对SF6电气设备进行诊断。但是对于大量待诊断设备来说，这种方式的效率比较低。
发明内容
针对当前的SF6电气设备故障诊断方法在应用于大量设备时会造成诊断效率低的问题，提出了一种能够提高诊断效率的SF6电气设备故障诊断方法。
为了实现该目的，本发明提供了一种SF6电气设备故障诊断方法，包括：
训练单元，用于根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经推理模型；
测试单元，用于根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断该基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型；
诊断单元，用于将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊断数据对应的SF6电气设备进行故障诊断；
其中所述训练数据和测试数据为SF6气体分解组分分析与SF6电气设备状态之间的历史关联数据，且所述待诊断数据为SF6电气设备的分解气体组分；
其中所述故障诊断模糊神经推理模型的网络结构分为五层：模糊化层、规则推理层、归一化层、逆模糊化层、输出层；
其中所述模糊化层包括9个隶属函数，且所述隶属函数的参数通过所述故障诊断模糊神经推理模型的学习自动调整；
其中所述规则层中包括27个覆盖论域空间的神经元，且每个神经元都对应Sugeno类型的一条模糊规则；其中所述每一神经元从各自对应的模糊化层神经元获得输入，并根据输入计算该神经元对应的模糊规则的规则强度；
其中所述归一化层包括与所述规则层相对应的神经元，以设有与所述用于接收所述规则层的神经元计算的规则强度，并计算每一规则的归一化激活程度；
其中所述逆模糊化层包括与所述归一化层相对应的神经元，以同时接收所述归一化神经元的每一规则的归一化激活程度作为输入；
其中所述输出层唯一总和神经元，以计算所有逆模糊化层的所有神经元的输出的总和，并根据所述总和产生所述故障诊断模糊神经推理模型的输出。
其中，所述模糊化层的隶属函数为任意分段连续函数。
其中，该隶属函数为钟形隶属函数，表示为：
式中，为节点的输入，为前项参数，隶属函数的形状随所述前项参数的变化而变化。
其中，所述训练单元采用混合算法进行训练。
其中，所述训练单元在所述基础故障诊断模糊神经推理模型的诊断准确率达到预设的错误容许阈值时或训练步数达到预设的最大值时停止训练。
同时，本发明实施例还提出了一种SF6电气设备故障诊断方法，包括：
根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经推理模型；
根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断该基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型；
将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊断数据对应的SF6电气设备进行故障诊断；
其中所述训练数据和测试数据为SF6气体分解组分分析与SF6电气设备状态之间的历史关联数据，且所述待诊断数据为SF6电气设备的分解气体组分；
其中所述故障诊断模糊神经推理模型的网络结构分为五层：模糊化层、规则推理层、归一化层、逆模糊化层、输出层；
其中所述模糊化层包括9个隶属函数，且所述隶属函数的参数通过所述故障诊断模糊神经推理模型的学习自动调整；
其中所述规则层中包括27个覆盖论域空间的神经元，且每个神经元都对应Sugeno类型的一条模糊规则；其中所述每一神经元从各自对应的模糊化层神经元获得输入，并根据输入计算该神经元对应的模糊规则的规则强度；
其中所述归一化层包括与所述规则层相对应的神经元，以设有与所述用于接收所述规则层的神经元计算的规则强度，并计算每一规则的归一化激活程度；
其中所述逆模糊化层包括与所述归一化层相对应的神经元，以同时接收所述归一化神经元的每一规则的归一化激活程度作为输入；
其中所述输出层唯一总和神经元，以计算所有逆模糊化层的所有神经元的输出的总和，并根据所述总和产生所述故障诊断模糊神经推理模型的输出。
其中，所述模糊化层的隶属函数为任意分段连续函数。
其中，该隶属函数为钟形隶属函数，表示为：
式中，为节点的输入，为前项参数，隶属函数的形状随所述前项参数的变化而变化。
其中，所述训练单元采用混合算法进行训练。
其中，所述训练单元在所述基础故障诊断模糊神经推理模型的诊断准确率达到预设的错误容许阈值时或训练步数达到预设的最大值时停止训练。
本发明的有益效果是：本发明提出了一种SF6电气设备故障诊断方法，能够根据已有的SF6电气设备的运行状态与SF6气体分解产物之间的对应关系，基于ANFIS训练故障网络，并采用此方法进行故障诊断。另外，还可以用已知的分解气体成分含量及对应的故障类型测试故障诊断的准确率，利用本系统和本方法只需要简单的数据输入，就可以自动的生成系统结构并且得到诊断结果，可以大大降低对操作人员的专业技能的要求，而且该网络需要确定的参数也较少，较容易实现参数训练，而且该网络的自适应能力较强，自动根据数据特征就可以在训练过程中进行参数调整。
附图说明
通过下面结合附图对本发明的一个优选实施例进行的描述，本发明的技术方案及其技术效果将变得更加清楚，且更加易于理解。其中：
图1为本发明实施例的结构示意图;
图2为本发明实施例中的一个ANFIS模糊规则图；
图3为本发明实施例生成的模糊推理系统示意图；
图4为本发明实施例的方法获得的训练结果示意图；
图5为测试结果示意图。
具体实施方式
