CN108875783A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108875783A CN108875783A CN201810437756.0A CN201810437756A CN108875783A CN 108875783 A CN108875783 A CN 108875783A CN 201810437756 A CN201810437756 A CN 201810437756A CN 108875783 A CN108875783 A CN 108875783A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- class
- learning machine
- extreme learning
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了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,具体为,步骤1、将采集的油浸式变压器带有类标签的不平衡样本集S={(x1,t1),(x2,t2)...(xn,tn)}按6:1的比例分为训练样本和测试样本;其中,xi代表样本属性,i=1,2,3,4,5,6,具体包含氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳,六种属性;ti代表类别标签,i=1,2,3,4,5,6,1、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,并用PAM算法对其进行聚类,并用PAM算法对其进行聚类;步骤2、以PAM算法的聚类簇心作为中心点,对于少数类;步骤3、极限学习机分类输出阶段,首先建立DAG‑ELM模型,然后,阶段2产生的新数据集仍按6:1分成训练集和测试集,6份用于训练建模,1份用于验证分类效果。本方法解决了不平衡数据集对变压器故障诊断结果的影响。
Description
技术领域
本发明属于变压器故障在线监测技术领域,具体涉及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。
背景技术
当前社会高速发展,随之带来的对电网建设的刚性需求,使得全国联网的格局基本形成。电力系统是一个由众多发、送、输、配的用电设备连接而成的大系统,任何设备的故障都将直接影响整个系统的稳定性和安全性。变压器在电力系统中应用广泛,其安全稳定的运行状态关系着电网与人民的安全,发生故障将造成很大的经济损失。
因此,对变压器进行故障诊断显得十分重要。其主要故障包括高温过热、中低温过热、局部放电和火花放电等;目前针对上述故障已经提出了多种监测方法,譬如,油中溶解气体分析技术、铁芯接地电流检测技术以及红外热像检测技术;其中油中溶解气体分析技术含有丰富的运行状态信息,可作为变压器故障诊断的依据,但运行状态信息中各种故障数据量参差不齐,正常数据为多数样本,各种故障组成各自的少数样本,由此生成的不平衡数据集将会影响故障诊断算法的准确率。
发明内容
本发明的目的是提供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,该方法能够解决在变压器故障诊断中少数故障集包含的信息量有限,难以确定少数故障集的数据分布,在其内部难以发现规律,从而造成的少数故障集识别率低的问题。
本发明所采用的技术方案是,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,具体按照以下步骤实施:
步骤1:数据处理阶段:
步骤1.1:将采集的油浸式变压器带有类标签的不平衡样本集S={(x1,t1),(x2,t2)…(xn,tn)}按6:1的比例分为训练样本和测试样本;其中,xi代表样本属性,i=1,2,3,4,5,6,具体包含氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳,六种属性;ti代表类别标签,i=1,2,3,4,5,6,1、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,并用PAM算法对其进行聚类;
步骤1.2:运行PAM聚类算法;
步骤1.3:计算并记录聚类后的簇心ci=(c1,c2,…c6)的位置;
步骤2:SMOTE插值阶段:
以PAM算法的聚类簇心作为中心点,取其近邻的5个数据点关联插值从而降低插值对分类结果的影响;
步骤3:极限学习机分类输出阶段:
将步骤2产生的新数据集仍按6:1分成训练集和测试集,6份用来训练建模,1份用来验证分类效果。
本发明的特点还在于,
步骤1.2具体按照以下步骤实施:
Step1:对n个数据中随意选择6个数据作为初始的中心点;
Step2:重复;
Step3:指派n-6个剩余的数据给离它最近的中心点所代表的簇;
Step4:为每一个数据对Oi、Oh计算总代价TCih,其中Oi是当前中心点,Oj是非中心点;
Step5:找出所有数据对Oi、Oh的总代价TCih中的最小值min TCih,如果min TCih是负值,用Oh替换Oi,形成新的6个中心点集合;
Step6:until(min(TCih≥0));
Step7:指派n-6个剩余的数据给离它最近的中心点所代表的簇,终止;
