CN107992880A - 一种电力变压器最优集总分类故障诊断方法 - Google Patents
一种电力变压器最优集总分类故障诊断方法 Download PDFInfo
- Publication number
- CN107992880A CN107992880A CN201711111510.6A CN201711111510A CN107992880A CN 107992880 A CN107992880 A CN 107992880A CN 201711111510 A CN201711111510 A CN 201711111510A CN 107992880 A CN107992880 A CN 107992880A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- classifier
- sample
- optimal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000003745 diagnosis Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000002790 cross-validation Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 230000004069 differentiation Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 description 27
- 238000011156 evaluation Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种电力变压器最优集总分类故障诊断方法，属于变压器状态评估与故障诊断领域。包括如下步骤：首先，进行DGA输入样本归一化以及自适应样本过采样融合；然后，进行最优子集选择并优化最优特征数量，构造Pareto最优空间上的非支配特征向量可行解集；在此基础上，对分类器性能参数进行优化训练，并对Pareto特征非劣子集求解最优特征子集；在对最优特征向量以及最优分类器集合的综合性能进行测试验证之后，对最优分类器集合的输出故障类型概率结果进行信息融合，得到最终对应所述电力变压器故障类型的综合诊断结果，最终提高电力变压器故障的泛化性能、诊断精度及可靠性。
Description
技术领域
本发明属于变压器状态评估与故障诊断领域，具体涉及一种电力变压器最优集总分类故障诊断方法。
背景技术
随着电网的不断发展，电力公司逐渐通过采取智能检修和降低运行成本的方式向客户提供高品质服务。其中，电力变压器作为电力公司最重要的资产类别，其故障风险随着老化加剧而不断增加。电力变压器故障通常会导致严重的电网事故，其故障后更换代价也非常昂贵，交付时间也较为漫长。因此，如何高效地实施电力变压器检修对于电力公司至关重要，迫切地需要新的技术手段，如智能故障诊断算法，来降低运行成本和资产故障率。
目前，大部分电力公司依靠经验技术来收集分析电力变压器运行数据，并依托传统方法根据变压器运行状态进行决策诊断，但当有效经验技术不足时诊断过程将难以进行。此外，传统方法有时无法得到可靠的决策诊断结果。
对于电力变压器而言，溶解气体分析(DGA)是目前应用最广泛、最重要的状态检测技术。多种基于DGA技术的传统故障诊断方法和标准规程被用于电力变压器数据分析过程，如基于遗传算法(GA)、粒子群优化算法(PSO)对核参数进行寻优的单层/多层支持向量机分层支持向量机，在中短时间尺度范围提供了有效的故障率诊断评估信息来增强电力变压器的可靠性；基于时变加速系数混合差分进化粒子群优化、多分层感知技术的人工神经网络(MEPSO-TVAC-ANN)，通过改进粒子群优化算法并采用有效的交叉验证方法来实现更好的全局搜索性能；以及在此基础上，融合模糊逻辑规则、人工智能算法与专家系统的混合故障诊断方法，通过专家系统实现特征提取，并采用层次分析对正常/异常状态与异常状态分类进行分层聚焦处理。尽管上述智能算法能够在一定程度上实现有效的故障诊断和状态评估，但其主要基于单一分类学习算法，并且诊断评估结果的有效性和不确定性问题仍然非常突出，其结果可靠性与电力变压器类型以及环境、技术条件等密切相关。
因此，尽管可以通过有效的算法训练实现上述单目标框架下的电力变压器的故障诊断，但上述方法仍然存在以下问题：(1)如何实现诊断算法泛化以避免类别非均衡数据集过拟合问题；(2)如何在框架实现过程中选择精度最高的分类算法。
上述问题的解决对于改善既有传统电力变压器故障诊断不确定性和可靠性，提高电力变压器故障诊断智能化具有至关重要的意义。
发明内容
针对现有技术中存在的上述技术问题，本发明提出了一种电力变压器最优集总分类故障诊断方法，设计合理，克服了现有技术的不足，具有良好的效果。
为了实现上述目的，本发明采用如下技术方案：
一种电力变压器最优集总分类故障诊断方法，具体包括以下步骤：
步骤1：进行DGA样本数据进行归一化以及自适应样本过采样融合处理、对测试集合与非测试集合进行划分，以及对非测试集合中训练集合和验证集合进行划分；
步骤2：对每种电力变压器的正常/故障类型，以最小化故障分类误差和最小特征数量为目标，基于特征指标进行最优子集选择并对最优特征指标数量进行优化，构造Pareto最优空间上的非支配特征向量可行解集；