以下将结合所附的附图对本发明的一个优选实施例进行描述。
自适应模糊神经推理系统（AdaptiveNetwork-basedFuzzyInferenceSystem）,简称ANFIS，也称为基于网络的自适应模糊推理系统；它融合了人工神经网络（ANN）的学习机制和模糊系统的语言推理能力等优点，弥补了各自的不足，属于神经模糊系统的一种，同其他模糊神经系统相比，ANFIS的预测精度要高于普通的神经网络,训练时间要明显少于反向传播法的人工神经网络。
是神经网络与Sugeno型模糊推理系统的结合，采用Sugeno型模糊推理系统是因为该系统具有计算简单、利于数学分析的优点，适合于基于数据的建模方法，且易于与优化及自适应方法结合，从而实现具有优化与自适应能力的模糊建模工具。
本发明提供了一种SF6电气设备故障诊断方法，包括：
训练单元，用于根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经推理模型；
测试单元，用于根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断该基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型；
诊断单元，用于将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊断数据对应的SF6电气设备进行故障诊断；
其中所述训练数据和测试数据为SF6气体分解组分分析与SF6电气设备状态之间的历史关联数据，且所述待诊断数据为SF6电气设备的分解气体组分；
其中所述故障诊断模糊神经推理模型的网络结构分为五层：模糊化层、规则推理层、归一化层、逆模糊化层、输出层；
其中所述模糊化层包括9个隶属函数，且所述隶属函数的参数通过所述故障诊断模糊神经推理模型的学习自动调整；
其中所述规则层中包括27个覆盖论域空间的神经元，且每个神经元都对应Sugeno类型的一条模糊规则；其中所述每一神经元从各自对应的模糊化层神经元获得输入，并根据输入计算该神经元对应的模糊规则的规则强度；
其中所述归一化层包括与所述规则层相对应的神经元，以设有与所述用于接收所述规则层的神经元计算的规则强度，并计算每一规则的归一化激活程度；
其中所述逆模糊化层包括与所述归一化层相对应的神经元，以同时接收所述归一化神经元的每一规则的归一化激活程度作为输入；
其中所述输出层唯一总和神经元，以计算所有逆模糊化层的所有神经元的输出的总和，并根据所述总和产生所述故障诊断模糊神经推理模型的输出。
在本发明实施例中，该训练单元所需确定的参数较少，较容易实现参数训练，而且自适应能力较强，可以自动生成故障诊断的结构图。且训练单元和测试单元和诊断单元可以对数据进行归一化处理，以形成相应的模糊规则，还可以进一步的生成模糊规则图。所述训练单元、测试单元、诊断单元还可以用于对相应的数据进行归一化处理以形成对应的模糊规则，也可以直观的表现出模糊规则图。
其中，该模糊化层包括ANFIS算法的隶属函数，隶属函数可以是任意分段连续函数。在本发明实施例中，该隶属函数选用钟形隶属函数，表示为：
式中，为节点的输入，为前项参数，隶属函数的形状随这些参数的变化而变化。
由于SF6电气设备故障诊断的ANFIS系统的输入量为3个，如前所述的在模糊化层有9个隶属函数，因此会产生27个模糊规则。如图2所示的是本发明实施例中的一个ANFIS模糊规则图，可以使人们更直观的观察模糊规则的变化。当然图2所示的仅仅为举例说明，根据本发明实施例可以得到很多种模糊规则图。将得到的隶属函数、训练样本、模糊规则输入到ANFIS算法中，就可以生成如图3所示的模糊推理系统。
其中在训练单元中，对于ANFIS算法的训练可以采用混合算法。且可以采用错误容许（ErrorTolerance）作为是否停止训练的标准。具体而言，在误差小于预先设置的错误容许阈值时候停止训练；且可以预先设置最大训练次数阈值。按照本发明实施例的方法，可以获得如图4所示的训练结果。在训练完成后，可以通过测试单元对获得的故障诊断模糊神经推理模型进行测试以判断训练的基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型；其中测试结果可以如图5所示的。
当然，图2、图3、图4、图5都只是对本发明的技术方案在实施时的一个说明和解释，而非对本发明实施例的任何限定。
同时，本发明实施例还提出了一种SF6电气设备故障诊断方法，包括：
根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经推理模型；
根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断该基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型；
将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊断数据对应的SF6电气设备进行故障诊断；
其中所述训练数据和测试数据为SF6气体分解组分分析与SF6电气设备状态之间的历史关联数据，且所述待诊断数据为SF6电气设备的分解气体组分；
其中所述故障诊断模糊神经推理模型的网络结构分为五层：模糊化层、规则推理层、归一化层、逆模糊化层、输出层；
其中所述模糊化层包括9个隶属函数，且所述隶属函数的参数通过所述故障诊断模糊神经推理模型的学习自动调整；
其中所述规则层中包括27个覆盖论域空间的神经元，且每个神经元都对应Sugeno类型的一条模糊规则；其中所述每一神经元从各自对应的模糊化层神经元获得输入，并根据输入计算该神经元对应的模糊规则的规则强度；