在Step3和Step7中使用欧几里德距离作为空间点之间距离的度量公式,
上式中,dab代表两个n维向量a(g11,g12,…,g1m)与之间的距离;
TCih=∑jCjih (2)
上式中,∑j表示对当前全部n-6个非中心点数据Oj的代价Cjih求和。
步骤2具体按照以下步骤实施:
步骤2.1:采样倍率n取决于数据集的不平衡程度,计算数据集的多数类与少数类之间的不平衡程度IL,采样倍率n的计算公式为:
n=round(IL) (3)
上式中,round(IL)表示对IL四舍五入后的值;
步骤2.2:根据欧几里德距离公式(1)为每一个少数类中的簇心si找到其n个近邻;
步骤2.3:进行PAM-SMOTE插值操作;
SMOTE算法的插值公式如下:
Pi=X+rand(0,1)*(yi-S) i=1,2,…,n (4)
上式中,Pi为新插值的样本,S为选择的原始样本数据,rand(0,1)表示0与1之间的某一随机数,yi为原始样本数据S的最近邻样本。
步骤3具体按照以下步骤实施:
步骤3.1:首先将某一类别样本表示为正类,其他样本表示为负类,训练得出一个决策函数;然后,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,接着训练得出另一个决策函数,以此类推可以得到6个决策函数,同时也得到了多级极限学习机故障诊断模型;
步骤3.2:对极限学习机网络的输入权值矩阵W={wi}和隐藏层结点偏置向量B={bi}进行赋值,其中wi=(wi1,wi2,…win)T是连接第i个隐藏层结点的输入权值;bi是第i个隐藏层结点偏置;βi=[βi1,βi2,…,βim]T是连接第i个隐藏层结点的输出权值,其中所有的
步骤3.3:按照公式计算插值后的训练集Snew的网络隐藏层输出矩阵H(W,B,Snew);
步骤3.4:按照公式(6)和(7)计算网络的隐藏层输出权值矩阵
由于存在一个矩阵G,Gy是线性系统Ax=y的最小范数二乘解,则G为矩阵A的Moore-Penorse广义逆,则有是H的Moore-Penorse广义逆,在的条件下可由正交投影法求得:
步骤3.5:用训练出的代入Hβ=T计算输出,其中矩阵H是隐藏层输出矩阵,
上式中,wi·xj是wi和xj的内积,激励函数g(·)选择“sigmoid”。
本发明的有益效果是:
(1)本发明提出的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,能够解决在变压器故障诊断中少数故障集包含的信息量有限,从而难以确定少数故障集的数据分布,在其内部难以发现规律,从而造成的少数故障集识别率低的问题;
(2)本发明提出的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,利用PAM聚类算法对原始数据进行聚类,簇心作为中心,用来SMOTE插值,保证插值结果仍在所属故障类型之中,降低直接使用SMOTE插值对数据的影响,并且解决SMOTE算法可能导致的模糊正负类边界的问题;
(3)本发明提出的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,利用油中气体(氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳)与算法PAM-SMOTE-ELM进行结合,构建变压器故障诊断模型,能够有效检测出油浸式变压器内部故障。
附图说明
图1为本发明方法中DGA-ELM分类结构图;
图2为本发明方法中PAM-SMOTE-ELM算法流程图。
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。
本发明提供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,其流程如图1所示,具体按照以下步骤实施:
步骤1:数据处理阶段,
步骤1.1:将采集的油浸式变压器带有类标签的不平衡样本集S={(x1,t1),(x2,t2)...(xn,tn)}按6:1的比例分为训练样本和测试样本;其中,xi代表样本属性,i=1,2,3,4,5,6,具体包含氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳,六种属性;ti代表类别标签,i=1,2,3,4,5,6,1、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,并用PAM算法对其进行聚类;
步骤1.2:运行PAM聚类算法,具体按照以下步骤实施:
Step1:对n个数据中随意选择6个数据作为初始的中心点,设定6
是因为本文故障分为6类;
Step2:重复;
Step3:指派n-6个剩余的数据给离它最近的中心点所代表的簇;
Step4:为每一个数据对Oi、Oh计算总代价TCih,其中Oi是当前中心
点,Oj是非中心点;
Step5:找出所有数据对Oi、Oh的总代价TCih中的最小值min TCih,如
果min TCih是负值,用Oh替换Oi,形成新的6个中心点集合;
Step6:until(min(TCih≥0));
Step7:指派n-6个剩余的数据给离它最近的中心点所代表的簇,
终止;
以上步骤中:在Step3和Step7中使用欧几里德距离作为空间点之间距离的度量公式;
上式中,dab代表两个n维向量a(g11,g12,…,g1m)与之间的距离。
