CN108829755A - 基于迭代最近点的变压器故障案例匹配搜索方法 - Google Patents
基于迭代最近点的变压器故障案例匹配搜索方法 Download PDFInfo
- Publication number
- CN108829755A CN108829755A CN201810516613.9A CN201810516613A CN108829755A CN 108829755 A CN108829755 A CN 108829755A CN 201810516613 A CN201810516613 A CN 201810516613A CN 108829755 A CN108829755 A CN 108829755A
- Authority
- CN
- China
- Prior art keywords
- state data
- transformer
- data sequence
- tested
- transformer state
- 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.)
- Granted
Links
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于迭代最近点的变压器故障案例匹配搜索方法,其包括步骤:(1)采集待测试变压器状态数据序列,基于待测试变压器状态数据序列在案例库中寻找出所有与待测试变压器状态数据序列对应的目标变压器状态数据序列;(2)使待测试变压器状态数据序列的长度与目标变压器状态数据序列的长度一致;(3)提取待测试变压器状态数据序列的特征参量以及目标变压器状态数据序列的特征参量,并进行标准归一化处理;(4)通过旋转平移的方式进行匹配,基于迭代最近点匹配搜索,确定二者之间的距离;(5)基于该距离,进行匹配程度的排序;(6)基于排序结果,辅助判断待测试变压器状态数据序列所表征的故障。
Description
技术领域
本发明涉及一种搜索方法,尤其涉及一种用于变压器故障的搜索方法。
背景技术
近年来,变压器设备的监测技术大量推广应用,因而,采集了海量的状态监测数据。大量监测案例表明,变压器设备缺陷中家族性缺陷的占比很高,其监测数据具有一定的相似性,因此,对变压器状态监测数据与历史案例库数据进行智能匹配,是大数据背景下对变压器状态数据进行深度挖掘的一种有效尝试。
然而目前,现有技术中对于将变压器状态监测数据的匹配并不十分便捷有效,通常需要通过搜索大量大数据样本案例库给出的若干案例,并结合其他方面例如电压等级、厂家信息或是设备类型进行辅助判断,才能得到较好的匹配结果。
基于此,期望获得一种变压器故障案例匹配搜索方法,通过该变压器故障案例匹配搜索方法能够找到相似匹配度程度高的案例,从而评估变压器目前所处运行状态,推演可能发生的故障,为变压器的状态评估、故障诊断提供辅助信息。
发明内容
本发明的目的在于提供一种基于迭代最近点的变压器故障案例匹配搜索方法,通过该变压器故障案例匹配搜索方法能够快速有效地找相似匹配程度高的案例,从而判断变压器所处的状态,了解可能发生的故障,进而及时对变压器的状态进行评估,为故障诊断提供辅助信息。
基于上述目的,本发明提出了一种基于迭代最近点的变压器故障案例匹配搜索方法,其包括步骤:
(1)采集待测试变压器状态数据序列,基于待测试变压器状态数据序列在案例库中寻找出所有与待测试变压器状态数据序列对应的目标变压器状态数据序列;
(2)使待测试变压器状态数据序列的长度与目标变压器状态数据序列的长度一致;
(3)设待测试变压器状态数据序列为X={X1,...,XN},设每一个目标变压器状态数据序列均为Α={Α1,...,ΑN},提取X的特征参量Xn和A的特征参量An,并进行标准归一化处理;
(4)通过旋转平移的方式将X匹配到A上,基于迭代最近点匹配搜索,确定匹配后的待测试变压器状态数据序列X与每一个目标变压器状态数据序列A之间的距离;
(5)基于匹配后的待测试变压器状态数据序列X与每一个目标变压器状态数据序列A之间的距离,将待测试变压器状态数据序列X与所有目标变压器状态数据序列A的匹配程度进行排序;
(6)基于排序结果,辅助判断待测试变压器状态数据序列X所表征的故障。
在本发明所述的技术方案中,基于采集到的待测试变压器状态数据序列,从案例库中寻找与待测试变压器状态数据序列对应的目标变压器状态数据序列,通过迭代最近点(Iterative ClosestPoints,简称ICP)方法挖掘搜索相关的目标变压器状态数据序列,并根据匹配程度进行排序,评估变压器所处运行状态,推演可能发生的故障,为变压器状态评估、故障诊断提供辅助信息。
需要指出的是,在本案中,N表示待测试变压器状态数据序列中的元素个数,而n表示第n个待测试变压器状态数据序列中的元素,因而,对于Xn而言,Xn表示第n个待测试变压器状态数据序列中的元素所提出的特征参量。
进一步地,在本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法中,步骤(4)进一步包括:
(4a)设Xn和An之间的距离Μ(Αn,Xn)为:
式中,an表示Αn的中点,ln表示Αn和Xn的长度,表示Αn的单位方向矢量,则Αn被表示为Αn=(an,bn,ln),则Αn的端点为xn表示Xn的中点,表示Xn的单位方向矢量,则Xn被表示为
则待测试变压器状态数据序列X与每一个目标变压器状态数据序列A之间的距离为:
(4b)通过先旋转再平移的方式将X匹配到Α上,其中旋转矩阵为R,平移向量t=(t1,t2,t3)T,对X进行如下变换:
其中,t1表示Xn的中点的偏移量,t2表示Xn单位方向的偏移量,t3表示Xn长度的偏移量;T表示矩阵的转置;
则匹配后A和X的距离为:
(4c)将Μ'(Α,X)与设定的最小距离阈值进行比较:若Μ'(Α,X)小于最小距离阈值或迭代次数达到设定的最大迭代次数,则结束基于迭代最近点匹配搜索,获得基于最优的旋转矩阵R和平移向量t而得到的Μ'(Α,X);若Μ'(Α,X)并非小于最小距离阈值或迭代次数没有达到设定的最大迭代次数,则调整旋转矩阵R和平移向量t后,返回步骤(4b)以再次进行迭代。