步骤3：对每种电力变压器的正常/故障类型，构造通过单一分类算法筛选得到的分类器集合，基于非支配特征向量可行解集，对每一可行解以误分类率最小和算法分类差异性最大为目标，结合训练集合对分类器集合中的分类器性能参数进行优化训练，并基于参数优化后的分类器集合对Pareto最优空间上的非支配特征向量可行解集的最优特征子集进行求解；
步骤4：通过验证集合得到非支配特征向量可行解集对应的分类器集合的性能验证，结合此性能验证，搜索综合性能最优的分类器集合可行解，将其作为最优分类器集合向量，并结合测试集合对最优特征向量以及最优分类器集合的综合性能进行测试验证；
步骤5：对每种电力变压器的正常/故障类型对应的优化训练并测试验证后的最优分类器集合的输出故障类型概率结果进行信息融合，得到对应电力变压器正常/故障类型的综合分类结果，将其作为最终决策结果。
优选地，特征指标为变压器油中溶解气体成分及其比率。
优选地，在步骤1中，自适应样本过采样融合过程，具体包括以下步骤：
步骤1.1：按照电力变压器故障类型将DGA总体数据集Dtotal划分为四个数据子集，分别为DN、DPD、DED和DOH，将待均衡两类数据子集分别标识为少数样本集D+1和多数样本集D—1，其样本数量分别为N+1和N—1，索引集合分别为I+1和I—1；
步骤1.2：根据公式(1)计算待融合少数样本集的样本数Δ，即
Δ＝(N-1-N+1)×β (1)；
其中，β为N+1和N—1之间的平衡度(β∈[0,1])；
步骤1.3：对于每个少数数据集样本xi，i∈I+1，根据公式(2)计算其相对k的邻近比率ri，
其中，为样本xi在少数样本集D+1中基于欧氏距离计算的与k最邻近的样本个数，为样本xi在多数样本集D—1中基于欧氏距离计算与k最邻近的样本个数；
步骤1.4：对邻近比率ri进行归一化处理，根据公式(3)计算其密度分布：
步骤1.5：构造基于高斯分布的加权过采样概率密度估计函数，如公式(4)所示：
概率密度估计函数服从均值为xi，标准差为h的高斯分布；
步骤1.6：从概率密度估计函数中采样待融合少数样本集的样本数Δ，构造融合少数数据集Dnew +1＝D+1∪DΔ。
优选地，在步骤2中，基于特征指标进行最优子集选择并对最优特征指标数量进行优化过程，具体包括以下步骤：
步骤2.1：构造多目标特征子集选择优化模型，如公式(5)所示：
其中，ωt为训练集合适应度权重系数，与N折交叉验证过程保持一致，Nf为选定的特征子集包含的特征数；Ft和Fv分别为非测试集合中训练集合与验证集合的适应度函数，如公式(6)所示：
其中，k为交叉验证折叠数，n为样本集i中的总样本数，为样本集i中第m个样本的第j次交叉验证估计值输出，yi,j,m为样本集i中第m个样本的第j次交叉验证正确值输出。
优选地，若N＝5，则ωt＝0.8。
优选地，在步骤3中，结合训练集合对分类器集合中的分类器性能参数进行优化训练，具体包括以下步骤：
步骤3.1：构造多目标分类器集合的选择优化模型，如公式(7)所示：
其中，Fdiv为差异化性能函数，表征所用算法集合的综合差异化程度；k为交叉验证折叠数，n为训练样本集合样本数；为训练样本集在第i次交叉验证第j个训练样本的估计值输出，yt,i,j为训练样本集在第i次交叉验证第j个训练样本的正确值输出；L为分类器集合选择的最优分类器数；Qij为分类器i和分类器j的差异性统计度量，其表达式如公式(8)所示：
其中，tt为分类器i和分类器j正确分类样本交集样本数；ff为分类器i和分类器j错误分类样本交集样本数；tf为分类器i正确分类和分类器j错误分类样本交集样本数；ft为分类器j正确分类和分类器i错误分类样本交集样本数。
本发明所带来的有益技术效果：
本发明所提出的电力变压器最优集总分类故障诊断方法，其采用作为输入信息的DGA数据集合，可以来自不同类型和额定参数的电力变压器，通过自适应样本过采样融合，减少了对于电力变压器类型以及运行条件等的依赖性，同时也避免了类别不均衡样本数据集过拟合问题的出现；并且，通过建立最优特征指标向量以及多分类信息融合的多目标粒子群优化框架，增强了电力变压器故障诊断的泛化性能，提高了诊断精度和可靠性。
附图说明
图1为本发明一种电力变压器最优集总分类故障诊断方法的流程图。
图2为本发明多目标有效信息自适应粒子群优化算法(EIA-MOPSO)的流程图。
图3为本发明总体电力变压器故障诊断的系统原理图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
本发明提供了一种电力变压器最优集总分类故障诊断方法，其流程如图1所示；本发明实施例以油浸式电力变压器为对象。技术方案为：
步骤1：进行DGA输入样本数据归一化以及自适应样本过采样融合，并进行测试集合与非测试集合划分，以及非测试集合中训练集合和验证集合划分；
步骤2：对每种电力变压器正常/故障类型，以最小化故障分类误差和最小特征数量为目标，基于特征指标(变压器油中溶解气体成分及其比率)，进行最优子集选择并优化最优特征指标数量，构造Pareto最优空间上的非支配特征向量可行解集；
步骤3：在步骤2基础上，对每种电力变压器正常/故障类型，构造由单一分类算法筛选得到的分类器集合，基于非支配特征向量可行解集，对每一可行解以误分类率最小和算法分类差异性最大为目标，结合训练集合对所述分类器集合中的所述分类器性能参数进行优化训练，并基于参数优化分类器集合对Pareto特征非劣子集求解最优特征子集；
步骤4：结合验证集合得到非支配特征向量可行解集对应的分类器集合的性能验证，搜索综合性能最优的分类器集合可行解作为最优分类器集合向量，并结合测试集合对所述最优特征向量以及所述最优分类器集合的综合性能进行测试验证；
步骤5：对每种电力变压器正常/故障类型对应的优化训练并测试验证后的分类器集合的输出故障类型概率结果进行信息融合，得到最终对应电力变压器正常/故障类型的综合分类结果，作为计及样本不均衡和多目标集总分类的变压器故障诊断方法的最终诊断结果。
本发明实施例步骤2中，初始油中溶解气体特征指标采用所有油中溶解特征气体及其比值，共计14种特征指标，如表1所示，其中，C(·)为所述特征气体的浓度(uL/L)。
表1电力变压器故障诊断初始特征指标
| 特征指标标识 | 特征指标 | 特征指标标识 | 特征指标 |
| F1 | C(H2) | F8 | C(C2H4)/C(C2H6) |
| F2 | C(CH4) | F9 | C(C2H6)/C(C2H2) |
| F3 | C(C2H4) | F10 | C(C2H2)/C(CH4) |
| F4 | C(C2H6) | F11 | C(CH4)/(C(CH4)+C(C2H4)+C(C2H2)) |
| F5 | C(C2H2) | F12 | C(C2H4)/(C(CH4)+C(C2H4)+C(C2H2)) |
| F6 | C(C2H2)/C(C2H4) | F13 | C(C2H2)/(C(CH4)+C(C2H4)+C(C2H2)) |
| F7 | C(CH4)/C(H2) | F14 | C(H2)+C(CH4)+C(C2H4)+C(C2H6)+C(C2H2) |
根据标准规程及其他诊断技术，电力变压器故障类型可以划分为六类，分别为局部放电(PD)、低能放电(LED)、高能放电(HED)、低温过热(LOH)、中温过热(MOH)和高温过热(HOH)，由于能量放电和过热故障均不易明显区分，因此，上述六类电力变压器故障类型可以集总划分为三类故障，即，局部放电(PD)、电能放电(ED)和过热(OH)。
基于电力变压器故障类型划分，自适应样本过采样融合过程的具体步骤为：
首先，按照电力变压器故障类型将DGA总体数据集Dtotal划分为四个数据子集，分别为DN、DPD、DED和DOH，将待均衡两类数据子集分别标识为D+1(少数样本集)和D—1(多数样本集)，其样本数量分别为N+1和N—1，索引集合分别为I+1和I—1；
然后，根据公式(1)计算待融合少数样本集的样本数Δ，即
Δ＝(N-1-N+1)×β (1)；
其中，β为N+1和N—1之间的平衡度(β∈[0,1])。
对于每个少数数据集样本xi，i∈I+1，根据公式(2)计算其相对k的邻近比率ri，
其中，为样本xi在少数样本集D+1中基于欧氏距离计算的与k最邻近的样本个数，为样本xi在多数样本集D—1中基于欧氏距离计算与k最邻近的样本个数。
在此基础上，对邻近比率ri进行归一化处理，根据公式(3)计算其密度分布：
然后，构造基于高斯分布的加权过采样概率密度估计函数，如公式(4)所示：
概率密度估计函数服从均值为xi，标准差为h的高斯分布。
最后，从概率密度估计函数中采样待融合少数样本集的样本数Δ，构造融合少数数据集Dnew +1＝D+1∪DΔ。
本发明实施例所述步骤1中，测试集合与非测试集合划分，以及非测试集合中训练集合和验证集合划分，均根据N折交叉验证思想实现。以N＝5为例，将经过自适应样本过采样融合的DGA输入数据集中，80％为非测试样本集，20％为测试样本集；非测试样本集中，80％为训练样本集，20％为验证样本集。
本发明实施例所述步骤2中，最优子集选择并优化最优特征指标数量的过程为：构造多目标特征子集选择优化模型，如公式(5)所示：
其中，ωt为训练集合适应度权重系数，与N折交叉验证过程保持一致，Nf为选定的特征子集包含的特征数；Ft和Fv分别为非测试集合中训练集合与验证集合的适应度函数，如公式(6)所示：
其中，k为交叉验证折叠数，n为样本集i中的总样本数，为样本集i中第m个样本的第j次交叉验证估计值输出，yi,j,m为样本集i中第m个样本的第j次交叉验证正确值输出。
本发明实施例所述步骤3中，由单一分类算法筛选得到的分类器可行集合，如表2所示。
表2可行分类器集合
本发明实施例所述步骤3中，在表2所示可行分类器配置基础上，采用训练数据集求解最优分类器集合的多目标分类优化模型，如公式(7)所示：
其中，Fdiv为差异化性能函数，表征所用算法集合的综合差异化程度；k为交叉验证折叠数，n为训练样本集合样本数；为训练样本集在第i次交叉验证第j个训练样本的估计值输出，yt,i,j为训练样本集在第i次交叉验证第j个训练样本的正确值输出；L为分类器集合选择的最优分类器数；Qij为分类器i和分类器j的差异性统计度量，其表达式如公式(8)所示：
其中，tt为分类器i和分类器j正确分类样本交集样本数；ff为分类器i和分类器j错误分类样本交集样本数；tf为分类器i正确分类和分类器j错误分类样本交集样本数；ft为分类器j正确分类和分类器i错误分类样本交集样本数。
本发明实施例所述步骤2和步骤3中，基于Pareto特征非劣子集求解的多目标优化中采用的多目标有效信息自适应粒子群优化算法(EIA-MOPSO)的流程如图2所示：首先，随机初始化多目标优化粒子群中每个多目标优化粒子的搜索速度和位置信息；然后，基于式(5)和式(8)计算每个多目标优化粒子的适应度，用以进一步计算确定多目标优化粒子的搜索自适应惯性权重和加速度系数；然后，综合所有粒子适应度评估计算适应度值最小的多目标优化粒子为最优适应度粒子，结合自适应惯性权重和加速度系数更新多目标优化粒子群的速度和位置信息，直至达到算法停止条件，即达到迭代次数上限或达到最终收敛适应度目标。其中，每经过E次迭代，对搜索结果进行基于伪牛顿法的局部搜索更新，以提高收敛速度；每经过R次迭代，对多目标优化粒子群进行随机重组，以避免粒子陷入局部最优，增强算法的全局搜索性能。
其中，多目标有效信息自适应粒子群优化算法(EIA-MOPSO)的粒子速度和位置更新基于以下权重准则：(1)惯性项：基于最近运动速度矢量；(2)记忆项：基于同一粒子最优粒子位置矢量；(3)全局项：基于粒子群历史最优粒子位置信息。
由此，所述粒子速度和位置更新公式如公式(9)、(10)所示：
xi(k)＝xi(k-1)+vi(k) (10)；
其中，ω为惯性项权重，xpbesti为以适应度最小表征的同一粒子的最优位置；xgbesti为以适应度最小表征的粒子群历史最优位置，r1和r2为[0,1]范围内的均匀分布随机数，c1和c2为控制记忆项和全局项大小的学习因子。
在多目标有效信息自适应粒子群优化算法(EIA-MOPSO)实施例中，由于Pareto最优空间包含多个非劣可行解，其中每个非劣可行解均可作为粒子速度更新的全局项参考，因此，需要对全局项的选取提供可靠的随机生成概率密度函数，一种分段随机生成概率密度函数如公式(11)所示：
其中，对Pareto最优空间划分为K个子空间，nk为第k个子空间包含的非劣可行解数，β为选择压力参数，β越大，全局项的选择分散性越强。由此构造的分段随机概率密度{Pk}也隐含有
其中，ni和nj分别为第i个和第j个子空间包含的非劣可行解数，Pi和Pj分别为第i个和第j个子空间非劣可行解选择的概率密度，这样可以确保所述全局项选择过程的随机性和全局性。
本发明实施例所述步骤5中，对每种电力变压器正常/故障类型对应的优化训练并测试验证后的分类器集合的输出故障类型概率结果进行信息融合，其实施方式可以采用基本的Dempster/Shafer证据理论(D-S证据理论)，也可以采用扩展的基于证据推理的模糊谨慎有序加权平均(FCOWA-ER)信息融合理论。
本发明实施例所述步骤5中，最终对应每种电力变压器正常/故障类型的综合分类结果为二值化分类结果，将所有二值分类结果及其每种电力变压器正常/故障类型得到的最优特征子集和最优分类器子集进行集总，构成可用于总体电力变压器故障诊断的系统，其集总过程原理如图3所示，分别对正常类型、PD故障、ED故障、OH故障四种类型构造二值化分类诊断子系统，所述每个二值化分类子系统分别包含优化的Pareto特征子集和Pareto分类器子集，用于所述各分类诊断子系统的分类过程。其中，所述Pareto特征子集和Pareto分类器子集中包含的特征个数以及分类器个数分别基于DGA数据样本集进行优化训练和验证测试。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (6)
1.一种电力变压器最优集总分类故障诊断方法，其特征在于，具体包括以下步骤：
步骤1：进行DGA样本数据进行归一化以及自适应样本过采样融合处理、对测试集合与非测试集合进行划分，以及对非测试集合中训练集合和验证集合进行划分；
步骤2：对每种电力变压器的正常/故障类型，以最小化故障分类误差和最小特征数量为目标，基于特征指标进行最优子集选择并对最优特征指标数量进行优化，构造Pareto最优空间上的非支配特征向量可行解集；
步骤3：对每种电力变压器的正常/故障类型，构造通过单一分类算法筛选得到的分类器集合，基于非支配特征向量可行解集，对每一可行解以误分类率最小和算法分类差异性最大为目标，结合训练集合对分类器集合中的分类器性能参数进行优化训练，并基于参数优化后的分类器集合对Pareto最优空间上的非支配特征向量可行解集的最优特征子集进行求解；
步骤4：通过验证集合得到非支配特征向量可行解集对应的分类器集合的性能验证，结合此性能验证，搜索综合性能最优的分类器集合可行解，将其作为最优分类器集合向量，并结合测试集合对最优特征向量以及最优分类器集合的综合性能进行测试验证；
步骤5：对每种电力变压器的正常/故障类型对应的优化训练并测试验证后的最优分类器集合的输出故障类型概率结果进行信息融合，得到对应电力变压器正常/故障类型的综合分类结果，将其作为最终决策结果。
2.根据权利要求1所述的电力变压器最优集总分类故障诊断方法，其特征在于，特征指标为变压器油中溶解气体成分及其比率。
3.根据权利要求1所述的电力变压器最优集总分类故障诊断方法，其特征在于，在步骤1中，自适应样本过采样融合过程，具体包括以下步骤：
步骤1.1：按照电力变压器故障类型将DGA总体数据集Dtotal划分为四个数据子集，分别为DN、DPD、DED和DOH，将待均衡两类数据子集分别标识为少数样本集D+1和多数样本集D—1，其样本数量分别为N+1和N—1，索引集合分别为I+1和I—1；
步骤1.2：根据公式(1)计算待融合少数样本集的样本数Δ，即
Δ＝(N-1-N+1)×β (1)；
其中，β为N+1和N—1之间的平衡度(β∈[0,1])；
步骤1.3：对于每个少数数据集样本xi，i∈I+1，根据公式(2)计算其相对k的邻近比率ri，
