CN107656154B - 基于改进模糊c均值聚类算法的变压器故障诊断方法 - Google Patents
基于改进模糊c均值聚类算法的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN107656154B CN107656154B CN201710842990.7A CN201710842990A CN107656154B CN 107656154 B CN107656154 B CN 107656154B CN 201710842990 A CN201710842990 A CN 201710842990A CN 107656154 B CN107656154 B CN 107656154B
- Authority
- CN
- China
- Prior art keywords
- sample
- classification
- probability
- test sample
- fuzzy
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于改进模糊C均值聚类算法的变压器故障诊断方法,包括,获取变压器油中溶解气体数据和故障类型数据作为样本,将所述样本分为训练样本和测试样本;将所述样本中的变压器油中溶解气体数据进行处理,并确定所述训练样本的类别数目以及各类别对应的初始聚类中心;采用改进模糊C均值聚类算法进一步确定所述训练样本各个类别对应的新聚类中心,计算测试样本属于各类别的概率;根据测试样本属于各类别的概率和各类别中各故障类型所占的比例,计算测试样本对应各故障类型的发生概率,并根据所述发生概率确定所述测试样本的故障类型。本发明能够通过对变压器油中溶解气体和故障类型的历史数据进行聚类分析,快速对变压器进行故障诊断。
Description
技术领域
本发明属于变压器故障诊断技术领域,具体涉及一种基于改进模糊C均值聚类算法的变压器故障诊断方法。
背景技术
电力产业一直以来都是关系国计民生的基础产业。十三五以来,党中央、国务院将电力供应和安全放在事关国家安全战略、事关经济社会发展全局的重要高度。变压器作为电力系统的关键枢纽设备,其运行状态直接关系到整个电力系统的安全与稳定。变压器一旦发生故障会造成巨大的经济损失和安全隐患,甚至会造成严重的社会影响。因此,对变压器进行故障诊断十分必要。油中溶解气体分析技术是目前常用的变压器故障诊断技术之一。传统的油中溶解气体分析技术,如三比值法,故障诊断准确率不高,无法满足工程需求;基于人工智能算法的油中溶解气体分析技术多采用硬分类方法,通过将变压器油中溶解气体含量代入训练好的算法模型,对变压器进行唯一故障类型划分。考虑到变压器故障类型与油中溶解气体含量之间更多的是一种有一定关联和不确定性的模糊关系,可以将模糊聚类算法引入变压器的故障诊断技术中,通过计算变压器对应各故障的发生概率,确定变压器的故障类型。
发明内容
本发明针对现有技术中故障诊断准确率不高,无法满足工程需求的缺点,提供了一种基于改进模糊C均值聚类算法的变压器故障诊断方法。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种基于改进模糊C均值聚类算法的变压器故障诊断方法,步骤包括:
获取变压器油中溶解气体数据和故障类型数据作为样本,将所述样本分为训练样本和测试样本;
将所述样本中的变压器油中溶解气体数据进行处理,并确定所述训练样本的类别数目以及各类别对应的初始聚类中心;
采用改进模糊C均值聚类算法进一步确定所述训练样本各个类别对应的新聚类中心,并计算测试样本属于各类别的概率;
根据测试样本属于各类别的概率和各类别中各故障类型所占的比例,计算测试样本对应各故障类型的发生概率,并根据所述发生概率确定所述测试样本的故障类型。
作为一种可实施方式,变压器油中溶解气体包括H2、CH4、C2H2、C2H4和C2H6;所述故障类型包括正常状态、中温过热、高温过热、局部放电、火花放电和电弧放电。
作为一种可实施方式,所述将所述样本中的变压器油中溶解气体数据进行处理,处理后确定所述训练样本的类别数目以及各个类别对应的初始聚类中心,包括以下步骤:
对所述样本中的变压器油中溶解气体数据进行归一化处理,以下公式:
其中,xij为第i组样本第j类油中溶解气体值,xij *为归一化处理后的数据;
将训练样本设置为集合S=(z1,z2,...,zn),其中,为第i组样本油中溶解气体归一化后的值,在集合S=(z1,z2,...,zn)中任取一个样本,假设取z1,作为集合S的第一类别中心,从集合S中找到距样本z1欧式距离最远的点,记为z2’;