进一步地,在本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法中,所述待测试变压器状态数据序列选自下述各项中的至少其中之一:变压器油中气体含量参数序列,局部放电图谱参数序列和综合分析参数序列。
更进一步地,在本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法中,变压器油中气体含量参数序列包括下述各项的至少其中一项:H2、CO、CO2、CH4、C2H4、C2H2、C2H6、H2O的各气体产气率,C2H2/C2H4气体比值,CH4/H2气体比值,C2H4/C2H6气体比值,CO2/CO气体比值。
更进一步地,在本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法中,所述局部放电图谱参数序列包括脉冲时域参数和/或相位分布参数。
进一步地,在本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法,所述脉冲时域参数包括:上升时间、下降时间、脉冲宽度和脉冲幅值。
进一步地,在本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法中,所述相位分布参数包括:偏斜度、突出度、局部峰值个数、不对称度、互相关因子和相位。
进一步地,在本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法中,所述综合分析参数序列包括:例行实验和诊断测试数据、负荷数据和气象数据。
进一步地,在本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法中,所述负荷数据包括下述各项中的至少一项:电流、有功功率和无功功率;所述气象数据包括下述各项中的至少一项:温度、湿度、日照和风速。
进一步地,在本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法中,在步骤(2)中,采用插值或抽样的方式使待测试变压器状态数据序列的长度与目标变压器状态数据序列的长度一致。
本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法具有如下所述的有益效果:
通过该变压器故障案例匹配搜索方法能够快速有效地找相似匹配程度高的案例,从而判断变压器所处的状态,了解可能发生的故障,进而及时对变压器的状态进行评估,为故障诊断提供辅助信息。
附图说明
图1为本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法在一种实施方式下的示意图。
图2为本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法在一种实施方式下的流程示意图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法做进一步的解释和说明,然而该解释和说明并不对本发明的技术方案构成不当限定。
在本实施方式中,整理需要匹配的状态序列建立案例库,案例库数据信息包括:变压器油中气体含量参数序列包括H2、CO、CO2、CH4、C2H4、C2H2、C2H6、H2O的各气体产气率、C2H2/C2H4气体比值,CH4/H2气体比值,C2H4/C2H6气体比值,CO2/CO气体比值,局部放电图谱参数序列包括脉冲时域参数(例如:上升时间、下降时间、脉冲宽度以及脉冲幅值)和相位分布参数(例如:偏斜度、突出度、局部峰值个数、不对称度、互相关因子以及相位),还有综合分析参数序列包括:例行实验和诊断测试数据、负荷数据(例如:电流、有功、无功)、气象数据(例如:温度、湿度、日照、风速、降雨、降雪)、电压等级以及生产厂家信息。
随后将采集到的待测试变压器状态数据序列根据基于迭代最近点的变压器故障案例匹配搜索方法进行搜索,找到与该待测变压器状态数据匹配程度最接近的目标变压器状态数据序列,从而判断待测试变压器状态数据序列所表征的故障,进而了解变压器目前的运行状态。关于本案的搜索方法的实施与具体流程操作步骤可以参考图1和图2,图1为本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法在一种实施方式下的示意图,图2为本发明所述的基于迭代最近点的变压器故障案例匹配搜索方法在一种实施方式下的流程示意图。该变压器故障案例匹配搜索方法包括步骤,如下所述:
(1)采集待测试变压器状态数据序列,基于待测试变压器状态数据序列在案例库中寻找出所有与待测试变压器状态数据序列对应的目标变压器状态数据序列;
(2)使待测试变压器状态数据序列的长度与目标变压器状态数据序列的长度一致;
(3)设待测试变压器状态数据序列为X={X1,...,XN},设每一个目标变压器状态数据序列均为Α={Α1,...,ΑN},提取X的特征参量Xn和A的特征参量An,并进行标准归一化处理;
(4)通过旋转平移的方式将X匹配到A上,基于迭代最近点匹配搜索,确定匹配后的待测试变压器状态数据序列X与每一个目标变压器状态数据序列A之间的距离;
(5)基于匹配后的待测试变压器状态数据序列X与每一个目标变压器状态数据序列A之间的距离,将待测试变压器状态数据序列X与所有目标变压器状态数据序列A的匹配程度进行排序;
(6)基于排序结果,辅助判断待测试变压器状态数据序列X所表征的故障。
其中,在步骤(4)中进一步包括步骤:
(4a)设Xn和An之间的距离Μ(Αn,Xn)为:
式中,an表示Αn的中点,ln表示Αn和Xn的长度,表示Αn的单位方向矢量,则Αn被表示为Αn=(an,bn,ln),则Αn的端点为xn表示Xn的中点,表示Xn的单位方向矢量,则Xn被表示为
则待测试变压器状态数据序列X与每一个目标变压器状态数据序列A之间的距离为:
(4b)通过先旋转再平移的方式将X匹配到Α上,其中旋转矩阵为R,平移向量t=(t1,t2,t3)T,对X进行如下变换:
则匹配后A和X的距离为:
其中,t1表示Xn的中点的偏移量,t2表示Xn单位方向的偏移量,t3表示Xn长度的偏移量;
(4c)将Μ'(Α,X)与设定的最小距离阈值进行比较:若Μ'(Α,X)小于最小距离阈值或迭代次数达到设定的最大迭代次数,则结束基于迭代最近点匹配搜索,获得基于最优的旋转矩阵R和平移向量t而得到的Μ'(Α,X);若Μ'(Α,X)并非小于最小距离阈值或迭代次数没有达到设定的最大迭代次数,则调整旋转矩阵R和平移向量t后,返回步骤(4b)以再次进行迭代。
此外,在步骤(2)中,采用插值或抽样的方式使待测试变压器状态数据序列的长度与目标变压器状态数据序列的长度一致。
需要说明的是,其中,A和X的距离越小,说明匹配相似度越高。
由此可以看出,本案的变压器故障案例匹配搜索方法可以基于采集到的待测试变压器状态数据序列,从案例库中寻找与待测试变压器状态数据序列对应的目标变压器状态数据序列,通过迭代最近点的方法挖掘搜索相关的目标变压器状态数据序列,并根据匹配程度进行排序,评估变压器所处运行状态,推演可能发生的故障,为变压器状态评估、故障诊断提供辅助信息。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
Claims (10)
1.一种基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,包括步骤:
(1)采集待测试变压器状态数据序列,基于待测试变压器状态数据序列在案例库中寻找出所有与待测试变压器状态数据序列对应的目标变压器状态数据序列;
(2)使待测试变压器状态数据序列的长度与目标变压器状态数据序列的长度一致;
(3)设待测试变压器状态数据序列为X={X1,...,XN},设每一个目标变压器状态数据序列均为Α={Α1,...,ΑN},提取X的特征参量Xn和A的特征参量An,并进行标准归一化处理;
(4)通过旋转平移的方式将X匹配到A上,基于迭代最近点匹配搜索,确定匹配后的待测试变压器状态数据序列X与每一个目标变压器状态数据序列A之间的距离;
(5)基于匹配后的待测试变压器状态数据序列X与每一个目标变压器状态数据序列A之间的距离,将待测试变压器状态数据序列X与所有目标变压器状态数据序列A的匹配程度进行排序;
(6)基于排序结果,辅助判断待测试变压器状态数据序列X所表征的故障。
2.如权利要求1所述的基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,步骤(4)进一步包括:
(4a)设Xn和An之间的距离Μ(Αn,Xn)为:
式中,an表示Αn的中点,ln表示Αn和Xn的长度,表示Αn的单位方向矢量,则Αn被表示为Αn=(an,bn,ln),则Αn的端点为xn表示Xn的中点,表示Xn的单位方向矢量,则Xn被表示为
则待测试变压器状态数据序列X与每一个目标变压器状态数据序列A之间的距离为:
(4b)通过先旋转再平移的方式将X匹配到Α上,其中旋转矩阵为R,平移向量t=(t1,t2,t3)T,对X进行如下变换:
则匹配后A和X的距离为:
其中,t1表示Xn的中点的偏移量,t2表示Xn单位方向的偏移量,t3表示Xn长度的偏移量;
(4c)将Μ'(Α,X)与设定的最小距离阈值进行比较:若Μ'(Α,X)小于最小距离阈值或迭代次数达到设定的最大迭代次数,则结束基于迭代最近点匹配搜索,获得基于最优的旋转矩阵R和平移向量t而得到的Μ'(Α,X);若Μ'(Α,X)并非小于最小距离阈值或迭代次数没有达到设定的最大迭代次数,则调整旋转矩阵R和平移向量t后,返回步骤(4b)以再次进行迭代。
3.如权利要求1或2所述的基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,所述待测试变压器状态数据序列选自下述各项中的至少其中之一:变压器油中气体含量参数序列,局部放电图谱参数序列和综合分析参数序列。
4.如权利要求3所述的基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,变压器油中气体含量参数序列包括下述各项的至少其中一项:H2、CO、CO2、CH4、C2H4、C2H2、C2H6、H2O的各气体产气率,C2H2/C2H4气体比值,CH4/H2气体比值,C2H4/C2H6气体比值,CO2/CO气体比值。
5.如权利要求3所述的基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,所述局部放电图谱参数序列包括脉冲时域参数和/或相位分布参数。
6.如权利要求5所述的基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,所述脉冲时域参数包括:上升时间、下降时间、脉冲宽度和脉冲幅值。
7.如权利要求5所述的基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,所述相位分布参数包括:偏斜度、突出度、局部峰值个数、不对称度、互相关因子和相位。
8.如权利要求3所述的基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,所述综合分析参数序列包括:例行实验和诊断测试数据、负荷数据和气象数据。
9.如权利要求8所述的基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,所述负荷数据包括下述各项中的至少一项:电流、有功功率和无功功率;所述气象数据包括下述各项中的至少一项:温度、湿度、日照和风速。