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>k</mi>
<mi>i</mi>
<mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<msubsup>
<mi>k</mi>
<mi>i</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，ki +1为样本xi在少数样本集D+1中基于欧氏距离计算的与k最邻近的样本个数，ki -1为样本xi在多数样本集D—1中基于欧氏距离计算与k最邻近的样本个数；
步骤1.4：对邻近比率ri进行归一化处理，根据公式(3)计算其密度分布：
<mrow>
<msub>
<mover>
<mi>r</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msub>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤1.5：构造基于高斯分布的加权过采样概率密度估计函数，如公式(4)所示：
<mrow>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>+</mo>
<mi>h</mi>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>I</mi>
<mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</munder>
<msub>
<mover>
<mi>r</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mfrac>
<mn>1</mn>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mi>h</mi>
<mo>)</mo>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>h</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
概率密度估计函数服从均值为xi，标准差为h的高斯分布；
步骤1.6：从概率密度估计函数中采样待融合少数样本集的样本数Δ，构造融合少数数据集Dnew +1＝D+1∪DΔ。
4.根据权利要求1所述的电力变压器最优集总分类故障诊断方法，其特征在于，在步骤2中，基于特征指标进行最优子集选择并对最优特征指标数量进行优化过程，具体包括以下步骤：
步骤2.1：构造多目标特征子集选择优化模型，如公式(5)所示：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>t</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>F</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>F</mi>
<mi>v</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<msub>
<mi>N</mi>
<mi>f</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，ωt为训练集合适应度权重系数，与N折交叉验证过程保持一致，Nf为选定的特征子集包含的特征数；Ft和Fv分别为非测试集合中训练集合与验证集合的适应度函数，如公式(6)所示：
<mrow>
<msub>
<mi>F</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mi>t</mi>
<mo>,</mo>
<mi>v</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，k为交叉验证折叠数，n为样本集i中的总样本数，为样本集i中第m个样本的第j次交叉验证估计值输出，yi,j,m为样本集i中第m个样本的第j次交叉验证正确值输出。
5.根据权利要求4所述的电力变压器最优集总分类故障诊断方法，其特征在于，若N＝5，则ωt＝0.8。
6.根据权利要求1所述的电力变压器最优集总分类故障诊断方法，其特征在于，在步骤3中，结合训练集合对分类器集合中的分类器性能参数进行优化训练，具体包括以下步骤：
步骤3.1：构造多目标分类器集合的选择优化模型，如公式(7)所示：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>min</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>k</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>max</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>v</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<mn>2</mn>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msub>