对集合S中其他样本zi,分别计算到所述样本z1和z2’的欧式距离,选择最小值记作dzi;
将max{dzi}记作所有dzi中的最大值,若max{dzi}>m×dz1z2,则取zi为新的聚类中心,dz1z2为样本z1、z2之间的欧式距离;
若找到新的聚类中心z3’,则计算集合S中其他样本zi到点z1、z2’和z3’的欧式距离,选择最小值记作dzi;并比较max{dzi}>m×dz1z2,若成立,则找到新的聚类中心;
重复步骤直至找不出新的聚类中心,确定集合S的类别数目以及各个类别对应的初始聚类中心,并将集合S中的各个样本分别归入距离最近的聚类中心所在的类别。
作为一种可实施方式,所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心,并计算测试样本属于各个类别的概率,具体步骤如下:
将所述训练样本的类别数目以及各个类别对应的初始聚类中心作为改进模糊C均值聚类算法的参数,并确定改进模糊C均值聚类算法的其他参数;
所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心,公式如下:
其中,dij为第j个样本zj到第i个聚类中心vi的欧式距离,c为类别的数目,ωj为样本zj的分布权重,ρij为样本zj对应第i个类别的模糊隶属度,n为各个类别中样本的个数,m=2为模糊指数,J为目标函数,其中,模糊隶属度ρij通过以下公式得到:
其中,dij为第j个样本zj到第i个聚类中心vi的欧式距离,dkj为第j个样本zj到第k个聚类中心vk的欧式距离,c为类别的数目;
通过训练样本的分布权重来更新所有类别的聚类中心,公式如下:
其中,ωj为样本zj的分布权重,ρij为样本zj对应类别i的模糊隶属度,zj表示第j个样本,vi表示新的聚类中心;重复步骤直至新的聚类中心vi对应的目标函数J与前一轮目标函数的差值小于阈值ε,则算法结束并确定c个聚类中心;
通过确定好的c个聚类中心来计算测试样本属于各类别的概率,公式如下:
其中,ρi为测试样本对应类别i的模糊隶属度,即测试样本属于类别i的概率,di为测试样本到第i个聚类中心vi的欧式距离,dk为测试样本到第k个聚类中心vk的欧式距离,c为类别的数目。
作为一种可实施方式,所述计算测试样本对应各故障的发生概率,并根据概率从大到小排序确定测试样本的故障类型,具体步骤如下:
计算测试样本对应各故障的发生概率,公式如下:
其中,ρj为测试样本对应故障j的发生概率,ρi为测试样本属于类别i的概率,为统计得到的训练集样本类别i中第j种故障类型所占比例,nij为类别i中第j种故障类型的样本个数,ni为类别i的样本个数;
将测试样本对应各故障的发生概率进行从大到小排序,最大发生概率对应的故障类型即为测试样本的故障类型。
本发明由于采用了以上技术方案,具有显著的技术效果:
本发明的基于改进模糊C均值聚类算法的变压器故障诊断方法在已有油中溶解气体分析技术的基础上提出了一种新的变压器故障诊断方法,能够通过对变压器油中溶解气体和故障类型的历史数据进行聚类分析,快速对变压器进行故障诊断;
本发明的基于改进模糊C均值聚类算法的变压器故障诊断方法考虑到变压器故障类型与油中溶解气体含量之间更多的是一种有一定关联和不确定性的模糊关系,采用了模糊聚类算法对变压器进行故障诊断,提高了故障诊断的准确性;
本发明的基于改进模糊C均值聚类算法的变压器故障诊断方法在模糊聚类算法的选择上,选择了基于信息熵的模糊C均值聚类算法,利用信息熵标识训练样本分布获得先验知识代入模糊聚类算法中,大大提高了概率计算的准确性,确保了故障诊断的正确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的流程示意图;
图2是图1的具体流程示意图;
图3是本发明中改进模糊C均值聚类算法的流程示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1:
一种基于改进模糊C均值聚类算法的变压器故障诊断方法,如图1所示,该方法的步骤如下:
S1、获取变压器油中溶解气体数据和故障类型数据作为样本,将所述样本分为训练样本和测试样本;
S2、将所述样本中的变压器油中溶解气体数据进行处理,并确定所述训练样本的类别数目以及各类别对应的初始聚类中心;
S3、采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心,并计算测试样本属于各类别的概率;
