CN109033498A - 基于传递函数特征主成分和神经网络的绕组变形识别方法 - Google Patents
基于传递函数特征主成分和神经网络的绕组变形识别方法 Download PDFInfo
- Publication number
- CN109033498A CN109033498A CN201810570047.XA CN201810570047A CN109033498A CN 109033498 A CN109033498 A CN 109033498A CN 201810570047 A CN201810570047 A CN 201810570047A CN 109033498 A CN109033498 A CN 109033498A
- Authority
- CN
- China
- Prior art keywords
- neural network
- principal component
- winding
- feature
- transmission function
- 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
- G06F30/00—Computer-aided design [CAD]
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于传递函数特征主成分和神经网络的绕组变形智能识别技术,属于绕组变形故障检测领域。首先,获取当前绕组传递函数或频率响应的零和极点,由它们的频率和幅值,以及它们相对基准绕组的变化构建特征量矩阵。其次,通过主成分分析法提取特征量矩阵的主成分后成为主成分特征向量,并对主成分特征向量归一化。最后,构建并训练BP神经网络,并利用这个BP神经网络识别变压器绕组当前机械状态。本发明根据降低维度的思想,有效提取绕组状态的主成分特征量,减小计算量和时间。相比于人工识别,本发明能很好表征绕组变形的类型、位置和程度与绕组结构之间的非线性关系,克服了人工识别的主观性和随机性,实现了绕组变形的智能识别。
Description
技术领域
本发明属于高电压技术领域,涉及一种基于传递函数特征主成分和神经网络的绕组变形识别方法。
背景技术
绕组变形为电力变压器典型性故障之一,其主要是由短路电流产生的巨大电动力造成,且累积效应使变形逐渐加剧。若不及时发现和修复,绕组变形可随时产生局部放电和绝缘劣化,甚至引发灾难性事故。
实践上普遍采用频率响应分析法(FRA,简称频响法)检测变压器绕组变形,其稳定性好、可重复性高,但在应用上还存在不足:对于绕组不同状态下频率响应轨迹的评估取决于检测人员的专业素质及主观经验;不同绕组状态或许呈现相似的轨迹及统计特征量变化,可能造成错判;间接得到的传递函数会损失一些在频率响应曲线上表现为细微拐点的零和极点,其对绕组状态评估不可避免地产生影响。在现有研究尚未穷尽绕组状态情况下,绕组状态归属的不确定性和表征值的重叠性可造成判读上的困惑,这在实践上产生了积累专家经验,对绕组状态进行自动解释和智能识别的动力。
早期的研究是利用神经网络来单一地判断绕组变形与否,实践上希望能进一步判断变形的类型、位置和程度。K.R.Gandhi根据当前和基准频率响应曲线构建了9个统计算子,进而辅助神经网络去校核变形水平,(Gandhi K R,Badgujar K P.Artificial neuralnetwork based identification of deviation in frequency response of powertransformer windings[C].International Conference on Emerging Research Areas:Magnetics,Machines and Drives.IEEE,2014:1-8.)。S.Birlasekaran利用频率响应曲线拟合的传递函数分别有32个零点和极点,将它们的虚实频率组分、自然频率和阻尼系数作为诊断参数,并采用后向传播的人工神经网络识别了12个绕组故障,(Birlasekaran S,YuX,Fetherstone F,et al.Diagnosis and Identification of Transformer Faults fromFrequency Response Data[C].Power Engineering Society Winter Meeting,2000,3:2251-2256)。A.Contin用模糊逻辑由分段频率响应的平均值和标准差两个参数自动分析了匝间短路、径向和纵向的位移故障,(A.Contin,G.Rabach,J.Borghetto,et al.Frequency-response Analysis of Power Transformers by Means of Fuzzy Tools[J].IEEETransactions on Dielectrics and Electrical Insulation,2011,18(3))。
目前对绕组变形智能诊断的研究,有些停留在仿真阶段,有些获取的变形样本有限,因而对绕组状态及智能判断的研究还较为碎片化,缺乏同时对变形的类型、位置和程度三者进行较完全的归纳性试验研究和智能诊断。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种基于传递函数特征主成分和神经网络的绕组变形识别方法,该方法能有效诊断不同类型、位置和程度绕组变形,保证绕组状态评估的客观性和科学性。
为达到上述目的,本发明采用以下技术方案予以实现:
基于传递函数特征主成分和神经网络的绕组变形识别方法,包括以下步骤:
步骤1:获取当前绕组传递函数或频率响应的零和极点,根据零和极点的频率和幅值,以及其相对基准绕组的变化构建特征量矩阵;
步骤2:通过主成分分析法提取特征量矩阵的主成分后成为主成分特征向量,并对主成分特征向量归一化;
步骤3:构建并训练BP神经网络,并利用BP神经网络识别变压器绕组当前机械状态。
本发明进一步的改进在于:
步骤2中对特征量p的主成分提取步骤如下:
2-1)利用特征量p的样本集合求出协方差矩阵其中E为数学期望;T为矩阵转置;为特征量平均值;
2-2)计算协方差矩阵的特征值和对应的特征向量,并将特征值由大到小排列:λ1≥λ2≥...≥λn,对应的特征向量为[d1,d2,...,dn];
2-3)选择累计贡献值达到设定值a的前m个特征值所对应的特征向量作为变换矩阵D=[d1,d2,...,dm];
2-4)将n维特征矢量p转化为m维新的特征矢量q=DTp;q即为特征量主成分。
步骤3中,采用小数定标标准化方法将每个主成分特征向量中的每个数据转换到[0,1]区间,最后归一化的主成分特征向量作为神经网络的输入量。
步骤4中,人工神经网络结构包含输入层、隐含层和输出层,分别有n,h,m个节点,x=(x1,x2,...xn)T为BP神经网络的输入值,y=(y1,y2,...yh)T为BP神经网络隐含层输出值,z=(z1,z2,...zm)T为BP神经网络的输出值,αnh和βhm分别是输入层到隐含层与隐含层到输出层之间的连接权值。
步骤4中,神经网络输出量对变形类型、变形程度和变形位置进行编码,绕组变形类型分为电感性故障、纵向电容性故障和对地电容性故障3类,变形程度为轻微、中度和严重3级,变形位置为上部、中上部、中部、中下部和下部5种。
步骤4中采用人工神经网络结构对变压器绕组状态进行检测;BP神经网络的学习过程由模式正向传播和误差反向传播组成;
正向传播过程中,网络转换函数为S型函数:f(t)=1/(1+e-t),t为随机变量,e为自然指数;此时:
其中,j为隐含层第j个节点;k为输出层第k个节点;
在BP人工神经网络进行训练时,每输入一个训练样本,对输入误差进行计算并修正连接权值;通过不断地输入各训练样本,使输出的向量与期望向量尽可能接近,当输出层误差平方和达到设计的误差精度为止结束训练,从而确定BP神经网络的连接权值和误差。
步骤4中误差反向传播过程应采用LM优化算法。
与现有技术相比,本发明具有以下有益效果:
本发明采用主成分分析法提取绕组传递函数特征量,可以降低原有数据维度,消除评估指标之间的相关影响,减小计算工作量。神经网络是一种分布式并行信息处理的数学模型,一方面可以很好地表征变压器绕组变形的类型、位置和程度与绕组状态的特征量之间的非线性关系;另一方面其具有优良的存储及自学习功能,在不同程度和层次上模拟人工信息处理模式,克服了人工识别绕组状态的主观性和随机性,推动绕组状态智能识别的建立。
进一步的,本发明由于输出层节点的个数远小于输入层节点的个数,主成分分析法可以使原有数据达到降维的目的,而在累计贡献率设定值较高的情况下,新的特征矢量将保留原有数据的结构和特征。原有的零和极点特征量矩阵经主成分分析后压缩合并成了一个低维向量,这保留了原有数据的主要特征,并且大大压缩了数据量。
附图说明
图1为神经网络结构图;
图2为BP人工神经网络算法流程图;
图3为绕组变形模拟试验前后的频响曲线及零极点变化图;其中(a)为对地电容变化,(b)为电感变化,(c)为饼间电容变化。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参见图1,本发明基于传递函数特征主成分和神经网络的绕组变形识别方法,包括以下步骤:
步骤一、绕组特征量矩阵构建
由绕组当前状态的传递函数获取零和极点,根据零和极点的频率和幅值,以及其相对基准绕组的变化构建特征量矩阵。
步骤二、特征量矩阵主成分提取
对于绕组状态特征量零和极点的获取,大部分依赖于直观观察。部分零和极点变化较小,对判断绕组状态意义不大。因此,为降噪和去冗余,需要利用主成分分析法提取特征矩阵主成分来表征大部分原始数据的结构和特征。
对特征量p的主成分提取步骤如下:
(1)利用特征量p的样本集合求出协方差矩阵
(2)计算协方差矩阵的特征值和对应的特征向量,并将特征值由大到小排列:λ1≥λ2≥...≥λn,对应的特征向量为[d1,d2,...,dn];
(3)选择累计贡献值达到设定值a的前m个特征值所对应的特征向量作为变换矩阵D=[d1,d2,...,dm];
(4)将n维特征矢量p转化为m维新的特征矢量q=DTp。q即为特征量主成分。
由于m<<n,主成分分析法可以使原有数据达到降维的目的,而在累计贡献率设定值较高的情况下,新的特征矢量将保留原有数据的结构和特征。
按上述步骤,原有的零和极点特征量矩阵经主成分分析后压缩合并成了一个低维向量,这保留了原有数据的主要特征,并且大大压缩了数据量。
步骤三、主成分特征向量归一化
采用小数定标标准化方法将每个主成分特征向量中的每个数据转换到[0,1]区间,最后归一化的主成分特征向量作为神经网络的输入量。
步骤四、绕组变形的神经网络识别
对于变压器绕组状态检测,采用的人工神经网络结构如图1所示,包含输入层、隐含层和输出层,分别有n,h,m个节点,x=(x1,x2,...xn)T为BP神经网络的输入值,y=(y1,y2,...yh)T为BP神经网络隐含层输出值,z=(z1,z2,...zm)T为BP神经网络的输出值,αnh和βhm分别是输入层到隐含层与隐含层到输出层之间的连接权值。
神经网络输出量对变形类型、变形程度和变形位置进行编码,绕组变形类型分为电感性故障、纵向电容性故障和对地电容性故障3类,变形程度为轻微、中度和严重3级,变形位置为上部、中上部、中部、中下部和下部5种。分类信息见表1。
表1分类信息表
BP神经网络的学习过程由模式正向传播和误差反向传播组成,具体流程如图2。正向传播过程中,网络转换函数为S型函数:f(t)=1/(1+e-t),t为随机变量。此时:
反向传播过程应用了收敛速度较快的LM(Levenberg-Marquardt)优化算法。在BP人工神经网络进行训练时,每输入一个训练样本,对输入误差进行计算并修正连接权值。通过不断地输入各训练样本,使输出的向量与期望向量尽可能接近,当输出层误差平方和达到设计的误差精度为止结束训练,从而确定BP神经网络的连接权值和误差。
图3给出了三种不同绕组变形前后的频率响应曲线、零点及极点变化情况,它们均由直接获取的传递函数得到。表2给出了三种绕组变形故障的模拟试验及分析,它们交叉涵盖了不同的变形类型、位置和程度。对所有验证样本识别后的统计表明,本发明对绕组故障类型、位置和程度的正判率较高,具有突出的应用价值。
表2三个绕组变形试验的分析识别
综上所述,本发明方法建立了一种变压器绕组变形智能识别过程,相比于人工评判绕组状态,能简化计算量,具有自组织、自学习能力,同时对绕组变形类型、位置和程度具有较高的识别和诊断能力,保证了绕组变形检测的客观性、全面性和科学性。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (7)
1.基于传递函数特征主成分和神经网络的绕组变形识别方法,其特征在于,包括以下步骤:
步骤1:获取当前绕组传递函数或频率响应的零和极点,根据零和极点的频率和幅值,以及其相对基准绕组的变化构建特征量矩阵;
步骤2:通过主成分分析法提取特征量矩阵的主成分后成为主成分特征向量,并对主成分特征向量归一化;
步骤3:构建并训练BP神经网络,并利用BP神经网络识别变压器绕组当前机械状态。
2.根据权利要求1所述的基于传递函数特征主成分和神经网络的绕组变形识别方法,其特征在于,步骤2中对特征量p的主成分提取步骤如下:
2-1)利用特征量p的样本集合求出协方差矩阵其中E为数学期望;T为矩阵转置;为特征量平均值;
2-2)计算协方差矩阵的特征值和对应的特征向量,并将特征值由大到小排列:λ1≥λ2≥...≥λn,对应的特征向量为[d1,d2,...,dn];
2-3)选择累计贡献值达到设定值a的前m个特征值所对应的特征向量作为变换矩阵D=[d1,d2,...,dm];
2-4)将n维特征矢量p转化为m维新的特征矢量q=DTp;q即为特征量主成分。
3.根据权利要求1所述的基于传递函数特征主成分和神经网络的绕组变形识别方法,其特征在于,步骤3中,采用小数定标标准化方法将每个主成分特征向量中的每个数据转换到[0,1]区间,最后归一化的主成分特征向量作为神经网络的输入量。
4.根据权利要求3所述的基于传递函数特征主成分和神经网络的绕组变形识别方法,其特征在于,步骤4中,人工神经网络结构包含输入层、隐含层和输出层,分别有n,h,m个节点,x=(x1,x2,...xn)T为BP神经网络的输入值,y=(y1,y2,...yh)T为BP神经网络隐含层输出值,z=(z1,z2,...zm)T为BP神经网络的输出值,αnh和βhm分别是输入层到隐含层与隐含层到输出层之间的连接权值。
5.根据权利要求4所述的基于传递函数特征主成分和神经网络的绕组变形识别方法,其特征在于,步骤4中,神经网络输出量对变形类型、变形程度和变形位置进行编码,绕组变形类型分为电感性故障、纵向电容性故障和对地电容性故障3类,变形程度为轻微、中度和严重3级,变形位置为上部、中上部、中部、中下部和下部5种。
6.根据权利要求5所述的基于传递函数特征主成分和神经网络的绕组变形识别方法,其特征在于,步骤4中采用人工神经网络结构对变压器绕组状态进行检测;BP神经网络的学习过程由模式正向传播和误差反向传播组成;
正向传播过程中,网络转换函数为S型函数:f(t)=1/(1+e-t),t为随机变量,e为自然指数;此时:
其中,j为隐含层第j个节点;k为输出层第k个节点;
在BP人工神经网络进行训练时,每输入一个训练样本,对输入误差进行计算并修正连接权值;通过不断地输入各训练样本,使输出的向量与期望向量尽可能接近,当输出层误差平方和达到设计的误差精度为止结束训练,从而确定BP神经网络的连接权值和误差。
7.根据权利要求3所述的基于传递函数特征主成分和神经网络的绕组变形识别方法,其特征在于,步骤4中误差反向传播过程应采用LM优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810570047.XA CN109033498A (zh) | 2018-06-05 | 2018-06-05 | 基于传递函数特征主成分和神经网络的绕组变形识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810570047.XA CN109033498A (zh) | 2018-06-05 | 2018-06-05 | 基于传递函数特征主成分和神经网络的绕组变形识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109033498A true CN109033498A (zh) | 2018-12-18 |
Family
ID=64612252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810570047.XA Pending CN109033498A (zh) | 2018-06-05 | 2018-06-05 | 基于传递函数特征主成分和神经网络的绕组变形识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033498A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112014791A (zh) * | 2020-08-28 | 2020-12-01 | 陕西理工大学 | 存在阵列误差的阵列pca-bp算法的近场源定位方法 |
TWI754970B (zh) * | 2020-06-22 | 2022-02-11 | 鴻海精密工業股份有限公司 | 加速啟動函數運算的裝置、方法及存儲介質 |
CN114062832A (zh) * | 2021-08-31 | 2022-02-18 | 广东电网有限责任公司 | 一种配电网短路故障类型的识别方法及系统 |
CN114829870A (zh) * | 2019-12-19 | 2022-07-29 | 株式会社普利司通 | 估计装置、估计方法、程序以及学习模型生成装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5598509A (en) * | 1992-08-28 | 1997-01-28 | Hitachi, Ltd. | Method of configuring a neural network and a diagnosis/recognition system using the same |
CN101408580A (zh) * | 2008-11-21 | 2009-04-15 | 重庆大学 | 基于局部放电特征参量的油纸绝缘老化状态评估方法 |
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 |
CN107844868A (zh) * | 2017-11-27 | 2018-03-27 | 中山路得斯空调有限公司 | 一种融合plc技术与主元分析‑bp神经网络的负荷预测系统 |
-
2018
- 2018-06-05 CN CN201810570047.XA patent/CN109033498A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5598509A (en) * | 1992-08-28 | 1997-01-28 | Hitachi, Ltd. | Method of configuring a neural network and a diagnosis/recognition system using the same |
CN101408580A (zh) * | 2008-11-21 | 2009-04-15 | 重庆大学 | 基于局部放电特征参量的油纸绝缘老化状态评估方法 |
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 |
CN107844868A (zh) * | 2017-11-27 | 2018-03-27 | 中山路得斯空调有限公司 | 一种融合plc技术与主元分析‑bp神经网络的负荷预测系统 |
Non-Patent Citations (3)
Title |
---|
S.BIRLASEKARAN等: "《Diagnosis and Identification of Transformer Faults from》", 《2000 IEEE POWER ENGINEERING SOCIETY WINTER MEETING》 * |
嘉红霞等: "《港口智能控制》", 30 April 2017, 上海:上海科学技术出版社 * |
张承彪等: "《主成分分析在变压器故障诊断中的应用研究》", 《高电压技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114829870A (zh) * | 2019-12-19 | 2022-07-29 | 株式会社普利司通 | 估计装置、估计方法、程序以及学习模型生成装置 |
CN114829870B (zh) * | 2019-12-19 | 2024-03-01 | 株式会社普利司通 | 估计装置、估计方法、程序以及学习模型生成装置 |
TWI754970B (zh) * | 2020-06-22 | 2022-02-11 | 鴻海精密工業股份有限公司 | 加速啟動函數運算的裝置、方法及存儲介質 |
CN112014791A (zh) * | 2020-08-28 | 2020-12-01 | 陕西理工大学 | 存在阵列误差的阵列pca-bp算法的近场源定位方法 |
CN112014791B (zh) * | 2020-08-28 | 2024-01-19 | 安徽合擎智能机器人有限公司 | 存在阵列误差的阵列pca-bp算法的近场源定位方法 |
CN114062832A (zh) * | 2021-08-31 | 2022-02-18 | 广东电网有限责任公司 | 一种配电网短路故障类型的识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033498A (zh) | 基于传递函数特征主成分和神经网络的绕组变形识别方法 | |
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
CN110705873B (zh) | 一种配电网运行状态画像分析方法 | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN109829497B (zh) | 一种基于监督学习的台区用户识别及判别方法 | |
CN105719048A (zh) | 一种基于主成分分析法及熵权法的中压配电网运行状态模糊综合评价方法 | |
CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
CN111596167A (zh) | 基于模糊c均值聚类算法的故障区段定位方法及装置 | |
CN110110977A (zh) | 一种基于改进主成分-层次分析的配电网评估方法 | |
CN104655948A (zh) | 一种新型的电力变压器多级故障诊断方法 | |
CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
CN104036364A (zh) | 一种配电网网络结构水平评价方法 | |
CN109061426A (zh) | 变压器局部放电故障诊断方法及在线监测装置 | |
CN110766313A (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
CN111062500A (zh) | 一种基于离散模糊数和层次分析法的电力设备评价方法 | |
CN104036434A (zh) | 一种配电网负荷供应能力评价方法 | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN114626769B (zh) | 一种电容式电压互感器运维方法及系统 | |
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 | |
CN112381667B (zh) | 一种基于深度学习的配网电气拓扑识别方法 | |
CN109191448A (zh) | 基于三维坐标绘制和数字图像处理的变压器故障识别技术 | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 |
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: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |