CN109063734B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109063734B
CN109063734B CN201810701283.0A CN201810701283A CN109063734B CN 109063734 B CN109063734 B CN 109063734B CN 201810701283 A CN201810701283 A CN 201810701283A CN 109063734 B CN109063734 B CN 109063734B
Authority
CN
China
Prior art keywords
fault
clustering
local density
data set
distance
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.)
Expired - Fee Related
Application number
CN201810701283.0A
Other languages
English (en)
Other versions
CN109063734A (zh
Inventor
罗伟明
吴杰康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810701283.0A priority Critical patent/CN109063734B/zh
Publication of CN109063734A publication Critical patent/CN109063734A/zh
Application granted granted Critical
Publication of CN109063734B publication Critical patent/CN109063734B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明涉及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，先选取特征气体指标并收集油浸式变压器特征气体的相关故障及非故障数据集，将收集得到的数据集划分为训练数据集，测试数据集和未知故障数据集后，对训练数据集进行打分与归一化预处理，再对训练数据集进行分级局部密度聚类算法分析，确定每个子聚类结果所包含的故障类型，搭建一个故障状态评估模型；带入测试数据集后，通过数据之间的欧氏距离对测试数据进行归类并结合三比值法进一步判断故障类别。该故障状态评估方法客观公正，简单易行，准确率高，并能随油浸式变压器的实际情况对故障状态评估模型进行修正。