S4、根据测试样本属于各类别的概率和各类别中各故障类型所占的比例,计算测试样本对应各故障类型的发生概率,并根据所述发生概率确定所述测试样本的故障类型。
图1和以上步骤S1-S4只是给出了简单的流程,参见图2,在图2中是本发明更为详细的流程图,其中包括了采用的算法以及各个步骤之间的承接关系。
更具体地,在步骤S1中,变压器油中溶解气体包括H2、CH4、C2H2、C2H4和C2H6;所述故障类型包括正常状态、中温过热、高温过热、局部放电、火花放电和电弧放电。
在步骤S2中包括了以下步骤:
S21、对所述样本中的变压器油中溶解气体数据进行归一化处理,以下公式:
其中,xij为第i组样本第j类油中溶解气体值,xij *为归一化处理后的数据;
S22、将训练样本设置为集合S=(z1,z2,...,zn),其中为第i组样本油中溶解气体归一化后的值,在集合S=(z1,z2,...,zn)中任取一个样本假设取z1,作为集合S的第一类别中心,从集合S中找到距样本z1欧式距离最远的点,记为z2’;
S23、对集合S中其他样本zi,分别计算到所述样本z1和z2’的欧式距离,令其中较小的那个为dzi;
S24、令max{dzi}为所有dzi中的最大值,若max{dzi}>m×dz1z2,则取zi为新的聚类中心,m通常取dz1z2为样本z1、z2之间的欧式距离;
S25、若找到新的聚类中心z3’,则计算集合S中其他样本zi到点z1、z2’和z3’的欧式距离,令其中较小的那个为dzi;并比较max{dzi}>m×dz1z2,若成立,则找到新的聚类中心;
S26、重复步骤直至找不出新的聚类中心,确定集合S的类别数目以及各个类别对应的初始聚类中心,并将集合S中的各个样本分别归入距离最近的聚类中心所在的类别。
在步骤S3中包括了以下步骤:
S31、将所述训练样本的类别数目以及各个类别对应的初始聚类中心作为改进模糊C均值聚类算法的参数,并确定改进模糊C均值聚类算法的其他参数;
S32、所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心,公式如下
其中,dij为第j个样本zj到第i个聚类中心vi的欧式距离,c为类别的数目,ωj为样本zj的分布权重,ρij为样本zj对应类别i的模糊隶属度,n为各个类别中样本的个数,m=2为模糊指数,J为目标函数;其中,模糊隶属度ρij通过以下公式得到:其中,dij为第j个样本zj到第i个聚类中心vi的欧式距离,dkj为第j个样本zj到第k个聚类中心vk的欧式距离,c为类别的数目;
通过训练样本的分布权重来更新所有类别的聚类中心,公式如下:
其中,ωj为样本zj的分布权重,ρij为样本zj对应类别i的模糊隶属度,zj表示第j个样本,vi表示新的聚类中心;重复步骤直至新的聚类中心vi对应的目标函数J与前一轮目标函数的差值小于阈值ε,则算法结束并确定c个聚类中心;
S34、通过确定好的c个聚类中心来计算测试样本属于各类别的概率,公式如下:
其中,ρi为测试样本对应类别i的模糊隶属度,即测试样本属于类别i的概率,di为测试样本到第i个聚类中心vi的欧式距离,dk为测试样本到第k个聚类中心vk的欧式距离,c为类别的数目。
在步骤S3中,具体的流程图可以参见图3,图3给出了改进模糊C均值聚类算法的流程示意图。
在步骤S4中包括了以下步骤:
S41、计算测试样本对应各故障的发生概率,公式如下:
其中,ρj为测试样本对应故障j的发生概率,ρi为测试样本属于类别i的概率,为统计得到的训练集样本类别i中第j种故障类型所占比例,nij为类别i中第j种故障类型的样本个数,ni为类别i的样本个数;
S42、将测试样本对应各故障的发生概率进行从大到小排序,最大发生概率对应的故障类型即为测试样本的故障类型。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (4)
1.一种基于改进模糊C均值聚类算法的变压器故障诊断方法,其特征在于,步骤包括:
获取变压器油中溶解气体数据和故障类型数据作为样本,将所述样本分为训练样本和测试样本;
将所述样本中的变压器油中溶解气体数据进行处理,并确定所述训练样本的类别数目以及各类别对应的初始聚类中心;
采用改进模糊C均值聚类算法进一步确定所述训练样本各个类别对应的新聚类中心,并计算测试样本属于各类别的概率;
根据测试样本属于各类别的概率和各类别中各故障类型所占的比例,计算测试样本对应各故障类型的发生概率,并根据所述发生概率确定所述测试样本的故障类型;
所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心,并计算测试样本属于各个类别的概率,具体步骤如下:
将所述训练样本的类别数目以及各个类别对应的初始聚类中心作为改进模糊C均值聚类算法的参数,并确定改进模糊C均值聚类算法的其他参数;
所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心,公式如下:
其中,dij为第j个样本zj到第i个聚类中心vi的欧式距离,c为类别的数目,ωj为样本zj的分布权重,ρij为样本zj对应第i个类别的模糊隶属度,n为各个类别中样本的个数,m=2为模糊指数,J为目标函数,其中,模糊隶属度ρij通过以下公式得到:
其中,dij为第j个样本zj到第i个聚类中心vi的欧式距离,dkj为第j个样本zj到第k个聚类中心vk的欧式距离,c为类别的数目;
通过训练样本的分布权重来更新所有类别的聚类中心,公式如下:
其中,ωj为样本zj的分布权重,ρij为样本zj对应类别i的模糊隶属度,zj表示第j个样本,vi表示新的聚类中心;重复步骤直至新的聚类中心vi对应的目标函数J与前一轮目标函数的差值小于阈值ε,则算法结束并确定c个聚类中心;
通过确定好的c个聚类中心来计算测试样本属于各类别的概率,公式如下:
其中,ρi为测试样本对应类别i的模糊隶属度,即测试样本属于类别i的概率,di为测试样本到第i个聚类中心vi的欧式距离,dk为测试样本到第k个聚类中心vk的欧式距离,c为类别的数目。
2.根据权利要求1所述基于改进模糊C均值聚类算法的变压器故障诊断方法,其特征在于,变压器油中溶解气体包括H2、CH4、C2H2、C2H4和C2H6;所述故障类型包括正常状态、中温过热、高温过热、局部放电、火花放电和电弧放电。
3.根据权利要求1所述基于改进模糊C均值聚类算法的变压器故障诊断方法,其特征在于,所述将所述样本中的变压器油中溶解气体数据进行处理,处理后确定所述训练样本的类别数目以及各个类别对应的初始聚类中心,包括以下步骤:
对所述样本中的变压器油中溶解气体数据进行归一化处理,以下公式:
其中,xij为第i组样本第j类油中溶解气体值,xij *为归一化处理后的数据;
将训练样本设置为集合S=(z1,z2,...,zn),其中,为第i组样本油中溶解气体归一化后的值,在集合S=(z1,z2,...,zn)中任取一个样本,假设取z1,作为集合S的第一类别中心,从集合S中找到距样本z1欧式距离最远的点,记为z2’;
对集合S中其他样本zi,分别计算到所述样本z1和z2’的欧式距离,选择最小值记作dzi;
将max{dzi}记作所有dzi中的最大值,若max{dzi}>m×dz1z2,则取zi为新的聚类中心,dz1z2为样本z1、z2之间的欧式距离;
若找到新的聚类中心z3’,则计算集合S中其他样本zi到点z1、z2’和z3’的欧式距离,选择最小值记作dzi;并比较max{dzi}>m×dz1z2,若成立,则找到新的聚类中心;
重复步骤直至找不出新的聚类中心,确定集合S的类别数目以及各个类别对应的初始聚类中心,并将集合S中的各个样本分别归入距离最近的聚类中心所在的类别。
4.根据权利要求1所述基于改进模糊C均值聚类算法的变压器故障诊断方法,其特征在于,所述计算测试样本对应各故障的发生概率,并根据概率从大到小排序确定测试样本的故障类型,具体步骤如下:
计算测试样本对应各故障的发生概率,公式如下:
其中,ρj为测试样本对应故障j的发生概率,ρi为测试样本属于类别i的概率,为统计得到的训练集样本类别i中第j种故障类型所占比例,nij为类别i中第j种故障类型的样本个数,ni为类别i的样本个数;
将测试样本对应各故障的发生概率进行从大到小排序,最大发生概率对应的故障类型即为测试样本的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842990.7A CN107656154B (zh) | 2017-09-18 | 2017-09-18 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710842990.7A CN107656154B (zh) | 2017-09-18 | 2017-09-18 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107656154A CN107656154A (zh) | 2018-02-02 |
CN107656154B true CN107656154B (zh) | 2019-11-26 |
Family
ID=61130473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710842990.7A Active CN107656154B (zh) | 2017-09-18 | 2017-09-18 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107656154B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491503B (zh) * | 2018-03-21 | 2021-03-12 | 广东电网有限责任公司电力科学研究院 | 一种基于数据分析确定变压器的故障类型的方法及系统 |
CN108845074B (zh) * | 2018-04-18 | 2020-11-03 | 国网江西省电力有限公司电力科学研究院 | 油浸式变压器状态评价方法 |
CN108848252A (zh) * | 2018-05-15 | 2018-11-20 | 广东工业大学 | 一种基于手机app应用实现ups数据监控的方法 |
CN109061426B (zh) * | 2018-11-02 | 2021-10-22 | 国网河北省电力有限公司电力科学研究院 | 变压器局部放电故障诊断方法及在线监测装置 |
CN109669086A (zh) * | 2019-01-25 | 2019-04-23 | 武汉大学 | 一种基于隶属度的变压器故障诊断方法 |
CN109816031B (zh) * | 2019-01-30 | 2022-08-05 | 南京邮电大学 | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 |
CN109726770A (zh) * | 2019-02-19 | 2019-05-07 | 金陵科技学院 | 一种模拟电路故障测试诊断方法 |
CN110011618B (zh) * | 2019-04-22 | 2020-06-23 | 河海大学常州校区 | 基于模糊c均值聚类神经网络的光伏阵列故障的诊断装置 |
CN110133410A (zh) * | 2019-05-31 | 2019-08-16 | 国网河北省电力有限公司石家庄供电分公司 | 基于模糊c均值聚类算法的变压器故障诊断方法及系统 |
CN110579709B (zh) * | 2019-08-30 | 2021-04-13 | 西南交通大学 | 一种有轨电车用质子交换膜燃料电池故障诊断方法 |
CN110907155A (zh) * | 2019-12-02 | 2020-03-24 | 吉林松江河水力发电有限责任公司 | 一种水轮机转动轴故障监测方法 |
CN111103517A (zh) * | 2020-01-20 | 2020-05-05 | 云南电网有限责任公司玉溪供电局 | 一种真空度局部放电脉冲群分类识别方法 |
CN111324676A (zh) * | 2020-02-18 | 2020-06-23 | 南京华剑兵科智能装备有限公司 | 基于模糊c均值聚类算法的机械设备润滑油在线监测系统 |
CN111638449B (zh) * | 2020-06-03 | 2022-08-05 | 国网北京市电力公司 | 一种配电自动化开关故障诊断方法、设备及可读存储介质 |
CN111898690B (zh) * | 2020-08-05 | 2022-11-18 | 山东大学 | 一种电力变压器故障分类方法及系统 |
CN112115417B (zh) * | 2020-08-10 | 2024-02-27 | 贵州电网有限责任公司 | 一种基于概率密度聚类的变压器实时故障概率计算方法 |
CN112181003A (zh) * | 2020-08-24 | 2021-01-05 | 中国神华能源股份有限公司国华电力分公司 | 一种机组压力控制的方法和电子设备 |
CN112149569B (zh) * | 2020-09-24 | 2022-06-14 | 福州大学 | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 |
CN112598057B (zh) * | 2020-12-22 | 2022-10-21 | 河北建设投资集团有限责任公司 | 一种基于feknn策略的燃煤电厂锅炉故障诊断方法 |
CN113190728A (zh) * | 2021-04-06 | 2021-07-30 | 国网浙江省电力有限公司湖州供电公司 | 一种基于聚类优化的油浸式变压器故障诊断方法 |
CN113376562B (zh) * | 2021-06-08 | 2022-08-09 | 国网重庆市电力公司营销服务中心 | 基于滚动时窗—fcm聚类的cvt校验方法、设备及介质 |
CN115268350B (zh) * | 2022-09-27 | 2022-12-09 | 江苏永鼎股份有限公司 | 一种稳压变压器的故障预警方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106202922A (zh) * | 2016-07-06 | 2016-12-07 | 吴本刚 | 一种基于聚类算法的变压器故障诊断系统 |
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
CN106897679A (zh) * | 2017-02-13 | 2017-06-27 | 长江水利委员会长江科学院 | 一种基于改进模糊c均值聚类的语义变化检测方法及系统 |
-
2017
- 2017-09-18 CN CN201710842990.7A patent/CN107656154B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107656154A (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107656154B (zh) | 基于改进模糊c均值聚类算法的变压器故障诊断方法 | |
CN106093612B (zh) | 一种电力变压器故障诊断方法 | |
CN107025338B (zh) | 一种基于递归rbf神经网络的污泥膨胀故障辨识方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN107132310B (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN110133410A (zh) | 基于模糊c均值聚类算法的变压器故障诊断方法及系统 | |
CN110889441B (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
CN109273096A (zh) | 一种基于机器学习的药品风险分级评估方法 | |
CN107169145A (zh) | 一种基于聚类算法的用户窃电严重等级检测的方法 | |
CN106770939A (zh) | 一种基于支持向量描述和k近质心近邻的变压器故障诊断方法 | |
CN107506350A (zh) | 一种识别信息的方法和设备 | |
CN110210723B (zh) | 一种基于层次分析法和孤立森林的窃电辨识方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN108961468B (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
CN112200263B (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN107992880A (zh) | 一种电力变压器最优集总分类故障诊断方法 | |
CN107239789A (zh) | 一种基于k‑means的不平衡数据工业故障分类方法 | |
CN108764346A (zh) | 一种基于熵的混合采样集成分类器 | |
CN109283293B (zh) | 基于变异系数与topsis法的电力变压器故障诊断方法 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN109856494A (zh) | 一种基于支持向量机的变压器故障诊断方法 | |
CN108334894A (zh) | 基于无监督机器学习的变压器油温异常识别方法 | |
CN114372693B (zh) | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 | |
CN107909194A (zh) | 系统级测试性设计多目标优化方法 |
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 |