10.如权利要求1或2所述的基于迭代最近点的变压器故障案例匹配搜索方法,其特征在于,在步骤(2)中,采用插值或抽样的方式使待测试变压器状态数据序列的长度与目标变压器状态数据序列的长度一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810516613.9A CN108829755B (zh) | 2018-05-25 | 2018-05-25 | 基于迭代最近点的变压器故障案例匹配搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810516613.9A CN108829755B (zh) | 2018-05-25 | 2018-05-25 | 基于迭代最近点的变压器故障案例匹配搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829755A true CN108829755A (zh) | 2018-11-16 |
CN108829755B CN108829755B (zh) | 2021-04-13 |
Family
ID=64145636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810516613.9A Active CN108829755B (zh) | 2018-05-25 | 2018-05-25 | 基于迭代最近点的变压器故障案例匹配搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829755B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955226A (zh) * | 2019-11-22 | 2020-04-03 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315661A (zh) * | 2008-07-18 | 2008-12-03 | 东南大学 | 一种减小表情影响的快速三维人脸识别方法 |
CN102681034A (zh) * | 2011-03-14 | 2012-09-19 | 株式会社日立工业设备技术 | 雷发生位置标定装置以及雷发生地域推测方法 |
CN102809376A (zh) * | 2012-08-06 | 2012-12-05 | 哈尔滨工程大学 | 一种基于等值线的辅助导航定位方法 |
US20130061184A1 (en) * | 2011-09-02 | 2013-03-07 | International Business Machines Corporation | Automated lithographic hot spot detection employing unsupervised topological image categorization |
CN103107971A (zh) * | 2013-03-06 | 2013-05-15 | 电子科技大学 | 一种降低ofdm信号papr的相位因子优选对方法 |
CN103399237A (zh) * | 2013-08-06 | 2013-11-20 | 华北电力大学 | 一种检测油浸式变压器故障的方法 |
CN104198187A (zh) * | 2014-09-04 | 2014-12-10 | 昆明理工大学 | 一种机械振动故障特征时域盲提取方法 |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
CN106970581A (zh) * | 2017-04-30 | 2017-07-21 | 中南大学 | 一种基于无人机群三维全视角的列车受电弓实时智能监测方法及系统 |
CN107038143A (zh) * | 2017-04-30 | 2017-08-11 | 南京理工大学 | 基于改进的多层人工免疫网络模型的皮带秤故障诊断方法 |
CN107703920A (zh) * | 2017-10-25 | 2018-02-16 | 北京交通大学 | 基于多元时间序列的列车制动系统的故障检测方法 |
CN107992840A (zh) * | 2017-12-12 | 2018-05-04 | 清华大学 | 多分段多阈值约束的时间序列模式查找方法和系统 |
-
2018
- 2018-05-25 CN CN201810516613.9A patent/CN108829755B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315661A (zh) * | 2008-07-18 | 2008-12-03 | 东南大学 | 一种减小表情影响的快速三维人脸识别方法 |
CN102681034A (zh) * | 2011-03-14 | 2012-09-19 | 株式会社日立工业设备技术 | 雷发生位置标定装置以及雷发生地域推测方法 |
US20130061184A1 (en) * | 2011-09-02 | 2013-03-07 | International Business Machines Corporation | Automated lithographic hot spot detection employing unsupervised topological image categorization |
CN102809376A (zh) * | 2012-08-06 | 2012-12-05 | 哈尔滨工程大学 | 一种基于等值线的辅助导航定位方法 |
CN103107971A (zh) * | 2013-03-06 | 2013-05-15 | 电子科技大学 | 一种降低ofdm信号papr的相位因子优选对方法 |
CN103399237A (zh) * | 2013-08-06 | 2013-11-20 | 华北电力大学 | 一种检测油浸式变压器故障的方法 |
