CN109100429A - 一种组合预测残差修正的油中气体预测方法 - Google Patents
一种组合预测残差修正的油中气体预测方法 Download PDFInfo
- Publication number
- CN109100429A CN109100429A CN201810670550.2A CN201810670550A CN109100429A CN 109100429 A CN109100429 A CN 109100429A CN 201810670550 A CN201810670550 A CN 201810670550A CN 109100429 A CN109100429 A CN 109100429A
- Authority
- CN
- China
- Prior art keywords
- gas
- prediction
- residual
- state
- dissolved gas
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000007704 transition Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 239000007789 gas Substances 0.000 description 45
- 239000003921 oil Substances 0.000 description 22
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011208 chromatographic data Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002480 mineral oil Substances 0.000 description 1
- 235000010446 mineral oil Nutrition 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Algebra (AREA)
- General Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
一种组合预测残差修正的油中气体预测方法，包括以下步骤：(1)通过油气分离装置将气体分离出来，并运用溶解气体在线色谱分析和气敏传感器分析气体成分和比例，建立溶解气体时间序列；(2)利用灰色关联度确定气体间的关联，建立MGM(1，n)预测模型，输出灰色预测结果；(3)确定训练集和测试集，通过残差自适应回归初步修正训练集和测试集结果，在此基础上通过对训练集进行状态划分，利用马尔可夫模型进一步修正测试集的预测值。本发明主要针对充油式变压器的状态监测，便于及时发现故障避免造成进一步的损失，修正后的预测值所产生的误差明显要小于传统灰色预测结果所产生的误差；保证准确高效的故障识别，原理简单、操作简便。
Description
技术领域
本发明属于变压器油中溶解气体预测领域，具体涉及一种组合预测残差修正的油中气体预测方法。
背景技术
电力变压器是电力系统中的枢纽性设备，承担着转换电压、分配和传输电能的作用，一旦发生故障则会直接影响到电力系统的安全可靠运行。但现实状况是变压器的运行环境中始终有电、热、机械、潮湿等造成的腐蚀，会导致其性能逐渐劣化，一旦引发故障就可能导致电网停电的事故。为了保证变压器的安全稳定运行，需要对其进行状态监测及故障诊断。
当前电力行业使用最多的是充油式变压器，而充油式变压器绝缘采用的是油浸纸方式，当变压器异常放电或过热时矿物油和绝缘纸裂解产生H2、C2H2、C2H4、C2H6、CO、CO2等气体，因此通过油气分离装置将气体分离出来，并运用溶解气体在线色谱分析技术和气敏传感器等分析其成分和比例，得到数据进行相关诊断即可获取变压器潜伏性故障的类型及部位。变压器油中溶解气体的含量由于不受外部电磁场因素的干扰，能有效反映变压器故障的类型，气体含量分析是发现变压器缺陷和潜伏性故障的有效手段。由于变压器在故障发生的各个阶段产生的特征气体组分和含量不同，通过对变压器油中的溶解气体的质量浓度进行诊断和预测，能够实现变压器的在线实时监测，及时发现故障。
目前，油中溶解气体的在线监测方式主要有色谱监测、传感器监测和红外光谱监测等。常用的预测模型有时间序列模型、模糊模型、灰色模型、人工神经网络、支持向量机，卡尔曼滤波，区间预测等。如何找到一种兼具高效性和准确性，避免陷入局部最优点，又要考虑具体实施的问题，考虑到数据搜集的难度的方法是解决变压器状态监测和故障诊断的重要问题。
发明内容
本发明所要解决的技术问题是，针对现有油气预测存在的上述不足，提出一种组合预测残差修正的油中气体预测方法，利用残差自适应回归和马尔可夫模型改进灰色预测方法对变压器油中溶解气体进行预测，达到对变压器进行状态监测及时识别故障发生的目的。
本发明为解决上述问题所采用的技术方案是：
一种组合预测残差修正的油中气体预测方法，包括以下步骤：
(1)通过油气分离装置将气体分离出来，并运用溶解气体在线色谱分析和气敏传感器分析气体成分和比例，建立溶解气体时间序列；
(2)利用灰色关联度确定气体间的关联，建立MGM(1，n)预测模型，输出灰色预测结果；
(3)确定训练集和测试集，通过残差自适应回归初步修正训练集和测试集结果，在此基础上通过对训练集进行状态划分，利用马尔可夫模型进一步修正测试集的预测值(提高预测的准确性)。
按上述方案，所述步骤(3)的具体方法如下：
31)残差自适应回归修正：通过将预测值与实际值进行对比得到残差值，对一系列的残差值进行回归分析选择最优曲线回归模型，输出第一次修正结果；
32)马尔可夫模型修正：在残差自适应回归的基础上，运用马尔可夫模型进行进一步修正，将预测值和实际值的相对误差范围划分成n个状态类型，建立状态转移矩阵，并确定步长数为n，综合每一步的状态转移概率和马尔可夫链步长权重，求得各状态发生的概率，选择加权和值最大的状态转移概率对应的状态作为预测值所处的状态，以区间中点作为最可能的气体含量预测值，输出第二次修正结果。
与现有技术相比，本发明具有以下有益效果：本发明使用经残差自适应回归和马尔可夫模型修正后的MGM(1，n)预测值所产生的误差明显要小于传统灰色预测结果所产生的误差；该油中溶解气体预测方法可有效实现对变压器的状态监测，便于及时发现故障避免造成进一步的损失，保证准确高效的故障识别，并且原理简单、操作简便。
附图说明
图1为本发明组合预测残差修正的油中气体预测方法流程图；
图2为最优高斯函数的拟合曲线。
具体实施方式
下面结合附图和较优选实施例对本发明的技术方案进行详细地阐述。以下较优选实施例仅用于说明和解释本发明，而不构成对本发明技术方案的限制。
参照图1所示，本发明提出一种组合预测残差修正的油中气体预测方法，包含以下步骤：
(1)通过油气分离装置将气体分离出来，并运用溶解气体在线色谱分析和气敏传感器分析气体成分和比例，建立溶解气体时间序列，以某电力局220kV变压器实测油中溶解气体质量浓度的色谱数据为例，共得到7组数据(溶解气体时间序列)，见表1；
表1变压器油中的气体组分及浓度
(2)利用灰色关联分析理论对变压器油中溶解气体的含量变化进行关联度分析，以一种气体的含量作为待预测主体，分析其他气体含量因子对该气体含量变化产生影响的程度。实质是以历史气体含量数列曲线形态的相似水平为基础，判断其他气体与待预测气体曲线形态接近的程度，越接近则说明相应数列间的关联程度越大，反之则关联程度越小。
设待预测数列X0＝(x0(1)，x0(2)，x0(n))，比较数列Xi＝(xi(1)，xi(2)，xi(n))，将各数列的具体数值与该数列中最大值的比值作为归一化后的数据，则数值Xi(k)与X0(k)的灰色关联系数ζi(k)可以表示为：
其中，k＝1,…,n，n为数列长度，ρ为分辨系数，影响的是关联系数间的差异显著性，取值范围为0＜ρ＜1，一般取0.5，则数列Xi与X0的灰色关联度为
当γ＞0.5时，可认为数列Xi与X0相关，且γ越大说明两者关联度越高。
以C2H2作为待预测主体，将表1中前6组数据作为样本的训练集，将最后1组数据作为测试集，用来检验各种方法的预测精度。
首先比较其他四种气体相对于C2H2的关联度，确定关联度大于0.5的几种建立MGM(1，n)预测模型。关联度结果见表2，由此建立包含所有气体的MGM(1，n)模型。
表2各气体相对于C2H2的关联度
表3 MGM(1，n)模型预测偏差率
(3)通过残差自适应回归和马尔可夫模型相结合，进一步修正MGM(1，n)预测模型针对测试集的预测值，提高预测的准确性，具体为：
31)通过将预测值与实际值进行对比得到残差值，对一系列的残差值进行回归分析修正MGM(1，n)针对测试集的预测值，避免残差持续累积不断增大预测的误差，达到提高精度的目的。
拟合值与实际值的残差值为：
由于拟合值可能大于或小于实际值，即残差值可能会存在负值，为了方便后续实现累加生成，可以适当加一个数a使残差值全部为非负数然后采用灰色系统理论的一次累加生成方法得到
此处a＝1，残差值的一次累加生成矩阵为：
对的离散点图的变化趋势，运用matlab的cftool工具箱对残差值进行曲线拟合。
利用拟合曲线方程的确定系数(R-square)、均方根差(RMSE)和标准差(SSE)比较拟合效果，选取最好的一个作为的回归方程，再根据累减处理得到原始数列的残差修正值：
修正之后的预测值为
表4曲线拟合情况
从表4中明显可以看出高斯函数的曲线拟合效果最好(见图2)，得到高斯函数的曲线方程为：
然后对数据进行累减还原处理，得到残差自适应回归修正后的灰色预测值如表5所示。
表5残差自适应回归修正结果
32)灰色模型对于随机波动性较大的数列预测精度会受到影响，在残差自适应回归的基础上运用马尔可夫模型进行进一步修正。马尔可夫理论可依据系统各状态之间的转移概率，推断动态系统未来的发展变化，通过转移概率描述各随机因素的影响以及各状态之间转移的内在规律性。因此，马尔可夫预测模型适合预测随机波动性较大的问题以及对存在多种随机因素的预测模型结果进行修正。
在对油中溶解气体进行预测时，可以将预测值和实际值的相对误差范围作为状态划分的值域，分为n个状态，在某一时刻只能处于其中一个状态(S1i，S2i)。为了确定后续数列误差的范围，可以计算由状态Si经过n步转移到状态Sj的概率：
式中，Nij(m)表示由Si状态转移到Sj状态的次数，Ni表示转移前处于Si状态的总次数。
需要说明的是，由于时间序列最后的转向不确定，因此在计算Nij(m)时要去掉末尾的n个数据。由此可以得到马尔可夫链的n步转移概率矩阵为
此处将相对误差值分为4个状态区间，见表6。
表6状态划分标准
确定C2H2的状态转移矩阵如下：
通过归一化各阶自相关系数作为权重值，将处于同一状态的概率值加权求和作为预测概率，并根据最大隶属度原则确定下一时刻的状态空间，可以确定马尔可夫链m步长的权重，具体算法如下：
滞时为m步长的自相关系数：
其中，Xk(k＝1,2,…v)是时间序列，表示该序列的平均值。
第m阶步长的权重为：
综合每一步的状态转移概率和马尔可夫链步长权重，可以求得各状态发生的概率，选取最大值作为预测时刻所处的状态Popt：
确定了预测值所处的状态即确定了预测值的范围，以区间中点作为最可能的气体含量预测值：
式中， 为MGM(1，n)模型求得的预测值
表7马尔可夫模型预测结果
由表7可以看出，状态1对应的加权和值最大，基于残差自使用回归修正之后的预测值，根据式(12)可以求出马尔可夫修正之后的预测值： 同理，若要继续预测后续时间序列的结果，则将靠前时步的数据去除，继续添加新预测出来的新时步的数据，形成定长的指标值序列，使得预测模型以最新的实测数据为基础，对变压器油中溶解气体进行动态滚动分析。
表8预测结果修正对比
表8为原始MGM(1，n)灰色预测模型和仅通过残差自适应回归模型以及进一步进行马尔可夫模型之后的误差对比，训练集误差为各时间序列变量的误差绝对值之和，可以看出，误差减小了11.3％；测试集通过一次残差回归修正误差减小了36.7％，再进行马尔可夫修正之后误差又减小了14.7％，相比于原始MGM(1，n)误差减小了51.4％。说明本发明从后续修正的角度对原始灰色预测模型进行改进取得了良好的效果。
本领域的技术人员可以对本发明进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (2)
1.一种组合预测残差修正的油中气体预测方法，其特征在于，包括以下步骤：
(1)通过油气分离装置将气体分离出来，并运用溶解气体在线色谱分析和气敏传感器分析气体成分和比例，建立溶解气体时间序列；
(2)利用灰色关联度确定气体间的关联，建立MGM(1，n)预测模型，输出灰色预测结果；
(3)确定训练集和测试集，通过残差自适应回归初步修正训练集和测试集结果，在此基础上通过对训练集进行状态划分，利用马尔可夫模型进一步修正对测试集的预测结果。
2.根据权利要求1所述的一种组合预测残差修正的油中气体预测方法，其特征在于，所述步骤(3)的具体方法为：
31)残差自适应回归修正：通过将预测值与实际值进行对比得到残差值，对一系列的残差值进行回归分析选择最优曲线回归模型，输出第一次修正结果；
32)马尔可夫模型修正：在残差自适应回归的基础上，运用马尔可夫模型进行进一步修正，将预测值和实际值的相对误差范围划分成n个状态类型，建立状态转移矩阵，并确定步长数为n，综合每一步的状态转移概率和马尔可夫链步长权重，求得各状态发生的概率，选取加权和值最大的状态转移概率对应的状态作为预测值所处的状态，以区间中点作为最可能的气体含量预测值，输出第二次修正结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810670550.2A CN109100429A (zh) | 2018-06-26 | 2018-06-26 | 一种组合预测残差修正的油中气体预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810670550.2A CN109100429A (zh) | 2018-06-26 | 2018-06-26 | 一种组合预测残差修正的油中气体预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109100429A true CN109100429A (zh) | 2018-12-28 |
Family
ID=64845011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810670550.2A Pending CN109100429A (zh) | 2018-06-26 | 2018-06-26 | 一种组合预测残差修正的油中气体预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109100429A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084716A (zh) * | 2019-03-13 | 2019-08-02 | 湖南大唐先一科技有限公司 | 基于灰色系统分析的火力发电机组成本预算方法 |
| CN110146634A (zh) * | 2019-06-20 | 2019-08-20 | 广东电网有限责任公司 | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 |
| CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
| CN110793932A (zh) * | 2019-11-18 | 2020-02-14 | 国网重庆市电力公司电力科学研究院 | Cf4气体浓度检测方法、装置、设备及准确度验证系统 |
| CN111650881A (zh) * | 2020-05-12 | 2020-09-11 | 武汉理工大学 | 数控机床定位误差预测与补偿方法、系统及存储介质 |
| CN113849540A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 故障预测模型训练和预测方法、装置、电子设备及介质 |
| CN114781759A (zh) * | 2022-06-16 | 2022-07-22 | 国网天津市电力公司经济技术研究院 | 基于神经网络和动态镜像下降的居民负荷预测方法及装置 |
| CN117233274A (zh) * | 2023-08-29 | 2023-12-15 | 江苏光质检测科技有限公司 | 一种土壤中半挥发性有机物含量检测校正方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160423A (zh) * | 2015-09-14 | 2015-12-16 | 河海大学常州校区 | 一种基于马尔科夫残差修正的光伏发电预测方法 |
| CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
-
2018
- 2018-06-26 CN CN201810670550.2A patent/CN109100429A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160423A (zh) * | 2015-09-14 | 2015-12-16 | 河海大学常州校区 | 一种基于马尔科夫残差修正的光伏发电预测方法 |
| CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHENGLONG DAI，ET AL: "Wavelet Transform-based Residual Modified GM(1,1) for Hemispherical Resonator Gyroscope Lifetime Prediction", 《IAENG INTERNATIONAL JOURNAL OF COMPUTER SCIENCE》 * |
| 张守平等: "基于自适应MGM( 1, n)-马尔科夫链模型的大坝变形预测", 《南水北调与水利科技》 * |
| 张立涛: "基于参差修正的灰色—马尔可夫模型在公路客运量预测中的应用", 《交通世界》 * |
| 苗正伟等: "基于加权马尔可夫链的榆林地区年降水状态预测研究", 《山西建筑》 * |
| 陈西江等: "残差自适应回归MGM（1，n）", 《测绘科学》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084716A (zh) * | 2019-03-13 | 2019-08-02 | 湖南大唐先一科技有限公司 | 基于灰色系统分析的火力发电机组成本预算方法 |
| CN110146634A (zh) * | 2019-06-20 | 2019-08-20 | 广东电网有限责任公司 | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 |
| CN110146634B (zh) * | 2019-06-20 | 2021-07-23 | 广东电网有限责任公司 | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 |
| CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
| CN110793932A (zh) * | 2019-11-18 | 2020-02-14 | 国网重庆市电力公司电力科学研究院 | Cf4气体浓度检测方法、装置、设备及准确度验证系统 |
| CN110793932B (zh) * | 2019-11-18 | 2022-06-17 | 国网重庆市电力公司电力科学研究院 | Cf4气体浓度检测方法、装置、设备及准确度验证系统 |
| CN111650881A (zh) * | 2020-05-12 | 2020-09-11 | 武汉理工大学 | 数控机床定位误差预测与补偿方法、系统及存储介质 |
| CN113849540A (zh) * | 2021-09-22 | 2021-12-28 | 广东电网有限责任公司 | 故障预测模型训练和预测方法、装置、电子设备及介质 |
| CN114781759A (zh) * | 2022-06-16 | 2022-07-22 | 国网天津市电力公司经济技术研究院 | 基于神经网络和动态镜像下降的居民负荷预测方法及装置 |
| CN117233274A (zh) * | 2023-08-29 | 2023-12-15 | 江苏光质检测科技有限公司 | 一种土壤中半挥发性有机物含量检测校正方法及系统 |
| CN117233274B (zh) * | 2023-08-29 | 2024-03-15 | 江苏光质检测科技有限公司 | 一种土壤中半挥发性有机物含量检测校正方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109100429A (zh) | 一种组合预测残差修正的油中气体预测方法 | |
| CN106055918B (zh) | 一种电力系统负荷数据的辨识及修正方法 | |
| CN104914327B (zh) | 基于实时监测信息的变压器故障检修预测方法 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN103268519B (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
| 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 | |
| CN111080072A (zh) | 配电变压器健康指数评估方法、装置及系统 | |
| CN105468850B (zh) | 基于多残差回归预测算法的电子产品退化趋势预测方法 | |
| CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
| Jin-qiang | Fault prediction of a transformer bushing based on entropy weight TOPSIS and gray theory | |
| CN113516310B (zh) | 一种变压器故障预警方法及系统 | |
| CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
| CN113935534A (zh) | 一种基于卷积transformer架构的光伏日前预测方法、系统及设备 | |
| CN104063577A (zh) | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 | |
| CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
| CN116840765B (zh) | 一种基于多元时序分析的电压互感器误差状态评估方法 | |
| CN111797365A (zh) | 一种换流变压器温度异常判断方法及系统 | |
| CN115327286A (zh) | 一种应用于发电站的变压器监测方法及系统 | |
| CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
| CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
| CN111091223B (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
| CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
| CN107274112B (zh) | 改良油中溶解气体的诊断算法模型 | |
| Wang et al. | Failure rate prediction based on AR model and residual correction | |
| CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |
|
| RJ01 | Rejection of invention patent application after publication |