CN106646158B - 基于多分类支持向量机变压器故障诊断提升方法 - Google Patents
基于多分类支持向量机变压器故障诊断提升方法 Download PDFInfo
- Publication number
- CN106646158B CN106646158B CN201611121970.2A CN201611121970A CN106646158B CN 106646158 B CN106646158 B CN 106646158B CN 201611121970 A CN201611121970 A CN 201611121970A CN 106646158 B CN106646158 B CN 106646158B
- Authority
- CN
- China
- Prior art keywords
- classes
- model
- sample
- support vector
- fault diagnosis
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1281—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的基于多分类支持向量机变压器故障诊断提升方法:对所采集的油浸式变压器带有类标签的样本集每一类按3:1比例分为:训练样本和测试样本;对得到的训练样本与测试样本分别进行归一化处理,然后建立基于Bagging集成DAG‑SVM与多级支持向量机变压器故障诊断模型;利用改进二进制布谷鸟算法对得到的所有DAG‑SVM与多级支持向量机模型进行选择;利用获得的模型集合对待测样本同时检测,最后应用多数投票法得到最终结果。本发明基于多分类支持向量机变压器故障诊断提升方法,能提高变压器故障诊断的精度。
Description
技术领域
本发明属于变压器故障在线监测方法技术领域,具体涉及一种基于多分类支持向量机变压器故障诊断提升方法。
背景技术
近年来,电力设备故障诊断一词经常会出现在我们的生活中,其主要原因在于随着经济的快速发展,导致电力系统容量不断的增大,而电力设备在电力系统占有重要的位置。
变压器在电力系统中是不可或缺的,变压器能安全稳定的运行将关系着电网与人民的安全,其故障将会给人们的生活带来极大的不便与恐慌,因此对其进行故障诊断势在必行。变压器故障诊断主要经历了三个时期:定期检修、DGA传统方法及DGA智能算法。尤其是DGA智能算法的问世使变压器故障诊断更上一个台阶。支持向量机是近几年来发展较快的一种智能算法,有着较好的分类性能,因此将其应用于变压器故障诊断是势在必行的。
将DAG-SVM方法与多级SVM方法结合用于对变压器支持向量机进行故障诊断,然后利用改进二进制布谷鸟算法以及bagging算法对其进行选择性集成,能有效提高变压器故障诊断的精度。
发明内容
本发明的目的在于提供一种基于多分类支持向量机变压器故障诊断提升方法,将DAG-SVM方法与多级SVM方法结合用于对变压器支持向量机进行故障诊断,再利用改进二进制布谷鸟算法及bagging算法对其进行选择性集成,能提高变压器故障诊断的精度。
本发明所采用的技术方案是,基于多分类支持向量机变压器故障诊断提升方法,具体按照以下步骤实施:
步骤1、对所采集的油浸式变压器带有类标签的样本集S={(x1,y1),(x2,y2),...,(xn,yn)}每一类按3:1比例分为:训练样本和测试样本;
其中:xi代表样本属性,包括有:氢气、甲烷、乙烷、乙烯、乙炔五种属性;yi代表类别标签1、2、3、4、5、6,分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电;
步骤2、对经步骤1得到的训练样本与测试样本分别进行归一化处理,然后建立基于Bagging集成DAG-SVM与多级支持向量机变压器故障诊断模型;
步骤3、经步骤2后,利用改进二进制布谷鸟算法对得到的所有DAG-SVM与多级支持向量机模型进行选择;
步骤4、利用步骤3获得的模型集合对待测样本同时检测,最后应用多数投票法得到最终结果。
本发明的特点还在于:
步骤2具体按照以下步骤实施:
步骤2.1、设置迭代次数为T;
步骤2.2、经步骤2.1后,先利用随机抽样法从样本集中抽取样本数量为n(要少于样本集)的新的样本集;
然后将新的样本集作为新的DAG-SVM与多级支持向量机模型的训练样本,再经学习之后得到新的变压器故障诊断模型;
步骤2.2重复T次,分别得到T个DAG-SVM与多级支持向量机变压器故障诊断模型。
DAG-SVM模型具体按照以下步骤建立:
步骤a、根据标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类对应的样本分别训练SVM,得到15个决策函数。
步骤b、经步骤a后,利用得到的15个决策函数构建DAG-SVM,将第一个节点作为根节点,接下来是中间节点,最后为叶节点即为所求的故障类型。
多级支持向量机模型,具体按照以下步骤建立:
步骤1)将某一类别样本表示为正类与其他样本表示为负类,训练得出一个决策函数;
步骤2)经步骤1)后,先从负类样本中选取一类表示为正类,其余的依然表示为负类,然后训练得出另一个决策函数,以此类推,将得到6个决策函数,同时也得到多级支持向量机模型。
步骤3具体按照以下步骤实施:
步骤3.1、对经步骤2得到的所有DAG-SVM与多级支持向量机变压器故障诊断模型进行初始化,即进行二进制编码;
其中,1代表选择该模型,0则代表没有选择该模型;
则得到一个诊断模型集合,其余的为另一个模型集合;
同时设置初始种群数量为120,精度为p=0.05;
步骤3.1、对经步骤2得到的所有DAG-SVM与多级支持向量机变压器故障诊断模型进行初始化,即进行二进制编码;
其中,1代表选择该模型,0则代表没有选择该模型;
则得到一个诊断模型集合,其余的为另一个模型集合;
同时设置初始种群数量为120,精度为p=0.05;
步骤3.2、经步骤3.1后,使用测试样本对所选中的诊断模型集合进行测试,最终利用多数投票法取得结果,获取并记录模型信息与准确率信息;
步骤3.3、经步骤3.2后,采用改进二进制布谷鸟算法更新诊断模型集合;
步骤3.4、将误差=1-适应度与精度0.05进行比较:
若误差大于0.05,则再次执行步骤3.3;
否则结束迭代,并得到最终的模型集合。
步骤3.3具体按照以下步骤实施:
步骤3.3.1、判断种群中每个模型的贡献率,即检验模型是否对适应度有影响,若其存在,能使适应度降低或者保持不变则将其丢弃,负责保留;
步骤3.3.2、经步骤3.3.1后,为了使种群规模保持不变,若丢弃了一部分模型后,就要从剩下的模型集合里随机抽取同样数量的模型作为补充得到新的种群;
步骤3.3.3、经步骤3.3.2后,利用新的种群对测试样本进行检测,利用多数投票法取得结果,获取并记录模型信息与准确率信息;
步骤3.3.4、经步骤3.3.3后,保留适应度较强的种群,并记录适应度信息。
本发明的有益效果是:
(1)本发明基于多分类支持向量机变压器故障诊断提升方法,将多分类支持向量机DAG-SVM与多级支持向量机结合,能对变压器和进行较为精确的故障诊断,且这两种多分类支持向量机都有着简单易行,无误分及拒分的突出性优点。
(2)本发明基于多分类支持向量机变压器故障诊断提升方法,其中DAG-SVM与多级支持向量机都有各自的优缺点,将它们进行综合并利用Bagging算法进行效集成,能互相补充,有效提高了故障诊断效率及精度。
(3)本发明基于多分类支持向量机变压器故障诊断提升方法,利用改进二进制布谷鸟算法对弱分类器进行选择,有助于去除无用的弱分类器,能提高算法效率。
附图说明
图1是本发明基于多分类支持向量机变压器故障诊断提升方法中涉及的Bagging提升DAG-SVM与多级支持向量机的结构示意图;
图2是本发明基于多分类支持向量机变压器故障诊断提升方法中涉及的DAG-SVM的结构示意图;
图3是本发明基于多分类支持向量机变压器故障诊断提升方法中涉及的多级支持向量机的结构示意图;
图4是本发明基于多分类支持向量机变压器故障诊断提升方法中涉及的改进二进制布谷鸟算法对所有模型进行选择流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于多分类支持向量机变压器故障诊断提升方法,具体按照以下步骤实施:
步骤1、对所采集的油浸式变压器带有类标签的样本集S={(x1,y1),(x2,y2),...,(xn,yn)}每一类按3:1比例分为:训练样本和测试样本;
其中,xi代表样本属性(包括有:氢气、甲烷、乙烷、乙烯、乙炔五种属性),yi代表类别标签1、2、3、4、5、6,分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电。
步骤2、对经步骤1得到的训练样本与测试样本分别进行归一化处理,然后建立基于Bagging集成DAG-SVM与多级支持向量机变压器故障诊断模型,如图1所示,具体按照以下步骤实施:
步骤2.1、设置迭代次数为T;
步骤2.2、经步骤2.1后,先利用随机抽样法从样本集中抽取样本数量为n(要少于样本集)的新的样本集;
然后将新的样本集作为新的DAG-SVM与多级支持向量机模型的训练样本,再经学习之后得到新的变压器故障诊断模型;
步骤2.2重复T次,分别得到T个DAG-SVM与多级支持向量机变压器故障诊断模型;
如图2所示,DAG-SVM模型具体按照以下步骤建立:
步骤a、根据标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类对应的样本分别训练SVM,得到15个决策函数。
步骤b、经步骤a后,利用得到的15个决策函数构建DAG-SVM,将第一个节点作为根节点,接下来是中间节点,最后为叶节点即为所求的故障类型。
如图3所示,多级支持向量机模型具体按照以下步骤建立:
步骤1)将某一类别样本表示为正类与其他样本表示为负类,训练得出一个决策函数;
步骤2)经步骤1)后,先从负类样本中选取一类表示为正类,其余的依然表示为负类,然后训练得出另一个决策函数,以此类推,将得到6个决策函数,同时也得到多级支持向量机模型。
步骤3、经步骤2后,利用改进二进制布谷鸟算法对得到的所有DAG-SVM与多级支持向量机模型进行选择,如图4所示,具体按照以下步骤实施:
步骤3.1、对经步骤2得到的所有DAG-SVM与多级支持向量机变压器故障诊断模型进行初始化,即进行二进制编码;
其中,1代表选择该模型,0则代表没有选择该模型;
则得到一个诊断模型集合,其余的为另一个模型集合;
同时设置初始种群数量为120,精度(这里指的是诊断错误率)为p=0.05;
步骤3.2、经步骤3.1后,使用测试样本对所选中的诊断模型集合进行测试,最终利用多数投票法取得结果,获取并记录模型信息与准确率信息(适应度);
步骤3.3、经步骤3.2后,采用改进二进制布谷鸟算法更新诊断模型集合,具体按照以下步骤实施:
步骤3.3.1、判断种群中每个模型的贡献率,即检验模型是否对适应度有影响,若其存在,能使适应度降低或者保持不变则将其丢弃,负责保留;
步骤3.3.2、经步骤3.3.1后,为了使种群规模保持不变,若丢弃了一部分模型后,就要从剩下的模型集合里随机抽取同样数量的模型作为补充得到新的种群;
步骤3.3.3、经步骤3.3.2后,利用新的种群对测试样本进行检测,利用多数投票法取得结果,获取并记录模型信息与准确率信息(适应度);
步骤3.3.4、经步骤3.3.3后,保留适应度较强的种群,并记录适应度信息;
步骤3.4、将误差=1-适应度与精度0.05进行比较:
若误差大于0.05,则再次执行步骤3.3;
否则结束迭代,并得到最终的模型集合。
步骤4、利用步骤3获得的模型集合对待测样本同时检测,最后应用多数投票法得到最终结果。
实施例
本发明基于多分类支持向量机变压器故障诊断提升方法中,将已知故障类型的750组数据按3:2比例分为训练集与测试集,规模分别为450与30组数据,分别对应6中故障类型其中正常状态、中低温过热、高温过热、局部放电、火花放电和电弧放电,对6种故障类型进行编号,分别为1、2、3、4、5、6,其中部分测试数据见表1,对应的测试结果见表2.
表1部分测试数据
利用DAG-SVM、多级支持向量机、Bagging优化的DAG-SVM与多级支持向量机组合模型、基于改进二进制的Bagging优化的DAG-SVM与多级支持向量机组合模型对相同数据进行故障诊断得到的准确率分别为83.3%、85%、91.3%,93%。
本发明基于多分类支持向量机变压器故障诊断提升方法,将DAG-SVM方法与多级SVM方法结合用于对变压器支持向量机进行故障诊断,再利用改进二进制布谷鸟算法及bagging算法对其进行选择性集成,能提高变压器故障诊断的精度。
Claims (3)
1.基于多分类支持向量机变压器故障诊断提升方法,其特征在于,具体按照以下步骤实施:
步骤1、对所采集的油浸式变压器带有类标签的样本集S={(x1,y1),(x2,y2),...,(xn,yn)}每一类按3:1比例分为:训练样本和测试样本;
其中:xi代表样本属性,包括有:氢气、甲烷、乙烷、乙烯、乙炔五种属性;yi代表类别标签1、2、3、4、5、6,分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电;
步骤2、对经步骤1得到的训练样本与测试样本分别进行归一化处理,然后建立基于Bagging集成DAG-SVM与多级支持向量机变压器故障诊断模型,具体按照以下步骤实施:
步骤2.1、设置迭代次数为T;
步骤2.2、经步骤2.1后,先利用随机抽样法从样本集中抽取样本数量为n的新的样本集;
然后将新的样本集作为新的DAG-SVM与多级支持向量机模型的训练样本,再经学习之后得到新的变压器故障诊断模型;
步骤2.2重复T次,分别得到T个DAG-SVM与多级支持向量机变压器故障诊断模型;
所述DAG-SVM模型按照以下步骤建立:
步骤a、根据标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类对应的样本分别训练SVM,得到15个决策函数;
步骤b、经步骤a后,利用得到的15个决策函数构建DAG-SVM,将第一个节点作为根节点,接下来是中间节点,最后为叶节点即为所求的故障类型;
所述多级支持向量机模型,具体按照以下步骤建立:
步骤1)将某一类别样本表示为正类与其他样本表示为负类,训练得出一个决策函数;
步骤2)经步骤1)后,先从负类样本中选取一类表示为正类,其余的依然表示为负类,然后训练得出另一个决策函数,以此类推,将得到6个决策函数,同时也得到多级支持向量机模型;
步骤3、经步骤2后,利用改进二进制布谷鸟算法对得到的所有DAG-SVM与多级支持向量机模型进行选择;
步骤4、利用步骤3获得的模型集合对待测样本同时检测,最后应用多数投票法得到最终结果。
2.根据权利要求1所述的基于多分类支持向量机变压器故障诊断提升方法,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1、对经步骤2得到的所有DAG-SVM与多级支持向量机变压器故障诊断模型进行初始化,即进行二进制编码;
其中,1代表选择该模型,0则代表没有选择该模型;
则得到一个诊断模型集合,其余的为另一个模型集合;
同时设置初始种群数量为120,精度为p=0.05;
步骤3.2、经步骤3.1后,使用测试样本对所选中的诊断模型集合进行测试,最终利用多数投票法取得结果,获取并记录模型信息与准确率信息;
步骤3.3、经步骤3.2后,采用改进二进制布谷鸟算法更新诊断模型集合;
步骤3.4、将误差=1-适应度与精度0.05进行比较:
若误差大于0.05,则再次执行步骤3.3;
否则结束迭代,并得到最终的模型集合。
3.根据权利要求2所述的基于多分类支持向量机变压器故障诊断提升方法,其特征在于,所述步骤3.3具体按照以下步骤实施:
步骤3.3.1、判断种群中每个模型的贡献率,即检验模型是否对适应度有影响,若其存在,能使适应度降低或者保持不变则将其丢弃,负责保留;
步骤3.3.2、经步骤3.3.1后,为了使种群规模保持不变,若丢弃了一部分模型后,就要从剩下的模型集合里随机抽取同样数量的模型作为补充得到新的种群;
步骤3.3.3、经步骤3.3.2后,利用新的种群对测试样本进行检测,利用多数投票法取得结果,获取并记录模型信息与准确率信息;
步骤3.3.4、经步骤3.3.3后,保留适应度较强的种群,并记录适应度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611121970.2A CN106646158B (zh) | 2016-12-08 | 2016-12-08 | 基于多分类支持向量机变压器故障诊断提升方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611121970.2A CN106646158B (zh) | 2016-12-08 | 2016-12-08 | 基于多分类支持向量机变压器故障诊断提升方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106646158A CN106646158A (zh) | 2017-05-10 |
CN106646158B true CN106646158B (zh) | 2019-04-19 |
Family
ID=58819432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611121970.2A Active CN106646158B (zh) | 2016-12-08 | 2016-12-08 | 基于多分类支持向量机变压器故障诊断提升方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106646158B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065568B (zh) * | 2017-05-26 | 2020-04-28 | 广州供电局有限公司 | 一种基于粒子群支持向量机的变压器故障诊断方法 |
CN107656152B (zh) * | 2017-09-05 | 2019-11-26 | 西安工程大学 | 一种基于ga-svm-bp变压器故障诊断方法 |
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
CN108051660A (zh) * | 2017-10-31 | 2018-05-18 | 华北电力大学(保定) | 一种变压器故障组合诊断模型建立方法及诊断方法 |
CN108229581A (zh) * | 2018-01-31 | 2018-06-29 | 西安工程大学 | 基于改进多分类AdaBoost的变压器故障诊断方法 |
CN109615421B (zh) * | 2018-11-28 | 2022-12-06 | 安徽大学 | 一种基于多目标进化算法的个性化商品推荐方法 |
CN109782158B (zh) * | 2019-02-19 | 2020-11-06 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
CN110286161A (zh) * | 2019-03-28 | 2019-09-27 | 清华大学 | 基于自适应增强学习的主变压器故障诊断方法 |
CN110162013A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种制冷系统故障诊断方法 |
CN110162014A (zh) * | 2019-05-29 | 2019-08-23 | 上海理工大学 | 一种集成多种智能算法的制冷系统故障诊断方法 |
CN111680720B (zh) * | 2020-05-18 | 2022-03-08 | 中南大学 | 基于改进cs-svr模型的高炉铁水硅含量预测方法 |
CN111814989A (zh) * | 2020-06-02 | 2020-10-23 | 西安工程大学 | 基于蝗虫算法优化孪生支持向量机的变压器故障诊断方法 |
CN113467423A (zh) * | 2021-07-01 | 2021-10-01 | 中山大学 | 一种基于云平台的pemfc故障诊断方法及系统 |
CN117668738B (zh) * | 2024-01-31 | 2024-05-10 | 天津通安变压器有限公司 | 一种大型油浸式变压器的故障检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464964B (zh) * | 2007-12-18 | 2011-04-06 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
CN101587155B (zh) * | 2009-06-08 | 2011-05-18 | 浙江大学 | 一种油浸式变压器的故障诊断方法 |
CN101701940B (zh) * | 2009-10-26 | 2012-05-30 | 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 |
CN102289682B (zh) * | 2011-05-18 | 2013-02-13 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
CN103745119A (zh) * | 2014-01-22 | 2014-04-23 | 浙江大学 | 一种基于故障概率模型的油浸式变压器故障诊断方法 |
CN105353255B (zh) * | 2015-11-27 | 2018-07-31 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
-
2016
- 2016-12-08 CN CN201611121970.2A patent/CN106646158B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106646158A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106646158B (zh) | 基于多分类支持向量机变压器故障诊断提升方法 | |
CN102289682B (zh) | 基于集成学习Bagging算法的变压器故障诊断方法 | |
CN101464964B (zh) | 一种设备故障诊断的支持向量机模式识别方法 | |
CN106777891B (zh) | 一种数据特征选择和预测方法及装置 | |
CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
CN103218662A (zh) | 一种基于bp神经网络的变压器故障诊断方法 | |
CN108875783A (zh) | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 | |
CN108229581A (zh) | 基于改进多分类AdaBoost的变压器故障诊断方法 | |
CN108717149A (zh) | 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法 | |
CN105868171A (zh) | 一种Excel文件的校验方法及装置 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
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 | |
CN106325596B (zh) | 一种书写笔迹自动纠错方法及系统 | |
CN109448795A (zh) | 一种circRNA的识别方法及装置 | |
CN105786898B (zh) | 一种领域本体的构建方法和装置 | |
JP2011165131A (ja) | 情報処理装置および方法、並びにプログラム | |
CN103477321B (zh) | 创建基准图数据 | |
CN111340248A (zh) | 一种基于智能集成算法的变压器故障诊断方法及系统 | |
CN103336771A (zh) | 基于滑动窗口的数据相似检测方法 | |
CN110197222A (zh) | 一种基于多分类支持向量机变压器故障诊断的方法 | |
CN109257383A (zh) | 一种bgp异常检测方法及系统 | |
Wang et al. | Enquire one’s parent and child before decision: Fully exploit hierarchical structure for self-supervised taxonomy expansion | |
CN109711707A (zh) | 一种船舶动力装置综合状态评估方法 | |
CN108562853A (zh) | 基于纠错输出编码支持向量机的电机故障诊断方法和系统 | |
CN106203515A (zh) | 多准则融合应用于高维小样本数据特征选择的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20200110 Address after: 710075 Room 501, block B, Zhengxin building, No.5, Gaoxin 1st Road, Zhangba Street office, hi tech Zone, Xi'an City, Shaanxi Province Patentee after: Xi'an Guanglin Huizhi Energy Technology Co., Ltd Address before: 710048 Shaanxi city of Xi'an Province Jinhua Road No. 19 Patentee before: Xi'an Engineering Univ. |
|
TR01 | Transfer of patent right |