CN104198187A (zh) * | 2014-09-04 | 2014-12-10 | 昆明理工大学 | 一种机械振动故障特征时域盲提取方法 |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
CN106970581A (zh) * | 2017-04-30 | 2017-07-21 | 中南大学 | 一种基于无人机群三维全视角的列车受电弓实时智能监测方法及系统 |
CN107038143A (zh) * | 2017-04-30 | 2017-08-11 | 南京理工大学 | 基于改进的多层人工免疫网络模型的皮带秤故障诊断方法 |
CN107703920A (zh) * | 2017-10-25 | 2018-02-16 | 北京交通大学 | 基于多元时间序列的列车制动系统的故障检测方法 |
CN107992840A (zh) * | 2017-12-12 | 2018-05-04 | 清华大学 | 多分段多阈值约束的时间序列模式查找方法和系统 |
Non-Patent Citations (1)
Title |
---|
钟锦源等: "基于时间序列相似性匹配的输电系统故障诊断方法", 《电力系统自动化》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955226A (zh) * | 2019-11-22 | 2020-04-03 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108829755B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107453351B (zh) | 一种基于节点注入功率的配电网运行拓扑辨识方法 | |
CN103199983B (zh) | 侧信道能量分析中的n阶局域能量模型及其应用 | |
CN105372528B (zh) | 一种电力变压器内部故障的状态检修方法 | |
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 | |
CN109193650A (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
CN111639586B (zh) | 非侵入式负荷识别模型构建方法、负荷识别方法及系统 | |
CN109613446B (zh) | 一种基于时间序列分析的锂电池老化检测方法 | |
CN108829755A (zh) | 基于迭代最近点的变压器故障案例匹配搜索方法 | |
CN111913081A (zh) | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 | |
CN117272116B (zh) | 一种基于loras平衡数据集的变压器故障诊断方法 | |
CN116595445A (zh) | 基于随机森林特征优选和改进支持向量机的变压器故障诊断方法 | |
CN108508319B (zh) | 基于故障特征气体间关联特征的变压器故障类型识别方法 | |
Bab et al. | Critical behavior of an Ising system on the Sierpinski carpet: A short-time dynamics study | |
CN109377052A (zh) | 一种电力负荷匹配方法、装置、设备及可读存储介质 | |
Chen et al. | Feature extraction of partial discharge in low‐temperature composite insulation based on VMD‐MSE‐IF | |
CN105807204A (zh) | 基于频谱细化的硬件木马检测方法 | |
CN104499001A (zh) | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 | |
Li et al. | A novel approach to remote sensing image retrieval with multi-feature VP-tree indexing and online feature selection | |
CN109658982A (zh) | 一种用于基因测序的引物设计方法及系统 | |
Wu et al. | Research on Transformer Fault Diagnosis Based on SMOTE and Random Forest | |
Liu et al. | Recognition of dissolved gas in transformer oil by ant colony optimization support vector machine | |
Zhang et al. | Fault detection, classification, and location for active distribution network based on neural network and phase angle analysis | |
CN114004285A (zh) | 一种基于改进kNN算法的非侵入式负荷辨识方法 | |
Hao et al. | Transmission line fault diagnosis based on machine learning | |
Liu et al. | A novel characteristic optimization method based on combined statistical indicators and random forest for oil-paper insulation state diagnosis |
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 |