CN109030790A - 一种电力变压器故障诊断方法和装置 - Google Patents
一种电力变压器故障诊断方法和装置 Download PDFInfo
- Publication number
- CN109030790A CN109030790A CN201810951302.5A CN201810951302A CN109030790A CN 109030790 A CN109030790 A CN 109030790A CN 201810951302 A CN201810951302 A CN 201810951302A CN 109030790 A CN109030790 A CN 109030790A
- Authority
- CN
- China
- Prior art keywords
- sample
- vpm
- fault
- prediction
- training
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; viscous liquids; paints; inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Oils, i.e. hydrocarbon liquids specific substances contained in the oil or fuel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; viscous liquids; paints; inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Oils, i.e. hydrocarbon liquids specific substances contained in the oil or fuel
- G01N33/2841—Oils, i.e. hydrocarbon liquids specific substances contained in the oil or fuel gas in oil, e.g. hydrogen in insulating oil
-
- 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
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1281—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本申请公开了一种电力变压器故障诊断方法和装置。该方法在获取电力变压器油中溶解气体含量(DGA)数据后,以支持向量回归‑变量预测模型(SVR‑VPMCD)对故障样本进行故障类型的识别。首先,选取各类气体占总气体含量的比值作为各个特征值,形成相应的特征向量;然后,以SVR替代VPMCD中的多项式响应面回归,利用训练样本构建各种故障类型相应的变量预测模型(VPM);最后,依次利用构建好的各类故障的VPM对每个测试样本进行预测,所得预测误差最小的VPM对于的故障类型即判定为该测试样本的故障类型。SVR‑VPMCD方法充分考虑了样本各个特征值之间的相互关联,又克服了VPMCD方法对高维数据的处理能力差的缺陷,提高了该种模式识别方法对样本类型的识别精度,具有很好的小样本数据的识别能力。
Description
技术领域
本申请涉及高压电领域,更具体地说,涉及一种电力变压器故障诊断方法和装置。
背景技术
变压器是电力系统的中的重要设备,其运行状态直接影响系统的安全水平。随着变压器状态监测的发展和逐步推广,建立基于变压器状态在线监测信息的故障诊断系统是十分必要和可行的。
由于变压器油中溶解气体的组成与与含量可以在很大程度上反映变压器的运行状态,油中溶解气体分析方法(Dissolved Gas Analysis,DGA)已经成为油浸式变压器故障诊断的一种有效方法,并在此基础上形成了三比值法、Rogers,以及人工神经网络(ANN)、贝叶斯分类器和支持向量机(SVM)等人工智能方法。然而,现有的变压器故障类型的分类方法往往忽略各个特征值之间的内在联系,并且对小样本数据的识别能力较差。另外,传统的识别方法不能够识别出属于不包含在训练样本集合中的放电类型的样本。
发明内容
有鉴于此,本申请提供一种电力变压器的,以提高故障类型模式识别的精度。
一种电力变压器的故障类型模式识别方法,包括:
选取可以反映变压器运行状态的离线或在线检/监测数据,如DGA数据。
进行特征提取,确定特征变量,如选取H2占总气体含量的比值记为x1,CH4、C2H6、C2H4、C2H2占总烃量的比值分别记为x2、x3、x4、x5等。
根据样本标签将所有样本划分训练样本集合和测试样本集合。同时,舍去所有样本的类别标签,利用所有样本构成无标签样本集合S。
利用SVR-VPMCD方法对训练样本集合中的所有故障样本进行训练,构建各个故障类型的变量预测模型VPM,训练过程包括:
设训练样本集合Vtrain中共包含g类故障,共N个DGA数据的故障样本,其中
N=n1+n2+...+ng。集合中某一样本xj=[Xj1,Xj2,...,Xjp]。
步骤一:令k=1,i=1;
步骤二:利用nk个第k类样本进行训练,以SVR回归对第xj的i个特征值Xji建立变量预测模型VPMi k;
步骤三:i←i+1,循环步骤二,至i=p结束;
步骤四:k←k+1,循环步骤二~步骤三,至k=g结束;
步骤五:至此,共训练获得g×p个变量预测模型VPM。
利用构建完成的各故障类型的变量预测模型对测试样本集中的样本进行预测,获得相应的预测误差,其实现过程包括:
设训练样本集合Vtest中共n个DGA故障样本。
步骤一:设测试样本集中共包含n个样本,集合中某一样本xj=[Xj1,Xj2,...,Xjp]。
步骤二:令j=1,k=1;
步骤三:对任一测试样本xj利用VPM1 k~VPMp k对Xj1~Xjp进行预测,获得预测值
步骤四:计算预测误差平方和
步骤五:k←k+1,循环步骤三~步骤四,至k=g结束。至此,完成所有预测模型对测试样本xj的预测,即得到预测误差S1 j~Sg j;
步骤六:j←j+1,循环步骤三至五,至j=n结束。至此,完成对所有测试样本的预测。
根据预测误差平方和判定测试样本故障类型:
1)以误差阈值SSEk T为判定标准,SSEk T表示第k类故障的误差阈值。若样本xj的预测误差Sk j<SSEk T,则判定该样本为第k类故障样本。
2)当k=g时,测试样本集合中的剩余样本判别为故障类型不属于已知g类故障的其他故障类型的样本。
经由上述技术方案可知,本申请公开了一种电力变压器故障类型的诊断方法和装置。该方法通过对监测获得的DGA数据提取特征,构成样本特征向量集合,以SVR-VPMCD方法进行变压器故障类型的模式识别。首先,通过SVR对已知故障类型的训练样本进行训练;其次,对各故障类型建立相应的变量预测模型;然后,利用这些模型对测试样本进行回归预测,得到各样本相应的预测平方和误差;最后,依据Otsu算法设置误差阈值,通过阈值判定各故障样本的故障类型。VPMCD方法根据样本各特征值之间相互内在的联系,针对不同的类别对各个特征值建立VPM。利用建立好的VPM进行回归预测,以预测误差平方和构建判别函数,从而实现分类和识别。VPMCD不需要先验知识,避免了寻优过程,计算速度快。另外,为了克服VPMCD中多项式响应面法高阶计算量大、拟合效果差的缺点,本申请以SVR回归实现特征值的预测,它具有可调参数少、收敛速度快和泛化性能强等优点。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1示出了本发明一个实施例公开的一种电力变压器故障类型识别方法的流程示意图;
图2示出了本发明公开的一种VPMCD方法的训练过程示意图;
图3示出了本发明公开的一种基于DGA数据的样本故障类型的判定过程示意图;
具体实施方案
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1示出了本发明一个实施例公开的一种电力变压器故障类型的识别方法的流程示意图。
在本实施例中,该方法包括:
S1:通过在线监测获取电力变压器基于DGA数据的故障样本,对所得故障本进行特征提取,获得每个样本的特征向量。根据样本标签将所有样本划分训练样本集合和测试样本集合。同时,利用所有样本构成无标签样本集合S。
基于DGA数据的变压器故障诊断方法能及时发现变压器的潜在故障,可在变压器运行过程中进行故障分析,并能发现电气试验方法很难发现的故障。基于DGA数据的变压器故障诊断方法已成为变压器故障诊断的一种有效方法。本发明以对采集到的DGA数据样本样本所提取出的特征向量为研究对象,构建样本集合并将样本划分为训练样本和测试样本。
S2:利用SVR-VPMCD方法对训练样本集合中的所有故障样本进行训练,构建各类型放电的变量预测模型VPM。
S3:依次利用各类变压器故障的VPM对每一个测试样本进行预测,得到一系列相应的预测误差。
S4:利用Otsu算法设置各故障类型对应的预测误差阈值。其实现过程为:
S41:以所有训练样本和测试样本构成集合S,依据权利要求3中所述对训练样本进行训练,建立相应的变量预测模型VPMi k;
S42:令k=1,利用VPM1 k~VPMp k对集合S中的样本进行预测,得到相应的SSEk j(j=1,2,...,n+N);
S43:将所有SSEk j依据大小划分为1~m个等级,其中max{SSEk j}对应等级m,min{SSEk j}对应等级1;
S44:利用Otsu算法对所有SSEk j划分阈值T,并求得T对应的阈值SSEk T。
S5:根据误差平方和阈值和预测误差大小判定每一个测试样本的故障类型。
参见图2示出了本发明实施例公开的VPMCD方法的训练过程(即变量预测模型VPM的建立过程)示意图。
其中VPMCD方法的识别过程包括:
设某一样本x可由p个特征值描述,其特征向量形式可表示为x=[X1,X2,...,Xp]。当样本类别不同时,各特征值之间的相互关联也不相同。为了识别不同的样本类型,需要建立能够表征特征值X1~Xp间关系的数学模型VPM,以便能够对测试样本的特征值进行回归预测,进一步实现对样本类别的正确划分。
对特征值Xi进行预测,其对应的变量预测模型VPMi可表示为:
Xi=f(Xj,...,Xl,bq,...,bo,r)+ε (1)
式中,1≤j≤l≤p且j,q≠i,bq,...,bo为模型参数,r为模型阶数且r≤p-1,ε为预测误差。
对于某一样本类型,若预测模型的类型、阶数以及对Xi的预测变量确定,则参数bq~bo可通过多项式响应面法求解获得:
Y=D·B (2)
式中,Y为模型响应值,即Xi的预测值;D为输入变量的多项式基函数;B为模型参数矩阵。
对于第k种样本类型,在模型类型和阶数确定的前提下,根据预测变量Xj的不同组合,可得到Cr p-1种Xi的预测模型VPMi k,以拟合误差平方和最小的目标函数,寻求最优VPMi k,即:
min Jk(B)=min||D·B-Xi||2 (3)
对于g种不同样本类型,经过训练建立g×p个预测模型VPMi k(k=1,2,...,g)。
VPMCD方法对测试样本利用VPMi k得到g×p个特征量预测值依据同一类别下所有特征值的预测误差平方和||Sk||最小为判别函数,对测试样本的类型进行分类,即样本类别L*为:
利用训练样本构建各类型故障的变量预测模型VPM的训练过程包括:
S21:设训练样本集合Vtrain中共包含g类故障,共N个故障样本,其中N=n1+n2+...+ng。集合中某一样本xj=[Xj1,Xj2,...,Xjp]。
S22:令k=1,i=1;
S23:利用nk个第k类样本进行训练,以SVR回归对第xj的i个特征值Xji建立变量预测模型VPMi k;
S24:i←i+1,循环步骤二,至i=p结束;
S25:k←k+1,循环步骤二~步骤三,至k=g结束;
S26:至此,共训练获得g×p个变量预测模型VPM。
另外,S23中SVR回归的具体过程包括:
SVR是由分类支持向量机(SVM)推广而来的,其基本思想为:通过非线性映射将输入样本(xi,yi)(i=1,2,...,n)映射到高维空间F,并在特征空间中用下述线性函数进行线性回归,即估计函数为:
其中,为从输入空间到高维特征空间的非线性映射;根据统计学习理论的结构风险化准则,权值向量ω和偏置b通过极小化目标函数确定,即:
式中,C为惩罚系数;ξi *、ξi为松弛因子;ε为误差上限。
引入拉格朗日乘子αi *和αi,将式(8)、式(9)最优化问题转化为对偶优化问题求解:
k(xi,xj)为核函数,选择不同形式的核函数就可以生成不同的支持向量。
由此,支持向量机的函数回归问题就可以归结为二次规划问题。求解该二次规划问题,可以得到用数据点表示的ω:
最后得到SVR的回归函数:
参见图3示出了本发明对测试样本故障类型的判定流程图。
S31:以误差阈值SSEk T为判定标准,SSEk T表示第k类故障的误差阈值。若样本xj的预测误差Sk j<SSEk T,则判定该样本为第k类故障样本。
S32:当k=g时,测试样本集合中的剩余样本判别为故障类型不属于已知g类故障的未知故障类型的样本。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种电力变压器故障诊断方法,其特征在于,包括:
选取可以反映变压器运行状态的离线或在线检/监测数据,如DGA数据;
进行特征提取,确定特征变量,如选取H2占总气体含量的比值记为x1,CH4、C2H6、C2H4、C2H2占总烃量的比值分别记为x2、x3、x4、x5等;
根据样本标签将所有样本划分训练样本集合和测试样本集合。同时,舍去所有样本的类别标签,利用所有样本构成无标签样本集合S;
利用SVR-VPMCD方法对训练样本集合中的所有故障样本进行训练,构建各个故障类型的变量预测模型VPM;
依次利用各类型故障的VPM对每一个测试样本进行预测,得到一系列相应的预测误差;
设置各类型故障对应的预测误差阈值;
根据误差阈值判定每一个测试样本的故障类型。
2.根据权利要求1所述的方法,其特征在于,利用训练样本构建各变压器故障类型的变量预测模型VPM的训练过程包括:
设训练样本集合Vtrain中共包含g类故障,共N个DGA数据的故障样本,其中N=n1+n2+...+ng,集合中某一样本xj=[Xj1,Xj2,...,Xjp]:
步骤一:令k=1,i=1;
步骤二:利用nk个第k类样本进行训练,以SVR回归对第xj的i个特征值Xji建立变量预测模型VPMi k;
步骤三:i←i+1,循环步骤二,至i=p结束;
步骤四:k←k+1,循环步骤二~步骤三,至k=g结束;
步骤五:至此,共训练获得g×p个变量预测模型VPM。
3.根据权利要求1所述的方法,其特征在于,利用构建完成的各故障类型的变量预测模型对测试样本集中的样本进行预测,获得相应的预测误差,其实现过程包括:
设训练样本集合Vtest中共n个DGA故障样本;
步骤一:设测试样本集中共包含n个样本,集合中某一样本xj=[Xj1,Xj2,...,Xjp];
步骤二:令j=1,k=1;
步骤三:对任一测试样本xj利用VPM1 k~VPMp k对Xj1~Xjp进行预测,获得预测值
步骤四:计算预测误差平方和
步骤五:k←k+1,循环步骤三~步骤四,至k=g结束。至此,完成所有预测模型对测试样本xj的预测,即得到预测误差
步骤六:j←j+1,循环步骤三至五,至j=n结束。至此,完成对所有测试样本的预测。
4.根据权利要求1所述的方法,其特征在于,根据预测误差平方和判定测试样本故障类型:
1)以误差阈值SSEk T为判定标准,SSEk T表示第k类故障的误差阈值。若样本xj的预测误差则判定该样本为第k类故障样本;
2)当k=g时,测试样本集合中的剩余样本判别为故障类型不属于已知g类故障的其他故障类型的样本。
5.根据权利要求1所述的方法,其特征在于,各类型故障的误差阈值SSEk T的确定过程包括:
步骤一:以所有训练样本和测试样本构成集合S,依据权利要求3中所述对训练样本进行训练,建立相应的变量预测模型VPMi k;
步骤二:令k=1,利用VPM1 k~VPMp k对集合S中的样本进行预测,得到相应的
步骤三:将所有SSEkj依据大小划分为1~m个等级,其中对应等级m,对应等级1;
步骤四:利用Otsu算法对所有划分阈值T,并求得T对应的阈值SSEk T。
6.根据权利要求5所述的方法,其特征在于,对所有划分阈值T的方法采用OTSU算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810951302.5A CN109030790A (zh) | 2018-08-21 | 2018-08-21 | 一种电力变压器故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810951302.5A CN109030790A (zh) | 2018-08-21 | 2018-08-21 | 一种电力变压器故障诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109030790A true CN109030790A (zh) | 2018-12-18 |
Family
ID=64626564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810951302.5A Pending CN109030790A (zh) | 2018-08-21 | 2018-08-21 | 一种电力变压器故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109030790A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110784A (zh) * | 2019-04-30 | 2019-08-09 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110674604A (zh) * | 2019-09-20 | 2020-01-10 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
CN110927478A (zh) * | 2019-10-24 | 2020-03-27 | 中国电力科学研究院有限公司 | 一种确定电力系统变压器设备的状态的方法和系统 |
CN111598150A (zh) * | 2020-05-12 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
CN112032034A (zh) * | 2020-05-21 | 2020-12-04 | 和尘自仪(嘉兴)科技有限公司 | 海水泵健康状态评估方法、模型、装置及存储介质 |
CN112818572A (zh) * | 2021-01-19 | 2021-05-18 | 三峡大学 | 一种油浸式变压器绕组区域结构参数的优化方法 |
CN113505064A (zh) * | 2021-07-07 | 2021-10-15 | 广东电力信息科技有限公司 | 一种基于异构信息流的电力大数据业务系统测试方法 |
WO2022214201A1 (en) * | 2021-04-09 | 2022-10-13 | Hitachi Energy Switzerland Ag | Determining states of electrical equipment using variations in diagnostic parameter prediction error |
-
2018
- 2018-08-21 CN CN201810951302.5A patent/CN109030790A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110784A (zh) * | 2019-04-30 | 2019-08-09 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110674604A (zh) * | 2019-09-20 | 2020-01-10 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
CN110674604B (zh) * | 2019-09-20 | 2022-07-08 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
CN110927478A (zh) * | 2019-10-24 | 2020-03-27 | 中国电力科学研究院有限公司 | 一种确定电力系统变压器设备的状态的方法和系统 |
CN110927478B (zh) * | 2019-10-24 | 2022-11-08 | 中国电力科学研究院有限公司 | 一种确定电力系统变压器设备的状态的方法和系统 |
CN111598150A (zh) * | 2020-05-12 | 2020-08-28 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
CN112032034A (zh) * | 2020-05-21 | 2020-12-04 | 和尘自仪(嘉兴)科技有限公司 | 海水泵健康状态评估方法、模型、装置及存储介质 |
CN112818572A (zh) * | 2021-01-19 | 2021-05-18 | 三峡大学 | 一种油浸式变压器绕组区域结构参数的优化方法 |
WO2022214201A1 (en) * | 2021-04-09 | 2022-10-13 | Hitachi Energy Switzerland Ag | Determining states of electrical equipment using variations in diagnostic parameter prediction error |
CN113505064A (zh) * | 2021-07-07 | 2021-10-15 | 广东电力信息科技有限公司 | 一种基于异构信息流的电力大数据业务系统测试方法 |
CN113505064B (zh) * | 2021-07-07 | 2022-05-17 | 广东电力信息科技有限公司 | 一种基于异构信息流的电力大数据业务系统测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109030790A (zh) | 一种电力变压器故障诊断方法和装置 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN101464964B (zh) | 一种设备故障诊断的支持向量机模式识别方法 | |
CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
Mao et al. | Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics | |
Fei et al. | Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm | |
CN107843718A (zh) | 一种变压器绝缘油老化状态评估的方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN104052612B (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
Dhibi et al. | An enhanced ensemble learning-based fault detection and diagnosis for grid-connected PV systems | |
CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
Li et al. | A new flood forecasting model based on SVM and boosting learning algorithms | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN102866179A (zh) | 基于人工智能学习机的电子鼻中非目标干扰气味的在线识别和抑制方法 | |
CN107817404A (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN103245911A (zh) | 一种基于贝叶斯网络的断路器故障诊断方法 | |
CN107831300A (zh) | 一种基于三维梯形概率模糊集的变压器绝缘油劣化评估方法 | |
CN107507038A (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
CN109063734A (zh) | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 | |
CN107992880A (zh) | 一种电力变压器最优集总分类故障诊断方法 | |
CN109885482A (zh) | 基于少样本数据学习的软件缺陷预测方法 | |
CN110400231A (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
CN108628164A (zh) | 一种基于循环神经网络模型的工业过程半监督软测量方法 | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181218 |
|
WD01 | Invention patent application deemed withdrawn after publication |