TCih=∑jCjih (2)
上式中,∑j表示对当前全部n-6个非中心点数据Oj的代价Cjih求和;
步骤1.3:计算并记录聚类后的簇心ci=(c1,c2,…c6)的位置。(簇心位置用于SMOTE插值);
步骤2:SMOTE插值阶段:以PAM算法的聚类簇心作为中心点,对于少数类,例如(变压器的火花放电与局部放电两类中,局部放电样本属于少数类)取其近邻的倍率数个数据点进行倍率次关联插值,从而降低插值对分类结果的影响;
步骤2.1:采样倍率n取决于数据集的不平衡程度,计算数据集的多数类与少数类之间的不平衡程度IL(imbalance level,IL),采样倍率n的计算公式为:
n=round(IL) (3)
上式中,round(IL)表示对IL四舍五入后的值;
步骤2.2:根据欧几里德距离公式(1)为每一个少数类中的簇心si找到其n个近邻;
步骤2.3:进行PAM-SMOTE插值操作;
SMOTE算法的插值公式如下:
Pi=X+rand(0,1)*(yi-S) i=1,2,…,n (4)
上式中,Pi为新插值的样本,S为选择的原始样本数据,rand(0,1)表示0与1之间的某一随机数,yi为原始样本数据S的最近邻样本;
本文由PAM聚类的簇心与聚类中数据样本进行关联插值,并限制随机数的大小,从而保证新的插值样本处于聚类区域,降低了插值对分类的结果影响;
Pi=ci+rand(0,Dmax)*(Sj-ci) (5)
用公式(1)计算ci附近的n个数据点Sj到ci的欧几里德距离D={D1,D2,…D5},选择其中最大的Dmax;上式子中,i=1,2,…,n,j=1,2,…,6;
步骤3:极限学习机分类输出阶段,首先建立DAG-ELM模型,然后,阶段2产生的新数据集仍按6:1分成训练集和测试集,6份用于训练建模,1份用于验证分类效果;
步骤3.1:如图2所示,首先将某一类别样本表示为正类,其他样本表示为负类,训练得出一个决策函数;然后,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,接着训练得出另一个决策函数,以此类推可以得到6个决策函数,同时也得到了多级极限学习机故障诊断模型;
步骤3.2:对极限学习机网络的输入权值矩阵W={wi}和隐藏层结点偏置向量B={bi}进行赋值,其中wi=(wi1,wi2,…win)T是连接第i个隐藏层结点的输入权值;bi是第i个隐藏层结点偏置;βi=[βi1,βi2,…,βim]T是连接第i个隐藏层结点的输出权值,其中所有的
步骤3.3:按照公式计算插值后的训练集Snew的网络隐藏层输出矩阵H(W,B,Snew);
步骤3.4:按照公式(6)和(7)计算网络的隐藏层输出权值矩阵
由于存在一个矩阵G,Gy是线性系统Ax=y的最小范数二乘解,则G为矩阵A的Moore-Penorse广义逆,则有是H的Moore-Penorse广义逆,在的条件下可由正交投影法求得:
步骤3.5:用训练出的代入Hβ=T计算输出,其中矩阵H是隐藏层输出矩阵;
上式中,wi·xj是wi和xj的内积,激励函数g(·)本文选择“sigmoid”。
Claims (5)
1.一种面向不平衡数据集的极限学习机变压器故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1:数据处理阶段:
步骤1.1:将采集的油浸式变压器带有类标签的不平衡样本集S={(x1,t1),(x2,t2)...(xn,tn)}按6:1的比例分为训练样本和测试样本;其中,xi代表样本属性,i=1,2,3,4,5,6,具体包含氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳,六种属性;ti代表类别标签,i=1,2,3,4,5,6,1、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,并用PAM算法对其进行聚类;
步骤1.2:运行PAM聚类算法;
步骤1.3:计算并记录聚类后的簇心ci=(c1,c2,…c6)的位置;
步骤2:SMOTE插值阶段:
以PAM算法的聚类簇心作为中心点,取其近邻的5个数据点关联插值从而降低插值对分类结果的影响;
步骤3:极限学习机分类输出阶段:
将步骤2产生的新数据集仍按6:1分成训练集和测试集,6份用来训练建模,1份用来验证分类效果。
2.根据权利要求1所述的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,其特征在于,所述步骤1.2具体按照以下步骤实施:
Step1:对n个数据中随意选择6个数据作为初始的中心点;
Step2:重复;
Step3:指派n-6个剩余的数据给离它最近的中心点所代表的簇;
Step4:为每一个数据对Oi、Oh计算总代价TCih,其中Oi是当前中心点,Oj是非中心点;
Step5:找出所有数据对Oi、Oh的总代价TCih中的最小值minTCih,如果minTCih是负值,用Oh替换Oi,形成新的6个中心点集合;
Step6:until(min(TCih≥0));
Step7:指派n-6个剩余的数据给离它最近的中心点所代表的簇,终止。
3.根据权利要求2所述的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,其特征在于,在Step3和Step7中使用欧几里德距离作为空间点之间距离的度量公式,
上式中,dab代表两个n维向量a(g11,g12,…,g1m)与之间的距离;
TCih=∑jCjih (2)
上式中,∑j表示对当前全部n-6个非中心点数据Oj的代价Cjih求和。
4.根据权利要求1所述的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,其特征在于,所述步骤2具体按照以下步骤实施:
步骤2.1:采样倍率n取决于数据集的不平衡程度,计算数据集的多数类与少数类之间的不平衡程度IL,采样倍率n的计算公式为:
n=round(IL) (3)
上式中,round(IL)表示对IL四舍五入后的值;
步骤2.2:根据欧几里德距离公式(1)为每一个少数类中的簇心si找到其n个近邻;
步骤2.3:进行PAM-SMOTE插值操作;
SMOTE算法的插值公式如下:
Pi=X+rand(0,1)*(yi-Sold) i=1,2,…,n (4)
上式中,Pi为新插值的样本,S为选择的原始样本数据,rand(0,1)表示0与1之间的某一随机数,yi为原始样本数据S的最近邻样本。
5.根据权利要求1所述的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,其特征在于,所述步骤3具体按照以下步骤实施:
步骤3.1:首先将某一类别样本表示为正类,其他样本表示为负类,训练得出一个决策函数;然后,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,接着训练得出另一个决策函数,以此类推可以得到6个决策函数,同时也得到了多级极限学习机故障诊断模型;
步骤3.2:对极限学习机网络的输入权值矩阵W={wi}和隐藏层结点偏置向量B={bi}进行赋值,其中wi=(wi1,wi2,…win)T是连接第i个隐藏层结点的输入权值;bi是第i个隐藏层结点偏置;βi=[βi1,βi2,…,βim]T是连接第i个隐藏层结点的输出权值,其中所有的
步骤3.3:按照公式计算插值后的训练集Snew的网络隐藏层输出矩阵H(W,B,Snew);
步骤3.4:按照公式(6)和(7)计算网络的隐藏层输出权值矩阵
由于存在一个矩阵G,Gy是线性系统Ax=y的最小范数二乘解,则G为矩阵A的Moore-Penorse广义逆,则有是H的Moore-Penorse广义逆,在的条件下可由正交投影法求得:
步骤3.5:用训练出的代入Hβ=T计算输出,其中矩阵H是隐藏层输出矩阵,
上式中,wi·xj是wi和xj的内积,激励函数g(·)选择“sigmoid”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437756.0A CN108875783A (zh) | 2018-05-09 | 2018-05-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437756.0A CN108875783A (zh) | 2018-05-09 | 2018-05-09 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875783A true CN108875783A (zh) | 2018-11-23 |
Family
ID=64333328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810437756.0A Pending CN108875783A (zh) | 2018-05-09 | 2018-05-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875783A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886288A (zh) * | 2019-01-07 | 2019-06-14 | 中国电力科学研究院有限公司 | 一种用于电力变压器的状态评价方法及装置 |
CN110398650A (zh) * | 2019-08-05 | 2019-11-01 | 国网河北省电力有限公司电力科学研究院 | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 |
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 |
CN110751101A (zh) * | 2019-10-22 | 2020-02-04 | 吉林大学 | 基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法 |
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 |
CN112668749A (zh) * | 2020-11-24 | 2021-04-16 | 江苏中矿安华科技发展有限公司 | 一种基于类标加权极限学习机的煤矿瓦斯预警方法 |
CN112989207A (zh) * | 2021-04-27 | 2021-06-18 | 武汉卓尔数字传媒科技有限公司 | 一种信息推荐方法及装置、电子设备、存储介质 |
CN114004052A (zh) * | 2022-01-04 | 2022-02-01 | 南京信息工程大学 | 一种面向网络管理系统的故障检测方法及装置 |
CN115222104A (zh) * | 2022-06-24 | 2022-10-21 | 南京电力设计研究院有限公司 | 一种基于极限学习机的智能变电站二次设备状态评估方法 |
CN117056734A (zh) * | 2023-10-12 | 2023-11-14 | 山东能源数智云科技有限公司 | 基于数据驱动的设备故障诊断模型的构建方法及装置 |
CN117272116A (zh) * | 2023-10-13 | 2023-12-22 | 西安工程大学 | 一种基于loras平衡数据集的变压器故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030204507A1 (en) * | 2002-04-25 | 2003-10-30 | Li Jonathan Qiang | Classification of rare events with high reliability |
CN105740619A (zh) * | 2016-01-28 | 2016-07-06 | 华南理工大学 | 基于核函数的加权极限学习机污水处理在线故障诊断方法 |
CN105786970A (zh) * | 2016-01-29 | 2016-07-20 | 深圳先进技术研究院 | 不平衡数据的处理方法及装置 |
CN106681305A (zh) * | 2017-01-03 | 2017-05-17 | 华南理工大学 | 一种Fast RVM污水处理在线故障诊断方法 |
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 |
-
2018
- 2018-05-09 CN CN201810437756.0A patent/CN108875783A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030204507A1 (en) * | 2002-04-25 | 2003-10-30 | Li Jonathan Qiang | Classification of rare events with high reliability |
CN105740619A (zh) * | 2016-01-28 | 2016-07-06 | 华南理工大学 | 基于核函数的加权极限学习机污水处理在线故障诊断方法 |
CN105786970A (zh) * | 2016-01-29 | 2016-07-20 | 深圳先进技术研究院 | 不平衡数据的处理方法及装置 |
CN106681305A (zh) * | 2017-01-03 | 2017-05-17 | 华南理工大学 | 一种Fast RVM污水处理在线故障诊断方法 |
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 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886288A (zh) * | 2019-01-07 | 2019-06-14 | 中国电力科学研究院有限公司 | 一种用于电力变压器的状态评价方法及装置 |
CN109886288B (zh) * | 2019-01-07 | 2023-09-29 | 中国电力科学研究院有限公司 | 一种用于电力变压器的状态评价方法及装置 |
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 |
CN110398650A (zh) * | 2019-08-05 | 2019-11-01 | 国网河北省电力有限公司电力科学研究院 | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 |
CN110751101B (zh) * | 2019-10-22 | 2022-05-17 | 吉林大学 | 基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法 |
CN110751101A (zh) * | 2019-10-22 | 2020-02-04 | 吉林大学 | 基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法 |
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 |
CN112668749B (zh) * | 2020-11-24 | 2023-07-07 | 江苏中矿安华科技发展有限公司 | 一种基于类标加权极限学习机的煤矿瓦斯预警方法 |
CN112668749A (zh) * | 2020-11-24 | 2021-04-16 | 江苏中矿安华科技发展有限公司 | 一种基于类标加权极限学习机的煤矿瓦斯预警方法 |
CN112989207A (zh) * | 2021-04-27 | 2021-06-18 | 武汉卓尔数字传媒科技有限公司 | 一种信息推荐方法及装置、电子设备、存储介质 |
CN114004052A (zh) * | 2022-01-04 | 2022-02-01 | 南京信息工程大学 | 一种面向网络管理系统的故障检测方法及装置 |
