CN107145675A - 基于bp神经网络算法的电力变压器故障诊断装置及方法 - Google Patents
基于bp神经网络算法的电力变压器故障诊断装置及方法 Download PDFInfo
- Publication number
- CN107145675A CN107145675A CN201710345687.6A CN201710345687A CN107145675A CN 107145675 A CN107145675 A CN 107145675A CN 201710345687 A CN201710345687 A CN 201710345687A CN 107145675 A CN107145675 A CN 107145675A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- mrow
- neural network
- layer
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明涉及一种基于BP神经网络算法的电力变压器故障诊断装置及方法,该装置包括变压器故障诊断数据导入模块、故障类型输出模块和数据分析模块;所述数据分析模块中设有粗糙集处理单元、归一化处理单元、BP神经网络处理单元、设备故障数据接口模块和数据输出接口模块;该方法通过粗糙集对BP神经网络的训练集进行预处理,对采集到的信息进行特征提取、形成决策样本表,利用粗糙集进行分析提取规则,去掉冗余属性,对数据进行归一化处理,最后用BP神经网络对归一化处理后的样本数据进行训练学习,诊断出变压器故障的主要因素,将有效保证变压器的正常运行,提高使用寿命,减轻工作人员工作压力,减少企业经济损失。
Description
技术领域
本发明属于电力变压器故障诊断技术领域,尤其是一种基于BP神经网络算法的电力变压器故障诊断装置及方法。
背景技术
电力系统中的电力设备是保证电力系统正常的重要设备,如何快速准确地诊断电力设备对于电力系统的正常运行起着至关重要的作用。在电力行业设备检修维护方面,目前大多数在故障诊断上也采用传统的判断方法,依据专业人员人工进行数据分析,效率很低,并不能有效取证,准确、定量和及时反馈信息,影响故障诊断的有效进行。因此,现在电力企业急需一种行之有效的故障诊断方法来帮助企业高效、精准地进行故障预警。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于BP神经网络算法的电力变压器故障诊断装置及方法,解决现有传统的故障诊断方法根据业务人员人为判别结果,效率低、不准确且不及时的缺陷,更有效解决了现在采用的BP神经网络算法对变压器故障进行故障诊断因未经优化分析效果不够可靠难以满足故障诊断的精度需求的问题。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于BP神经网络算法的电力变压器故障诊断装置,包括变压器故障诊断数据导入模块、故障类型输出模块和数据分析模块;所述数据分析模块中设有粗糙集处理单元、归一化处理单元、BP神经网络处理单元、设备故障数据接口模块和数据输出接口模块;所述粗糙集处理单元用于进行属性简化,去掉冗余信息,提取规则并约简规则,归一化处理单元用于将去除冗余属性的数据进行归一化处理,所述的BP神经网络处理单元对归一化处理后的数据通过神经网络算法调整权重值得到符合期望的输出结果;所述的变压器故障诊断数据导入模块的数据输出端与粗糙集处理单元201的数据输入端通过设备故障数据接口模块相连接,粗糙集处理单元的数据输出端与归一化处理单元的数据输入端相连接,归一化处理单元的数据输出端与BP神经网络处理单元的数据输入端相连接,BP神经网络处理单元的数据输出端与故障类型输出模块的数据输入端通过数据输出接口模块相连接。
所述变压器故障诊断数据导入模块导入的变压器故障数据包括质量状况、天气状况、温度、湿度、空气、电场、电压和负荷。
一种基于BP神经网络算法的电力变压器故障诊断装置的方法,包括以下步骤:
步骤1:通过电力变压器故障诊断数据导入模块调用电力变压器故障数据,并选择造成变压器故障的可能影响因数作为粗糙集处理的基础数据;
步骤2:通过粗糙集将影响电力变压器故障的因数进行分析处理,通过故障数据获取规则,然后通过获取的规则清除冗余属性,确定输入的设备故障影响因数;
步骤3:将设备故障影响因素数据在归一化处理单元进行数据归一化处理;
步骤4:将归一化计算后的数据再经过BP神经网络算法进行处理,即通过输入层、隐含层和输出层三层之间层层映射,由层与层之间的权值矩阵进行调整,输出各层的结果;
步骤5:计算输出结果的误差,选取p个样本,期望输出值为bl′,计算总误差:
当得到误差计算结果在设定的阈值内时,进入步骤7;当得到误差计算结果在设定的阈值外时,则将变压器故障因数数据进行逆向处理,调整隐含层和输出层的权值,再经过输出层、隐含层和输入层进行反向计算,输出各层的结果,进入步骤6;
步骤6:经过调整隐含层和输出层的权值进行正反方向层层传递计算,再次判断误差是否符合设定阈值,如果误差符合设定阈值,则之后进入步骤7,如果误差不符合预先设定的阈值,则进入步骤4;
步骤7:将输出结果经过激活函数计算,记录输出的变压器故障类型编号;
步骤8:根据变压器故障类型编号,确定输出变压器故障类型。
所述步骤2清除冗余属性利用如下属性依赖度计算公式进行:
其中,U为整个数据集,C为条件属性集,D为决策属性数据集,POSC(D)表示为条件属性C对于决策属性D的重要性;所述属性重要性计算公式为:
SGF(a,C,D)=γC(D)-γC-{a}(D)
其中,a为条件属性集C中的一个属性,当SGF(a,C,D)=0时,表明属性a为冗余属性,可以清除。
所述步骤3基础数据归一化处理采用如下计算变换式:
其中,xi是输入的数据,xi′为归一化后的数据,xmin和xmax分别是样本的最小数据和最大数据。
所述步骤7激活函数的表达式为
其中,x表示输出结果。
所述变压器故障类型包括:绕组故障、铁心故障、套管故障、分接开关故障、油故障和端子排故障。
本发明的优点和积极效果是:
1、本发明通过粗糙集对BP神经网络的训练集进行预处理,将粗糙集作为神经网络的前置处理器,对采集到的信息进行特征提取、形成决策样本表,利用粗糙集进行分析提取规则,去掉冗余属性,然后对数据进行归一化处理,最后用BP神经网络对归一化处理后的样本数据进行训练学习,诊断出变压器故障的主要因素,并采取积极措施消除或减少引发故障的可能性,将有效保证变压器的正常运行,提高使用寿命,减轻工作人员工作压力,减少企业经济损失。
2、本发明故障诊断装置通过电力变压器海量数据导入模块、数据分析模块和故障类型输出模块并利用电力企业现有的海量设备故障数据,采用粗糙集优化的BP神经网络算法,实现更大的数据吞吐量,获取更为全面的用户特征数据,满足并发分析处理海量电力变压器故障数据,分析数据效率更高,能更加精准的定位电力变压器故障类型,为电力变压器的维护提供了有效的依据,有助于电力企业采取有效的预防措施,从而降低电力变压器的故障率,保证电力系统安全运行的同时也减少了经济损失。
附图说明
图1为基于BP神经网络算法的电力变压器故障诊断装置原理图;
图2为神经网络算法流程图;
图3为基于BP神经网络算法的电力变压器故障诊断方法流程图;
其中,1-变压器故障诊断数据导入模块,201-粗糙集处理单元,202-归一化处理单元,203-BP神经网络处理单元,3-故障类型输出模块,4-设备故障数据接口模块,5-数据输出接口模块,6-输入层,7-隐含层,8-输出层。
具体实施方式
以下结合附图对本发明做进一步详述:
一种基于BP神经网络算法的电力变压器故障诊断装置,如图1所示,包括变压器故障诊断数据导入模块1、故障类型输出模块3;所述的数据分析模块中设有粗糙集处理单元201、归一化处理单元202、BP神经网络处理单元203、设备故障数据接口模块4和数据输出接口模块5,所述的粗糙集处理单元201用于进行属性简化,去掉冗余信息,提取规则并约简规则,归一化处理单元202用于将去除冗余属性的数据进行归一化处理,所述的BP神经网络处理单元203对归一化处理后的数据通过神经网络算法调整权重值得到符合期望的输出结果;所述的变压器故障诊断数据导入模块1的数据输出端与粗糙集处理单元201的数据输入端通过设备故障数据接口模块4相连接,粗糙集处理单元201的数据输出端与归一化处理单元202的数据输入端相连接,归一化处理单元202的数据输出端与BP神经网络处理单元203的数据输入端相连接,BP神经网络处理单元203的数据输出端与故障类型输出模块3的数据输入端通过数据输出接口模块5相连接。
在使用中,变压器故障诊断数据导入模块1用于提取数据库中的故障可疑因素基础数据作为变压器故障诊断分析的基础输入数据;数据分析模块用于将数据进行分析处理并输出故障类型,根据故障类型可以判断输入的因素是否真正会造成故障;故障类型输出模块3用于将故障类型输出并标记容易造成故障的因素,电力企业可采取有效措施进行重点监控,避免造成经济损失。本发明以供电公司的变压器故障数据作为输入,经过数据整合、数据存储和数据计算三个步骤,进行数据分析,最终输出故障类型。数据分析模块采用粗糙集优化BP神经网络算法分析,满足现有的从多维输入变量中分析得出故障类型的需求。
所述的变压器故障数据包括:质量状况、天气状况、温度、湿度、空气、电场、电压、负荷等。在实际应用过程中,根据实际需求,也可以选取其他更多的基础数据作为故障诊断输入数据,进行分析处理后输出故障类型,并不仅限于选取上述的输入数据。
另外,粗糙集处理单元201对所有的故障数据建立故障决策样本表,筛选出冗余属性进行清除,然后在归一化处理单元202对样本数据进行归一化处理并在BP神经网络处理单元203通过神经网络算法调整权重值得到符合期望的输出结果。
一种基于BP神经网络算法的电力变压器故障诊断方法,如图3所示,包括以下步骤:
步骤1:通过电力变压器故障诊断数据导入模块调用电力变压器故障数据,并选择造成变压器故障的可能影响因数作为粗糙集处理的基础数据,之后进入步骤2;
步骤2:通过粗糙集将影响电力变压器故障的因数进行分析处理,通过故障数据获取规则,之后通过规则清除冗余属性。其部分公式如下:
属性依赖度计算公式:
其中,U为整个数据集,C为条件属性集,D为决策属性数据集,POSC(D)表示为条件属性C对于决策属性D的重要性。
属性重要性计算公式:SGF(a,C,D)=γC(D)-γC-{a}(D)
a为条件属性集C中的一个属性,当SGF(a,C,D)=0时,表明属性a为冗余属性,可以清除。
步骤3:通过步骤2确定输入的设备故障影响因数,将设备故障影响因素数据在归一化处理单元进行数据归一化处理,基础数据归一化处理采用的计算变换式为:
其中,xi是输入的数据,xi′为归一化后的数据,xmin和xmax分别是样本的最小数据和最大数据,之后进入步骤4;
步骤4:将归一化计算后的数据再经过BP神经网络算法进行处理,即通过输入层、隐含层和输出层三层之间层层映射,如图2所示,由层与层之间的权值矩阵进行调整,输出各层的结果,之后进入步骤5;
步骤5:计算输出结果的误差,选取p个样本,期望输出值为bl′,总误差计算公式为:
当得到误差计算结果在设定的阈值内时,之后进入步骤7;当得到误差计算结果在设定的阈值外时,则将变压器故障因数数据进行逆向处理,调整隐含层和输出层的权值,再经过输出层、隐含层和输入层进行反向计算,输出各层的结果,之后进入步骤6;
步骤6:经过调整隐含层和输出层的权值进行正反方向层层传递计算,再次判断误差是否符合设定阈值,如果误差符合设定阈值,则之后进入步骤7,如果误差不符合预先设定的阈值,则进入步骤4;
步骤7:将输出结果经过激活函数进行计算,记录输出的变压器故障类型编号,激活函数表达式为:
x表示输出结果,之后进入步骤8;
步骤8:经步骤7记录的变压器故障类型编号,确定输出变压器故障类型:绕组故障、铁心故障、套管故障、分接开关故障、油故障、端子排故障、其他故障等。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (7)
1.一种基于BP神经网络算法的电力变压器故障诊断装置,其特征在于:包括变压器故障诊断数据导入模块、故障类型输出模块和数据分析模块;所述数据分析模块中设有粗糙集处理单元、归一化处理单元、BP神经网络处理单元、设备故障数据接口模块和数据输出接口模块;所述粗糙集处理单元用于进行属性简化,去掉冗余信息,提取规则并约简规则,归一化处理单元用于将去除冗余属性的数据进行归一化处理,所述的BP神经网络处理单元对归一化处理后的数据通过神经网络算法调整权重值得到符合期望的输出结果;所述的变压器故障诊断数据导入模块的数据输出端与粗糙集处理单元的数据输入端通过设备故障数据接口模块相连接,粗糙集处理单元的数据输出端与归一化处理单元的数据输入端相连接,归一化处理单元的数据输出端与BP神经网络处理单元的数据输入端相连接,BP神经网络处理单元的数据输出端与故障类型输出模块的数据输入端通过数据输出接口模块相连接。
2.根据权利要求1所述的基于BP神经网络算法的电力变压器故障诊断装置,其特征在于:所述变压器故障诊断数据导入模块导入的变压器故障数据包括质量状况、天气状况、温度、湿度、空气、电场、电压和负荷。
3.一种如权利要求1所述的基于BP神经网络算法的电力变压器故障诊断装置的方法,其特征在于包括以下步骤:
步骤1:通过电力变压器故障诊断数据导入模块调用电力变压器故障数据,并选择造成变压器故障的可能影响因数作为粗糙集处理的基础数据;
步骤2:通过粗糙集将影响电力变压器故障的因数进行分析处理,通过故障数据获取规则,然后通过获取的规则清除冗余属性,确定输入的设备故障影响因数;
步骤3:将设备故障影响因素数据在归一化处理单元进行数据归一化处理;
步骤4:将归一化计算后的数据再经过BP神经网络算法进行处理,即通过输入层、隐含层和输出层三层之间层层映射,由层与层之间的权值矩阵进行调整,输出各层的结果;
步骤5:计算输出结果的误差,选取p个样本,期望输出值为bl′,计算总误差:
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>b</mi>
<mi>l</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>l</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
当得到误差计算结果在设定的阈值内时,进入步骤7;当得到误差计算结果在设定的阈值外时,则将变压器故障因数数据进行逆向处理,调整隐含层和输出层的权值,再经过输出层、隐含层和输入层进行反向计算,输出各层的结果,进入步骤6;
步骤6:经过调整隐含层和输出层的权值进行正反方向层层传递计算,再次判断误差是否符合设定阈值,如果误差符合设定阈值,则之后进入步骤7,如果误差不符合预先设定的阈值,则进入步骤4;
步骤7:将输出结果经过激活函数计算,记录输出的变压器故障类型编号;
步骤8:根据变压器故障类型编号,确定输出变压器故障类型。
4.根据权利要求3所述的基于BP神经网络算法的电力变压器故障诊断装置的方法,其特征在于:所述步骤2清除冗余属性利用如下属性依赖度计算公式进行:
其中,U为整个数据集,C为条件属性集,D为决策属性数据集,POSC(D)表示为条件属性C对于决策属性D的重要性;所述属性重要性计算公式为:
SGF(a,C,D)=γC(D)-γC-{a}(D)
其中,a为条件属性集C中的一个属性,当SGF(a,C,D)=0时,表明属性a为冗余属性,可以清除。
5.根据权利要求3所述的基于BP神经网络算法的电力变压器故障诊断装置的方法,其特征在于:所述步骤3基础数据归一化处理采用如下计算变换式:
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中,xi是输入的数据,x′i为归一化后的数据,xmin和xmax分别是样本的最小数据和最大数据。
6.根据权利要求3所述的基于BP神经网络算法的电力变压器故障诊断装置的方法,其特征在于:所述步骤7激活函数的表达式为
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,x表示输出结果。
7.根据权利要求3所述的基于BP神经网络算法的电力变压器故障诊断装置的方法,其特征在于:所述变压器故障类型包括:绕组故障、铁心故障、套管故障、分接开关故障、油故障和端子排故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710345687.6A CN107145675A (zh) | 2017-05-17 | 2017-05-17 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710345687.6A CN107145675A (zh) | 2017-05-17 | 2017-05-17 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107145675A true CN107145675A (zh) | 2017-09-08 |
Family
ID=59777059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710345687.6A Pending CN107145675A (zh) | 2017-05-17 | 2017-05-17 | 基于bp神经网络算法的电力变压器故障诊断装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107145675A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730117A (zh) * | 2017-10-17 | 2018-02-23 | 中国电力科学研究院 | 一种基于异质数据综合分析的电缆检修预警方法及系统 |
CN108593053A (zh) * | 2018-03-15 | 2018-09-28 | 上海新奥新能源技术有限公司 | 流量计量单元中仪表的故障诊断方法及装置 |
CN109634743A (zh) * | 2018-11-27 | 2019-04-16 | 佛山科学技术学院 | 一种基于大数据的智能制造故障诊断方法及装置 |
CN110161382A (zh) * | 2019-04-30 | 2019-08-23 | 国网江苏省电力有限公司电力科学研究院 | 一种判断变压器是否需要停电试验的方法和装置 |
CN110472671A (zh) * | 2019-07-24 | 2019-11-19 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
CN111026095A (zh) * | 2019-12-30 | 2020-04-17 | 太原科技大学 | 一种基于循环神经网络的带有噪声标签的故障诊断方法 |
CN111208802A (zh) * | 2020-01-16 | 2020-05-29 | 中广核核电运营有限公司 | 控制系统前端冗余智能诊断方法和系统及存储器和控制器 |
CN111539516A (zh) * | 2020-04-22 | 2020-08-14 | 谭雄向 | 基于大数据处理的电网故障诊断系统及方法 |
CN112737813A (zh) * | 2020-12-11 | 2021-04-30 | 广东电力通信科技有限公司 | 一种基于5g网络切片的电力业务管理方法及系统 |
CN115598563A (zh) * | 2022-09-27 | 2023-01-13 | 湖南科技大学(Cn) | 一种基于粗糙神经网络的配电网单相接地故障诊断方法 |
CN115596654A (zh) * | 2022-09-21 | 2023-01-13 | 西安交通大学(Cn) | 基于状态参数学习的往复式压缩机故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761569A (zh) * | 2013-12-20 | 2014-04-30 | 上海电机学院 | 一种风力发电机故障诊断方法及装置 |
CN105675802A (zh) * | 2014-11-19 | 2016-06-15 | 国网河南省电力公司南阳供电公司 | 一种变压器故障的诊断方法 |
-
2017
- 2017-05-17 CN CN201710345687.6A patent/CN107145675A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761569A (zh) * | 2013-12-20 | 2014-04-30 | 上海电机学院 | 一种风力发电机故障诊断方法及装置 |
CN105675802A (zh) * | 2014-11-19 | 2016-06-15 | 国网河南省电力公司南阳供电公司 | 一种变压器故障的诊断方法 |
Non-Patent Citations (3)
Title |
---|
杨志超等: "基于粗糙集和RBF神经网络的变压器故障诊断方法研究", 《电测与仪表》 * |
胡导福等: "基于BP神经网络的变压器故障诊断及其应用", 《电力科学与技术学报》 * |
赵青: "于神经网络的变压器故障诊断系统的设计与实现", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730117B (zh) * | 2017-10-17 | 2021-12-21 | 中国电力科学研究院 | 一种基于异质数据综合分析的电缆检修预警方法及系统 |
CN107730117A (zh) * | 2017-10-17 | 2018-02-23 | 中国电力科学研究院 | 一种基于异质数据综合分析的电缆检修预警方法及系统 |
CN108593053A (zh) * | 2018-03-15 | 2018-09-28 | 上海新奥新能源技术有限公司 | 流量计量单元中仪表的故障诊断方法及装置 |
CN109634743A (zh) * | 2018-11-27 | 2019-04-16 | 佛山科学技术学院 | 一种基于大数据的智能制造故障诊断方法及装置 |
CN110161382A (zh) * | 2019-04-30 | 2019-08-23 | 国网江苏省电力有限公司电力科学研究院 | 一种判断变压器是否需要停电试验的方法和装置 |
CN110161382B (zh) * | 2019-04-30 | 2022-06-10 | 国网江苏省电力有限公司电力科学研究院 | 一种判断变压器是否需要停电试验的方法和装置 |