其中所述归一化层包括与所述规则层相对应的神经元，以设有与所述用于接收所述规则层的神经元计算的规则强度，并计算每一规则的归一化激活程度；
其中所述逆模糊化层包括与所述归一化层相对应的神经元，以同时接收所述归一化神经元的每一规则的归一化激活程度作为输入；
其中所述输出层唯一总和神经元，以计算所有逆模糊化层的所有神经元的输出的总和，并根据所述总和产生所述故障诊断模糊神经推理模型的输出。
其中，所述模糊化层的隶属函数为任意分段连续函数。
其中，该隶属函数为钟形隶属函数，表示为：
式中，为节点的输入，为前项参数，隶属函数的形状随所述前项参数的变化而变化。
其中，所述训练单元采用混合算法进行训练。
其中，所述训练单元在所述基础故障诊断模糊神经推理模型的诊断准确率达到预设的错误容许阈值时或训练步数达到预设的最大值时停止训练。
对于所属技术领域的技术人员而言，随着技术的发展，本发明构思可以不同方式实现。本发明的实施方式并不仅限于以上描述的实施例，而且可在权利要求的范围内进行变化。
Claims (10)
1.一种SF6电气设备故障诊断系统，其特征在于，包括：
训练单元，用于根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经推理模型；
测试单元，用于根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断该基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型；
诊断单元，用于将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊断数据对应的SF6电气设备进行故障诊断；
其中所述训练数据和测试数据为SF6气体分解组分分析与SF6电气设备状态之间的历史关联数据，且所述待诊断数据为SF6电气设备的分解气体组分；
其中所述故障诊断模糊神经推理模型的网络结构分为五层：模糊化层、规则推理层、归一化层、逆模糊化层、输出层；
其中所述模糊化层包括9个隶属函数，且所述隶属函数的参数通过所述故障诊断模糊神经推理模型的学习自动调整；
其中所述规则层中包括27个覆盖论域空间的神经元，且每个神经元都对应Sugeno类型的一条模糊规则；其中所述每一神经元从各自对应的模糊化层神经元获得输入，并根据输入计算该神经元对应的模糊规则的规则强度；
其中所述归一化层包括与所述规则层相对应的神经元，以设有与所述用于接收所述规则层的神经元计算的规则强度，并计算每一规则的归一化激活程度；
其中所述逆模糊化层包括与所述归一化层相对应的神经元，以同时接收所述归一化神经元的每一规则的归一化激活程度作为输入；
其中所述输出层唯一总和神经元，以计算所有逆模糊化层的所有神经元的输出的总和，并根据所述总和产生所述故障诊断模糊神经推理模型的输出。
2.根据权利要求1所述的SF6电气设备故障诊断系统，其特征在于，所述模糊化层的隶属函数为任意分段连续函数。
3.根据权利要求2所述的SF6电气设备故障诊断系统，其特征在于，该隶属函数为钟形隶属函数，表示为：
式中，为节的输入，为前项参数，隶属函数的形状随所述前项参数的变化而变化。
4.根据权利要求1所述的SF6电气设备故障诊断系统，其特征在于，所述训练单元采用混合算法进行训练。
5.根据权利要求4所述的SF6电气设备故障诊断系统，其特征在于，所述训练单元在所述基础故障诊断模糊神经推理模型的诊断准确率达到预设的错误容许阈值时或训练步数达到预设的最大值时停止训练。
6.一种SF6电气设备故障诊断方法，其特征在于，包括：
根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经推理模型；
根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断该基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型；
将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊断数据对应的SF6电气设备进行故障诊断；
其中所述训练数据和测试数据为SF6气体分解组分分析与SF6电气设备状态之间的历史关联数据，且所述待诊断数据为SF6电气设备的分解气体组分；
其中所述故障诊断模糊神经推理模型的网络结构分为五层：模糊化层、规则推理层、归一化层、逆模糊化层、输出层；
其中所述模糊化层包括9个隶属函数，且所述隶属函数的参数通过所述故障诊断模糊神经推理模型的学习自动调整；
其中所述规则层中包括27个覆盖论域空间的神经元，且每个神经元都对应Sugeno类型的一条模糊规则；其中所述每一神经元从各自对应的模糊化层神经元获得输入，并根据输入计算该神经元对应的模糊规则的规则强度；
其中所述归一化层包括与所述规则层相对应的神经元，以设有与所述用于接收所述规则层的神经元计算的规则强度，并计算每一规则的归一化激活程度；
其中所述逆模糊化层包括与所述归一化层相对应的神经元，以同时接收所述归一化神经元的每一规则的归一化激活程度作为输入；
其中所述输出层唯一总和神经元，以计算所有逆模糊化层的所有神经元的输出的总和，并根据所述总和产生所述故障诊断模糊神经推理模型的输出。
7.根据权利要求6所述的SF6电气设备故障诊断方法，其特征在于，所述模糊化层的隶属函数为任意分段连续函数。
8.根据权利要求7所述的SF6电气设备故障诊断方法，其特征在于，该隶属函数为钟形隶属函数，表示为：
式中，为节点的输入，为前项参数，隶属函数的形状随所述前项参数的变化而变化。
9.根据权利要求6所述的SF6电气设备故障诊断方法，其特征在于，所述训练单元采用混合算法进行训练。
10.根据权利要求9所述的SF6电气设备故障诊断系统，其特征在于，所述训练单元在所述基础故障诊断模糊神经推理模型的诊断准确率达到预设的错误容许阈值时或训练步数达到预设的最大值时停止训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510528295.4A CN105160402A (zh) | 2015-05-27 | 2015-08-25 | 一种sf6电气设备故障诊断方法 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2015102778534 | 2015-05-27 | ||
| CN201510277853 | 2015-05-27 | ||
| CN201510528295.4A CN105160402A (zh) | 2015-05-27 | 2015-08-25 | 一种sf6电气设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105160402A true CN105160402A (zh) | 2015-12-16 |
Family
ID=54801253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510528295.4A Pending CN105160402A (zh) | 2015-05-27 | 2015-08-25 | 一种sf6电气设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105160402A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105738186A (zh) * | 2016-03-02 | 2016-07-06 | 国网河南省电力公司济源供电公司 | 一种sf6分解气体的检测方法 |
| CN108667747A (zh) * | 2018-04-28 | 2018-10-16 | 深圳信息职业技术学院 | 网络流应用类型识别的方法、装置及计算机可读存储介质 |
| CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
| CN109840563A (zh) * | 2019-01-29 | 2019-06-04 | 东北大学 | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 |
| CN110441725A (zh) * | 2018-05-03 | 2019-11-12 | 国网安徽省电力有限公司电力科学研究院 | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 |
| CN111523394A (zh) * | 2020-03-27 | 2020-08-11 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439594A (zh) * | 2013-08-02 | 2013-12-11 | 广东电网公司电力科学研究院 | Sf6电气设备故障诊断系统与方法 |
-
2015
- 2015-08-25 CN CN201510528295.4A patent/CN105160402A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439594A (zh) * | 2013-08-02 | 2013-12-11 | 广东电网公司电力科学研究院 | Sf6电气设备故障诊断系统与方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘炜: "基于ANFIS的变压器故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 张鑫: "基于数据挖掘技术的SF6气体分析和故障诊断研究", 《电气开关》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105738186A (zh) * | 2016-03-02 | 2016-07-06 | 国网河南省电力公司济源供电公司 | 一种sf6分解气体的检测方法 |
| CN108667747A (zh) * | 2018-04-28 | 2018-10-16 | 深圳信息职业技术学院 | 网络流应用类型识别的方法、装置及计算机可读存储介质 |
| CN110441725A (zh) * | 2018-05-03 | 2019-11-12 | 国网安徽省电力有限公司电力科学研究院 | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 |
| CN109255333A (zh) * | 2018-09-25 | 2019-01-22 | 内蒙古工业大学 | 一种大型风电机组滚动轴承故障混合诊断方法 |
| CN109840563A (zh) * | 2019-01-29 | 2019-06-04 | 东北大学 | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 |
| CN109840563B (zh) * | 2019-01-29 | 2022-12-13 | 东北大学 | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 |