Description

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
技术领域
本发明涉及电力系统及其自动化的技术领域，尤其涉及到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。
背景技术
随着电力系统的不断发展，电网规模日渐扩大，设备间关联关系日趋复杂，而电力油浸式变压器作为电力系统中最重要的设备之一，在电力油浸式变压器发生故障时能在线及时发现故障并对故障进行有效判断，这对保证电力系统安全运行，经济运行和用电可靠性尤为重要。
油浸式变压器内的绝缘油是由不同分子量的碳氢化合物分子组成的混合物，在发生电故障或热故障后，进过复杂的化学反应重新化合，形成氢气和低分子烃类，比如CH4，C2H6，C2H4，C2H2等相关气体，因此油浸式变压器内的溶解特征气体含量与油浸式变压器故障很强的相关性。目前对于油浸式变压器领域没有专门衡量油浸式变压器是否处于故障状态的方法。判断是否处于故障状态主要依靠2014年发布的《中华人民共和国电力行业标准--变压器油中溶解气体分析与判断导则》(DL/T 722-2014)中特征气体含量三比值法。而在国际上存在部分类似特征气体三比值的比值或者相对浓度对故障进行编码，以此来判断故障类型。常见的方法有Duval法，Rogers法和Doernenburg法。
目前来说，在实际变压器故障诊断中通常采用三比值法，部分方法也是在三比值法上做适当改进。三比值法是将故障类别分为低温过热(低于150℃)，低温过热(150℃-300℃)，中温过热(300-700℃)，高温过热(高于700℃)，局部放电，低能放电，低能放电兼过热，电弧放电和电弧放电兼过热九种故障状态，并通过特征气体比值或者相对浓度进行编码，在通过编码对油浸式变压器进行故障诊断。可见，对于该方法并没有考虑编码是否完全，编码边界是否太过绝对和特征量使用较少等问题，并且三比值法并未考虑实际运行的油浸式变压器因为运行状态或运行环境变化导致特征量对于实际故障类别的偏差问题。
发明内容
本发明的目的在于克服现有技术的不足，以特征气体浓度作为样本数据采用一种结合局部密度聚类算法和三比值法的油浸式变压器故障状态识别方法。其基本原理是：先对训练数据集进行打分与归一化预处理，再对训练数据集进行分级局部密度聚类算法分析，确定每个子聚类结果所包含的故障类型，搭建一个故障状态评估模型；带入测试数据集后，通过数据之间的欧氏距离对测试数据进行归类并结合三比值法进一步判断故障类别。该故障状态评估方法客观公正，简单易行，并能随油浸式变压器的实际情况对故障状态评估模型进行修正。
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，包括以下步骤：
S1：选取特征气体指标并收集油浸式变压器特征气体的相关故障及非故障数据集；
S2：将收集得到的特征气体数据集划分为训练数据集C1，测试数据集C2和未知故障数据集C3；
S3：对训练数据集C1进行打分处理；
S4：对已经过打分处理的数据集进行归一化处理；
S5：对已经过归一化处理的训练数据集C1进行多级局部密度聚类处理；
S6：将整合的聚类结果用聚类类别故障表表示，并转换成聚类类别故障识别表，从而确定每个子聚类结果所包含的故障类型，以此作为故障状态评估模型；带入测试数据集C2，按照欧氏距离对测试数据集C2进行归类，结合三比值法进行故障分类；并通过测试数据集C2进行准确率验证；
S7：带入未知故障数据集C3进行验证，若连续多次出现变压器故障诊断错误，则判断测试样本平均距离和训练样本平均距离之间的大小情况，若测试样本平均距离比训练样本平均距离之比大于1.2，则重新整合全部数据进入S2步骤操作，以重新修正故障状态评估模型,直至变压器故障状态评估正确。
进一步地，所述步骤S3采用如下公式进行打分：
Figure GDA0001791320650000031
其中，x为实际故障状态数据，y为经过打分之后故障状态数据，Cmin，Cmax为实际对应各个气体阈值。
进一步地，所述步骤S5对已经过归一化处理的训练数据集C1进行多级局部密度聚类处理的具体过程为：先对训练数据集C1进行局部密度聚类算法处理得到聚类结果，然后对子聚类结果再次进行局部密度聚类算法处理，直到聚类结果无法在聚类出更多类别为止，最后整合所有子聚类结果。
进一步地，所述步骤S5中进行局部密度聚类算法处理的具体过程如下：
S5-1：计算样本之间的欧式距离并确定截断距离dc，dc的距离为所有样本之间相互距离由小到大排列占总数2％的位置的距离大小；
S5-2：计算每个样本的局部密度ρi；
S5-3：根据局部密度确定每个样本的距离偏量δi；
S5-4：根据距离偏量δi和局部密度ρi，γi＝ρi×δi确定中心选择指标γi并标记聚类中心；
S5-5：根据聚类中心对非聚类中心点进行聚类得到聚类结果；
S5-6：根据聚类结果判断样本中的离散点。
进一步地，所述每个样本局部密度的计算公式如下：
Figure GDA0001791320650000032
Figure GDA0001791320650000033
式中，dij表示第i个样本点到j点的距离；dc表示截断距离，为预先设定值；ρi为一个离散函数，表示第i个样本的局部密度，表示对于i点其距离dij小于截断距离dc的点的个数；
所述每个样本的距离偏量的计算公式如下：
Figure GDA0001791320650000041
式中，距离偏量δi定义为：对于i点，比i点的局部密度大的点j中的最小距离；并定义局部密度最大的点的距离偏量也为最大，保证局部密度最大点为聚类中心。
进一步地，所述所有子聚类结果按照如下规则进行整合：
在聚类完成时，若在某子聚类结果中某故障的故障识别率低于0.1，认为该子聚类中无该故障类型；
在聚类完成时，若在某子聚类结果中某故障的故障识别率高于0.7，认为该子聚类表达该故障类型。
进一步地，所述步骤S6中在聚类结果完成时，得到聚类类别故障表，按照如下计算方法得到聚类类别故障识别表：
Figure GDA0001791320650000042
式中，A表示该聚类结果A中样本个数，Ai表示第i类故障在聚类结果
Figure GDA0001791320650000043
中的样本个数。
进一步地，所述步骤S6中，结合测试数据集C2归类情况和三比值法进行故障识别时，需满足如下规则：
在完成聚类后，若无故障类型的故障识别率高于0.7，需要对分类到该聚类的数据进行三比值法修正；
若在修正过程中三比值法无法反映故障类型或者反映故障类型不再该聚类结果中，忽略三比值法结果，根据聚类结果中故障识别率优先级最高的故障类别作为该样本的故障判断结果。
进一步地，所述步骤S7中，需要判断测试样本平均距离和训练样本平均距离之间的大小情况时，测试样本平均距离的计算公式如下：
Figure GDA0001791320650000051
其中，n表示训练样本数，di表示测试数据到到各个训练样本的距离；
训练样本平均距离的计算公式如下：
Figure GDA0001791320650000052
与现有技术相比，本方案能有效避免三比值法编码绝对，编码不全和三比值必须在已知变压器故障的情况下使用等问题，并通过三比值法来有效弥补局部密度聚类算法在故障识别中相对模糊的情况；可以在一定程度反应实际故障之间的关联，可以根据油浸式变压器实际运行情况和出现新故障对变压器故障识别模型做适当修正从而达到自主识别新故障；为油浸式变压器状态检修计划及故障诊断提供技术支撑。
附图说明
图1为本发明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的流程框图；
图2为本发明中训练样本聚类效果图；
图3为本发明中包含未知故障样本和训练样本聚类效果图。
具体实施方式
下面参照附图并结合实例对本发明的具体实施方式做进一步详细描述。
如图1所示，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，包括以下步骤：
S1：选取H2，CH4，C2H2，C2H4，C2H6作为特征气体指标。收集油浸式变压器特征气体的相关故障及非故障数据；
S2：将收集得到的特征气体数据集中划分为训练数据集C1，测试数据集C2和未知故障数据集C3；选取部分故障作为未知故障数据集C3，并在训练数据集C1中去掉对应未知故障；去掉未知故障后，随机抽取个10％的故障数据作为测试数据集C2，其余做训练数据集C1；
S3：根据式
Figure GDA0001791320650000061
对训练数据集C1进行打分处理，其中x为实际故障状态数据，y为进过打分之后故障状态数据，Cmin，Cmax为实际对应各个气体阈值，如表1所示：
Figure GDA0001791320650000062
表1
S4：对已经过打分处理的数据集进行归一化处理，其计算公式为
Figure GDA0001791320650000063
S5：对训练数据集C1进行局部密度聚类算法处理得到聚类结果，然后对子聚类结果再次进行局部密度聚类算法处理，直到聚类结果无法在聚类出更多类别为止，最后整合所有子聚类结果；
进行局部密度聚类算法处理的具体过程如下：
1)输入样本数据，截断距离dc为0.02，局部密度方式输入1表示离散局部密度；每个样本局部密度ρi的计算公式如下：
Figure GDA0001791320650000064
Figure GDA0001791320650000065
式中，dij表示第i个样本点到j点的距离；dc表示截断距离，为预先设定值；
2)根据局部密度确定每个样本的距离偏量δi；每个样本的距离偏量根据公式
Figure GDA0001791320650000071
得出；
3)根据距离偏量δi和局部密度ρi，γi＝ρi×δi确定中心选择指标γi并标记聚类中心；
4)根据聚类中心对非聚类中心点进行聚类得到聚类结果，如图2所示；
最后整合所有子聚类结果时，根据如下规则进行：
在聚类完成时，若在某子聚类结果中某故障的故障识别率低于0.1，认为该子聚类中无该故障类型；
在聚类完成时，若在某子聚类结果中某故障的故障识别率高于0.7，认为该子聚类表达该故障类型。
S6：将整合的聚类结果用聚类类别故障表表示，并转换成聚类类别故障识别表，如表2所示，从而确定每个子聚类结果所包含的故障类型，以此作为故障状态评估模型；带入测试数据集C2，按照欧氏距离对测试数据集C2进行归类，结合三比值法进行故障分类；并通过测试数据集C2进行准确率验证；
Figure GDA0001791320650000072
表2
结合测试数据集C2归类情况和三比值法进行故障识别时，需满足如下规则：
在完成聚类后，若无故障类型的故障识别率高于0.7，需要对分类到该聚类的数据进行三比值法修正；
若在修正过程中三比值法无法反映故障类型或者反映故障类型不再该聚类结果中，忽略三比值法结果，根据聚类结果中故障识别率优先级最高的故障类别作为该样本的故障判断结果。
得到测试样本故障分类准确率，如表3，4所示：
Figure GDA0001791320650000081
表3
Figure GDA0001791320650000082
表4
通过表3和表4可以发现本实施例提出的LDC-IEC方法具有较高的分类准确率。其中BP表示人工神经网络算法，IEC表示三比值法，LDC-IEC表示本实施例提出的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。
其中，BP算法是在误差在0.0001和迭代1000次的40隐含层神经元的参数下进行测试得到的结果。
S7：带入未知故障数据集C3进行验证，若连续多次出现变压器故障诊断错误，则判断测试样本平均距离和训练样本平均距离之间的大小情况，若测试样本平均距离比训练样本平均距离之比大于1.2，则重新整合全部数据进入S2步骤操作，以重新修正故障状态评估模型,直至变压器故障状态评估正确。
其中，测试样本平均距离的计算公式如下：
Figure GDA0001791320650000083
式中，n表示训练样本数，di表示测试数据到到各个训练样本的距离；
训练样本平均距离的计算公式如下：
Figure GDA0001791320650000091
如图3所示，对于分类数1-10为实际聚类故障，11到16为实际故障分类情况。可以从图中发现对于新分出来的故障类别8就是主要就是低能放电和高能放电故障，但聚类结果无法直接将其分开，在此基础上在结合三比值法将低能放电故障和高能放电故障分开。
Figure GDA0001791320650000092
表5
通过图3和表5说明整合重新聚类时，有效的将未知故障分开，证明当出现未知故障时，该方法能重新修正故障状态评估模型，以适应新故障类型，说明本实施例提出的方法可以在油浸式变压器运行环境和环境变化等外部因素改变的条件下，通过已有数据对故障状态评估模型进行自适应修正。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (7)

1.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，其特征在于，包括以下步骤：
S1：选取特征气体指标并收集油浸式变压器特征气体的相关故障及非故障数据集；
S2：将收集得到的特征气体数据集划分为训练数据集C1、测试数据集C2和未知故障数据集C3；
S3：对训练数据集C1进行打分处理；
S4：对已经过打分处理的训练数据集C1进行归一化处理；
S5：对已经过归一化处理的训练数据集C1进行多级局部密度聚类处理；
S6：将整合的聚类结果用聚类类别故障表表示，并转换成聚类类别故障识别表，从而确定每个子聚类结果所包含的故障类型，以此作为故障状态评估模型；代 入测试数据集C2，按照欧氏距离对测试数据集C2进行归类，结合三比值法进行故障分类；并通过测试数据集C2进行准确率验证；
S7：代 入未知故障数据集C3进行验证，若连续多次出现变压器故障诊断错误，则判断测试样本平均距离和训练样本平均距离之间的大小情况，若测试样本平均距离与训练样本平均距离之比大于1.2，则重新整合全部数据进入步骤S2操作，以重新修正故障状态评估模型,直至变压器故障状态评估正确；
所述步骤S5对已经过归一化处理的训练数据集C1进行多级局部密度聚类处理的具体过程为：先对训练数据集C1进行局部密度聚类算法处理得到聚类结果，然后对子聚类结果再次进行局部密度聚类算法处理，直到聚类结果无法再聚类出更多类别为止，最后整合所有子聚类结果；
所述步骤S5中进行局部密度聚类算法处理的具体过程如下：
S5-1：计算样本之间的欧式距离并确定截断距离dc，dc的距离为所有样本之间相互距离由小到大排列占总数2％的位置的距离大小；
S5-2：计算每个样本的局部密度ρi；
S5-3：根据局部密度确定每个样本的距离偏量δi；
S5-4：根据距离偏量δi和局部密度ρi，γi＝ρi×δi确定中心选择指标γi并标记聚类中心；
S5-5：根据聚类中心对非聚类中心点进行聚类得到聚类结果；
S5-6：根据聚类结果判断样本中的离散点。
2.根据权利要求1所述的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，其特征在于，所述步骤S3采用如下公式进行打分：
Figure FDA0003407355610000021
其中，x为实际故障状态数据，y为经过打分之后故障状态数据，Cmin、Cmax为实际对应各个气体阈值。
3.根据权利要求1所述的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，其特征在于，所述每个样本局部密度的计算公式如下：
Figure FDA0003407355610000022
Figure FDA0003407355610000023
式中，dij表示第i个样本点到j点的距离；dc表示截断距离，为预先设定值；ρi为一个离散函数，表示第i个样本的局部密度，表示对于i点其距离dij小于截断距离dc的点的个数；
所述每个样本的距离偏量的计算公式如下：
Figure FDA0003407355610000024
式中，距离偏量δi定义为：对于i点，比i点的局部密度大的点j中的最小距离；并定义局部密度最大的点的距离偏量也为最大，保证局部密度最大点为聚类中心。
4.根据权利要求1所述的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，其特征在于，所述所有子聚类结果按照如下规则进行整合：
在聚类完成时，若在某子聚类结果中某故障的故障识别率低于0.1，认为该子聚类中无该故障类型；
在聚类完成时，若在某子聚类结果中某故障的故障识别率高于0.7，认为该子聚类表达该故障类型。
5.根据权利要求1所述的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，其特征在于，所述步骤S6中在聚类结果完成时，得到聚类类别故障表，按照如下计算方法得到聚类类别故障识别表：
Figure FDA0003407355610000031
式中，Ai表示第i类故障在聚类结果
Figure FDA0003407355610000032
中的样本个数。
6.根据权利要求1所述的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，其特征在于，所述步骤S6中，结合测试数据集C2归类情况和三比值法进行故障分类时，需满足如下规则：
在完成聚类后，若无故障类型的故障识别率高于0.7，需要对分类到该聚类的数据进行三比值法修正；
若在修正过程中三比值法无法反映故障类型或者反映故障类型不在该聚类结果中，忽略三比值法结果，根据聚类结果中故障识别率优先级最高的故障类别作为样本的故障判断结果。
7.根据权利要求1所述的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，其特征在于，所述步骤S7中，需要判断测试样本平均距离和训练样本平均距离之间的大小情况时，测试样本平均距离的计算公式如下：
Figure FDA0003407355610000033
其中，n表示训练样本数，di表示测试数据到各个训练样本的距离；
训练样本平均距离的计算公式如下：
Figure FDA0003407355610000041
CN201810701283.0A 2018-06-29 2018-06-29 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 Expired - Fee Related CN109063734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810701283.0A CN109063734B (zh) 2018-06-29 2018-06-29 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810701283.0A CN109063734B (zh) 2018-06-29 2018-06-29 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

Publications (2)

Publication Number Publication Date
CN109063734A CN109063734A (zh) 2018-12-21
CN109063734B true CN109063734B (zh) 2022-02-25

Family

ID=64818679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810701283.0A Expired - Fee Related CN109063734B (zh) 2018-06-29 2018-06-29 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

Country Status (1)

Country Link
CN (1) CN109063734B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109856494A (zh) * 2019-01-02 2019-06-07 广东工业大学 一种基于支持向量机的变压器故障诊断方法
CN109840548A (zh) * 2019-01-02 2019-06-04 广东工业大学 一种基于bp神经网络变压器故障诊断方法
CN109784475B (zh) * 2019-01-02 2022-12-16 广东工业大学 一种基于动态适应bp神经网络的变压器故障诊断方法
CN109816031B (zh) * 2019-01-30 2022-08-05 南京邮电大学 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN110618340A (zh) * 2019-03-11 2019-12-27 广东工业大学 一种变压器状态评估方法
CN111079789B (zh) * 2019-11-18 2023-06-30 中国人民解放军63850部队 一种故障数据标记方法及故障识别装置
CN111413558A (zh) * 2020-03-05 2020-07-14 国网浙江省电力有限公司湖州供电公司 一种基于dbscan的变压器故障诊断方法
CN112381388B (zh) * 2020-11-12 2022-11-08 安徽江机重型数控机床股份有限公司 一种数控机床主轴电机运行监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040117403A1 (en) * 2001-05-14 2004-06-17 David Horn Method and apparatus for quantum clustering
US20130013549A1 (en) * 2011-07-07 2013-01-10 International Business Machines Corporation Hardware-assisted approach for local triangle counting in graphs
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法
CN106202922A (zh) * 2016-07-06 2016-12-07 吴本刚 一种基于聚类算法的变压器故障诊断系统
CN106443259A (zh) * 2016-09-29 2017-02-22 国网山东省电力公司电力科学研究院 基于欧式聚类和spo‑svm的变压器故障诊断新方法
CN107491783A (zh) * 2017-07-31 2017-12-19 广东电网有限责任公司惠州供电局 基于改进密度峰值聚类算法的变压器故障类型分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040117403A1 (en) * 2001-05-14 2004-06-17 David Horn Method and apparatus for quantum clustering
US20130013549A1 (en) * 2011-07-07 2013-01-10 International Business Machines Corporation Hardware-assisted approach for local triangle counting in graphs
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法
CN106202922A (zh) * 2016-07-06 2016-12-07 吴本刚 一种基于聚类算法的变压器故障诊断系统
CN106443259A (zh) * 2016-09-29 2017-02-22 国网山东省电力公司电力科学研究院 基于欧式聚类和spo‑svm的变压器故障诊断新方法
CN107491783A (zh) * 2017-07-31 2017-12-19 广东电网有限责任公司惠州供电局 基于改进密度峰值聚类算法的变压器故障类型分类方法

Also Published As

Publication number Publication date
CN109063734A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109063734B (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
CN110596492B (zh) 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法
WO2016127598A1 (zh) 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN105242155A (zh) 一种基于熵权法和灰色关联分析的变压器故障诊断方法
CN104020401A (zh) 基于云模型理论的变压器绝缘热老化状态的评估方法
CN113516228B (zh) 一种基于深度神经网络的网络异常检测方法
CN109034140A (zh) 基于深度学习结构的工业控制网络信号异常检测方法
CN115563563A (zh) 基于变压器油色谱分析的故障诊断方法及装置
CN102945222B (zh) 一种基于灰色理论的乏信息测量数据粗大误差判别方法
CN113205125A (zh) 一种基于XGBoost的特高压换流阀运行状态评估方法
CN111832664A (zh) 基于Borderline SMOTE的电力变压器故障样本均衡化和故障诊断方法
CN111338950A (zh) 一种基于谱聚类的软件缺陷特征选择方法
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
CN110930057A (zh) 基于lof算法的配电变压器检验结果可信度的量化评判方法
CN113435759A (zh) 一种基于深度学习的一次设备风险智能评估方法
CN112861417A (zh) 一种基于加权和选择性朴素贝叶斯的变压器故障诊断方法
CN114912739A (zh) 环境与变电站运维费用关联模型的构建及应用方法
CN112800232B (zh) 一种基于大数据的案件自动分类方法
CN111737993B (zh) 一种配电网设备的故障缺陷文本提取设备健康状态方法
CN111709495A (zh) 一种基于nbc模型的变压器故障诊断方法
CN115327081A (zh) 一种改进樽海鞘群优化支持向量机的变压器故障诊断方法
CN106709522B (zh) 一种基于改进模糊三角数的高压电缆施工缺陷分级方法
CN115034310A (zh) 乙烯裂解炉热效率的多模型预测方法及装置
CN114595753A (zh) 面向数据稀缺场景的综合供能服务站油气回收系统故障检测方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220225