CN110472671A (zh) * | 2019-07-24 | 2019-11-19 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
CN110472671B (zh) * | 2019-07-24 | 2023-05-12 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
CN111026095A (zh) * | 2019-12-30 | 2020-04-17 | 太原科技大学 | 一种基于循环神经网络的带有噪声标签的故障诊断方法 |
CN111208802A (zh) * | 2020-01-16 | 2020-05-29 | 中广核核电运营有限公司 | 控制系统前端冗余智能诊断方法和系统及存储器和控制器 |
CN111539516A (zh) * | 2020-04-22 | 2020-08-14 | 谭雄向 | 基于大数据处理的电网故障诊断系统及方法 |
CN112737813A (zh) * | 2020-12-11 | 2021-04-30 | 广东电力通信科技有限公司 | 一种基于5g网络切片的电力业务管理方法及系统 |
CN115596654A (zh) * | 2022-09-21 | 2023-01-13 | 西安交通大学(Cn) | 基于状态参数学习的往复式压缩机故障诊断方法及系统 |
CN115596654B (zh) * | 2022-09-21 | 2023-12-22 | 西安交通大学 | 基于状态参数学习的往复式压缩机故障诊断方法及系统 |
CN115598563A (zh) * | 2022-09-27 | 2023-01-13 | 湖南科技大学(Cn) | 一种基于粗糙神经网络的配电网单相接地故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145675A (zh) | 基于bp神经网络算法的电力变压器故障诊断装置及方法 | |
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN103793853B (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN105035902B (zh) | 一种电梯安全状况评估方法 | |
WO2022156330A1 (zh) | 一种旋转设备故障诊断方法 | |
CN103544389A (zh) | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 | |
CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN101251564A (zh) | 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 | |
CN107766879A (zh) | 基于特征信息抽取的mlp电网故障原因诊断方法 | |
CN106934125A (zh) | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 | |
CN106338406A (zh) | 列车牵引电传动系统的在线监测与故障预警系统及方法 | |
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN108051709A (zh) | 基于人工智能技术的变压器状态在线评估分析方法 | |
CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN112561352B (zh) | 一种轨道交通信号系统健康评估方法及评估装置 | |
CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
CN113222036B (zh) | 一种高压电缆接地系统的缺陷自动识别方法及装置 | |
CN103793859A (zh) | 一种风电场运行监控及事件综合评价方法 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
CN106227185A (zh) | 一种电梯风险评估系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170908 |
|
RJ01 | Rejection of invention patent application after publication |