| CN111523394A (zh) * | 2020-03-27 | 2020-08-11 | 国网宁夏电力有限公司电力科学研究院 | 一种gis设备内部的异物缺陷的检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105160402A (zh) | 一种sf6电气设备故障诊断方法 | |
| Khan et al. | A comprehensive comparative study of DGA based transformer fault diagnosis using fuzzy logic and ANFIS models | |
| Abu-Siada et al. | A new fuzzy logic approach to identify power transformer criticality using dissolved gas-in-oil analysis | |
| Kari et al. | An integrated method of ANFIS and Dempster-Shafer theory for fault diagnosis of power transformer | |
| CN108802525A (zh) | 基于小样本的设备故障智能预测方法 | |
| Abu-Siada et al. | Fuzzy logic approach to identify transformer criticality using dissolved gas analysis | |
| CN104765965A (zh) | 基于模糊Petri的GIS故障诊断与可靠性分析方法 | |
| CN111652479A (zh) | 一种针对电力系统动态安全评估的数据驱动方法 | |
| Gao et al. | Genetic algorithm based back-propagation neural network approach for fault diagnosis in lithium-ion battery system | |
| Taha et al. | A fuzzy diagnostic system for incipient transformer faults based on DGA of the insulating transformer oils | |
| CN111401476A (zh) | 基于边界区域重要性采样与核向量机的暂态安全评估方法 | |
| Azriyenni et al. | Application of ANFIS for Distance Relay Protection in Transmission Line | |
| Gopinath et al. | A PCA‐NPOGBDT strategy‐based protection scheme to differentiate between inverter and distribution line faults plus detection and identification of faulty section in microgrid | |
| CN107632521A (zh) | 一种基于决策树和神经网络的恒电位仪控制策略 | |
| Rocha et al. | A fuzzy type-2 fault detection methodology to minimize false alarm rate in induction motor monitoring applications | |
| CN113782113A (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
| CN110108981A (zh) | 一种有源配电网中线路的故障诊断方法和系统 | |
| Anrig et al. | Probabilistic argumentation systems: Introduction to assumption-based modeling with ABEL | |
| CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
| CN104101794A (zh) | 电力变压器综合控制系统 | |
| CN107274112A (zh) | 改良油中溶解气体的诊断算法模型 | |
| CN111611747B (zh) | 一种用于混合储能系统的在线状态估计方法及装置 | |
| Xiang et al. | The application of genetic BP neural network and DS evidence theory in the complex system fault diagnosis | |
| Singh et al. | A novel methodology for fault detection, classification and location in transmission system based on DWT & ANFIS | |
| CN104102215A (zh) | 变压器及其周边电路故障控制系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151216 |