<mi>Q</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>L</mi>
<mo>&GreaterEqual;</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，Fdiv为差异化性能函数，表征所用算法集合的综合差异化程度；k为交叉验证折叠数，n为训练样本集合样本数；为训练样本集在第i次交叉验证第j个训练样本的估计值输出，yt,i,j为训练样本集在第i次交叉验证第j个训练样本的正确值输出；L为分类器集合选择的最优分类器数；Qij为分类器i和分类器j的差异性统计度量，其表达式如公式(8)所示：
<mrow>
<msub>
<mi>Q</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mi>t</mi>
<mo>)</mo>
<mo>(</mo>
<mi>f</mi>
<mi>f</mi>
<mo>)</mo>
<mo>-</mo>
<mo>(</mo>
<mi>t</mi>
<mi>f</mi>
<mo>)</mo>
<mo>(</mo>
<mi>f</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mi>t</mi>
<mo>)</mo>
<mo>(</mo>
<mi>f</mi>
<mi>f</mi>
<mo>)</mo>
<mo>+</mo>
<mo>(</mo>
<mi>t</mi>
<mi>f</mi>
<mo>)</mo>
<mo>(</mo>
<mi>f</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，tt为分类器i和分类器j正确分类样本交集样本数；ff为分类器i和分类器j错误分类样本交集样本数；tf为分类器i正确分类和分类器j错误分类样本交集样本数；ft为分类器j正确分类和分类器i错误分类样本交集样本数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711111510.6A CN107992880A (zh) | 2017-11-13 | 2017-11-13 | 一种电力变压器最优集总分类故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711111510.6A CN107992880A (zh) | 2017-11-13 | 2017-11-13 | 一种电力变压器最优集总分类故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107992880A true CN107992880A (zh) | 2018-05-04 |
Family
ID=62031352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711111510.6A Pending CN107992880A (zh) | 2017-11-13 | 2017-11-13 | 一种电力变压器最优集总分类故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107992880A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002853A (zh) * | 2018-07-18 | 2018-12-14 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
| CN109034646A (zh) * | 2018-08-13 | 2018-12-18 | 东华大学 | 一种双类混合特征选取的电力变压器故障诊断方法及系统 |
| CN110059773A (zh) * | 2019-05-17 | 2019-07-26 | 江苏师范大学 | 一种变压器故障复合诊断方法 |
| CN110263856A (zh) * | 2019-06-20 | 2019-09-20 | 北京实力伟业环保科技有限公司 | 基于物联网的风机故障评价方法、系统及设备 |
| CN111275204A (zh) * | 2020-02-25 | 2020-06-12 | 西安工程大学 | 一种基于混合采样和集成学习的变压器状态识别方法 |
| CN111539478A (zh) * | 2020-04-26 | 2020-08-14 | 成都见田科技有限公司 | 升降机故障智能诊断方法、系统及诊断设备 |
| CN113111574A (zh) * | 2021-03-28 | 2021-07-13 | 西南大学 | 一种基于b-cmopso算法优化的电力变压器故障特征选择方法 |
| CN113470767A (zh) * | 2021-06-16 | 2021-10-01 | 特变电工衡阳变压器有限公司 | 基于硅钢片性能的分类方法、系统、计算机和存储介质 |
| CN114372093A (zh) * | 2021-12-15 | 2022-04-19 | 南昌大学 | 一种变压器dga在线监测数据的处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6757668B1 (en) * | 1999-11-05 | 2004-06-29 | General Electric Company | Information fusion of classifiers in systems with partial redundant information |
| CN102819548A (zh) * | 2012-03-31 | 2012-12-12 | 常熟市支塘镇新盛技术咨询服务有限公司 | 基于聚类的循环集成动态选择方法 |
| CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
| CN106067066A (zh) * | 2016-05-31 | 2016-11-02 | 西安工程大学 | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 |
| CN106093612A (zh) * | 2016-05-26 | 2016-11-09 | 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 |
| CN107103434A (zh) * | 2017-05-25 | 2017-08-29 | 国网上海市电力公司 | 一种人因要素隐患分析诊断方法 |
-
2017
- 2017-11-13 CN CN201711111510.6A patent/CN107992880A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6757668B1 (en) * | 1999-11-05 | 2004-06-29 | General Electric Company | Information fusion of classifiers in systems with partial redundant information |
| CN102819548A (zh) * | 2012-03-31 | 2012-12-12 | 常熟市支塘镇新盛技术咨询服务有限公司 | 基于聚类的循环集成动态选择方法 |
| CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
| CN106093612A (zh) * | 2016-05-26 | 2016-11-09 | 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 |
| CN106067066A (zh) * | 2016-05-31 | 2016-11-02 | 西安工程大学 | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 |
| CN107103434A (zh) * | 2017-05-25 | 2017-08-29 | 国网上海市电力公司 | 一种人因要素隐患分析诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 米爱中，陆瑶: "使用混合差异性度量的分类器选择方法", 《计算机科学与探索》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002853A (zh) * | 2018-07-18 | 2018-12-14 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
| CN109002853B (zh) * | 2018-07-18 | 2021-10-01 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
| CN109034646A (zh) * | 2018-08-13 | 2018-12-18 | 东华大学 | 一种双类混合特征选取的电力变压器故障诊断方法及系统 |
| CN110059773A (zh) * | 2019-05-17 | 2019-07-26 | 江苏师范大学 | 一种变压器故障复合诊断方法 |
| CN113076694A (zh) * | 2019-06-20 | 2021-07-06 | 北京实力伟业环保科技有限公司 | 基于物联网的风机故障评价设备 |
| CN110263856A (zh) * | 2019-06-20 | 2019-09-20 | 北京实力伟业环保科技有限公司 | 基于物联网的风机故障评价方法、系统及设备 |
| CN113076694B (zh) * | 2019-06-20 | 2023-10-20 | 北京实力伟业环保科技有限公司 | 基于物联网的风机故障评价设备 |
| CN111275204A (zh) * | 2020-02-25 | 2020-06-12 | 西安工程大学 | 一种基于混合采样和集成学习的变压器状态识别方法 |
| CN111539478A (zh) * | 2020-04-26 | 2020-08-14 | 成都见田科技有限公司 | 升降机故障智能诊断方法、系统及诊断设备 |
| CN113111574A (zh) * | 2021-03-28 | 2021-07-13 | 西南大学 | 一种基于b-cmopso算法优化的电力变压器故障特征选择方法 |
| CN113470767A (zh) * | 2021-06-16 | 2021-10-01 | 特变电工衡阳变压器有限公司 | 基于硅钢片性能的分类方法、系统、计算机和存储介质 |
| CN113470767B (zh) * | 2021-06-16 | 2022-04-12 | 特变电工衡阳变压器有限公司 | 基于硅钢片性能的分类方法、系统、计算机和存储介质 |
| CN114372093A (zh) * | 2021-12-15 | 2022-04-19 | 南昌大学 | 一种变压器dga在线监测数据的处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107992880A (zh) | 一种电力变压器最优集总分类故障诊断方法 | |
| CN107958292B (zh) | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 | |
| Zhao et al. | Artificial intelligence-based fault detection and diagnosis methods for building energy systems: Advantages, challenges and the future | |
| CN111598150B (zh) | 一种计及运行状态等级的变压器故障诊断方法 | |
| CN107844799B (zh) | 一种集成svm机制的冷水机组故障诊断方法 | |
| CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
| CN102706573A (zh) | 一种设备的故障分类诊断方法 | |
| CN105975797B (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
| CN110059714A (zh) | 基于多分类支持向量机的变压器故障诊断方法 | |
| CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
| CN117493953B (zh) | 一种基于缺陷数据挖掘的避雷器状态评估方法 | |
| Chen et al. | Kernel extreme learning machine based hierarchical machine learning for multi-type and concurrent fault diagnosis | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
| CN114091360B (zh) | 一种多模型融合的电压互感器误差状态评估方法 | |
| CN112085064A (zh) | 基于支持向量机多分类概率输出的变压器故障诊断方法 | |
| Samigulina et al. | Biologically Inspired Unified Artificial Immune System for Industrial Equipment Diagnostic | |
| Jiang et al. | A SVDD and K‐Means Based Early Warning Method for Dual‐Rotor Equipment under Time‐Varying Operating Conditions | |
| Khalyasmaa et al. | Defining membership functions in power equipment state assessment problem | |
| CN109214500A (zh) | 一种基于混合智能算法的变压器故障识别方法 | |
| Jia et al. | A Data-Driven Approach for Battery System Safety Risk Evaluation Based on Real-world Electric Vehicle Operating Data | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
| Rexhepi et al. | Condition assessment of power transformers status based on moisture level using fuzzy logic techniques | |
| Baraldi et al. | A method for estimating the confidence in the identification of nuclear transients by a bagged ensemble of FCM classifiers | |
| CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180504 |