CN114004052B (zh) * | 2022-01-04 | 2022-04-01 | 南京信息工程大学 | 一种面向网络管理系统的故障检测方法及装置 |
CN115222104A (zh) * | 2022-06-24 | 2022-10-21 | 南京电力设计研究院有限公司 | 一种基于极限学习机的智能变电站二次设备状态评估方法 |
CN117056734A (zh) * | 2023-10-12 | 2023-11-14 | 山东能源数智云科技有限公司 | 基于数据驱动的设备故障诊断模型的构建方法及装置 |
CN117056734B (zh) * | 2023-10-12 | 2024-02-06 | 山东能源数智云科技有限公司 | 基于数据驱动的设备故障诊断模型的构建方法及装置 |
CN117272116A (zh) * | 2023-10-13 | 2023-12-22 | 西安工程大学 | 一种基于loras平衡数据集的变压器故障诊断方法 |
CN117272116B (zh) * | 2023-10-13 | 2024-05-17 | 西安工程大学 | 一种基于loras平衡数据集的变压器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109856299A (zh) | 一种变压器在线监测差异化阈值动态设置方法、系统 | |
US8756181B2 (en) | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads | |
CN109492667A (zh) | 一种用于非侵入式电力负荷监测的特征选择辨识方法 | |
CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
Ondel et al. | A method to detect broken bars in induction machine using pattern recognition techniques | |
WO2013081717A2 (en) | System and method employing a hierarchical load feature database to identify electric load types of different electric loads | |
TW201321763A (zh) | 基於使用者回饋資訊之電器偵測方法與系統 | |
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 | |
CN114528921A (zh) | 一种基于lof算法与混合采样的变压器故障诊断方法 | |
CN112070118A (zh) | 基于数据聚类拟合分析的台区相序识别方法 | |
CN111639586A (zh) | 非侵入式负荷识别模型构建方法、负荷识别方法及系统 | |
CN111275204B (zh) | 一种基于混合采样和集成学习的变压器状态识别方法 | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 | |
Qiu et al. | Comprehensive evaluation of power quality based on improved TOPSIS-RSR method | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN108828377A (zh) | 一种变压器故障诊断方法 | |
Feng et al. | Identification of disturbance sources based on random forest model | |
CN113887623A (zh) | 基于ifcm-bb的变压器故障诊断方法 | |
Yao et al. | AdaBoost-CNN: a hybrid method for electricity theft detection | |
CN117113114A (zh) | 基于信息熵的aco-fcm与特征选择的非侵入式负荷监测方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
Du et al. | Feature Selection-Based Low Voltage AC Arc Fault Diagnosis Method | |
He et al. | Application and comparative analysis of traditional machine learning and deep learning in transmission line fault classification | |
Lin et al. | Identification of electricity theft based on the k-means clustering method |
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: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |