CN109459522A - 一种基于id3算法的变压器缺陷预测方法及装置 - Google Patents
一种基于id3算法的变压器缺陷预测方法及装置 Download PDFInfo
- Publication number
- CN109459522A CN109459522A CN201811631769.8A CN201811631769A CN109459522A CN 109459522 A CN109459522 A CN 109459522A CN 201811631769 A CN201811631769 A CN 201811631769A CN 109459522 A CN109459522 A CN 109459522A
- Authority
- CN
- China
- Prior art keywords
- oil
- parameter
- data
- immersed transformer
- sample data
- 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
- 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
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8693—Models, e.g. prediction of retention times, method development and validation
-
- 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
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8696—Details of Software
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请公开了一种基于ID3算法的变压器缺陷预测方法及装置,本申请的技术方案利用ID3算法技术、把油浸式变压器各种在线监测数据集中融合,汇总形成有价值的数据,改变油浸式变压器缺陷判定依靠传统数据统计分析和人工经验方法的不足,改变油浸式变压器设备缺陷事后分析的信息滞后局面。利用就地采集油浸式变压器在线监测数据,及时预判油浸式变压器运行缺陷,支撑油浸式变压器缺陷判定的实时性和有效性实现,提升油浸式变压器设备运行的安全可靠性。
Description
技术领域
本申请涉及分析及测量控制技术领域,尤其涉及一种基于ID3算法的变压器缺陷预测方法及装置。
背景技术
油浸式变压器是工矿企业与民用建筑供配电系统中的重要设备之一,它将10kV或35kV网络电压降至用户使用的230/400V母线电压。
油浸式变压器设备的实时数据对于油浸式变压器的管理有着重要的意义,然而,运行维护人员却常常掌握不到实时数据或者对于实时数据掌握不准确,进而对这些油浸式变压器设备运行缺陷的发生与否不能完全地进行掌握。油浸式变压器设备的运行状态通常依靠人工经验,既做不到实时监控,又要花大量的人物力到现场核查。
因此,如何在真正意义上实现油浸式变压器设备缺陷的预测管理,成为本领域技术人员亟待解决的问题。
发明内容
本申请提供了一种基于ID3算法的变压器缺陷预测方法及装置,在真正意义上实现油浸式变压器设备缺陷的预测管理。
一方面,本申请提供了一种基于ID3算法的变压器缺陷预测方法,包括:
采集油浸式变压器中的参数作为样本数据,所述参数包括油色谱中的甲烷含量、乙烷含量、油温值以及所述油浸式变压器的缺陷;
对所述样本数据进行处理,得到训练数据;
根据所述训练数据建立ID3算法模型;
根据所述ID3算法模型对所述油浸式变压器进行缺陷预测。
结合第一方面,所述方法还包括:按照预设周期采集油浸式变压器中的参数作为样本数据。
结合第一方面,所述对样本数据进行处理,得到训练数据的步骤包括:
判断所述样本数据是否正常;
如果所述样本数据出现异常,则用差值填充出现异常的参数值;
正常的参数值以及填充的参数值共同作为训练数据;
如果所述样本数据未出现异常,则组成样本数据的所有参数值作为训练数据。
结合第一方面,所述根据训练数据建立ID3算法模型的步骤包括:
将样本数据中所有参数记录为一个根节点的数据;
分别找到甲烷含量、乙烷含量和油温值的分割点;
根据油温值的分割点,将根节点的数据分割为两个第一子节点数据;
根据甲烷含量的分割点,分别将两个第一子节点数据再分为两个第二子节点数据,共得到四个第二子节点数据;
根据乙烷含量的分割点,分别将四个第二子节点数据再分为两个第三子节点数据,共得到八个第三子节点数据。
结合第一方面,所述根据所述ID3算法模型对所述油浸式变压器进行缺陷预测的步骤包括:
获取下一个周期的油浸式变压器的油色谱中的待测参数,所述待测参数包括甲烷含量、乙烷含量和油温值;
将所述待测参数输入所述ID3算法模型中,得到ID3算法模型的计算结果;
根据所述计算结果所在的第三子节点数据中的缺陷情况,预测所述计算结果对应周期内的油浸式变压器的缺陷情况。
第二方面,本申请提供了一种基于ID3算法的变压器缺陷预测装置,包括:
参数采集单元,用于采集油浸式变压器中的参数作为样本数据,所述参数包括油色谱中的甲烷含量、乙烷含量、油温值以及所述油浸式变压器的缺陷;
预处理单元,用于对所述样本数据进行处理,得到训练数据;
模型建立单元,用于根据所述训练数据建立ID3算法模型;
缺陷预测单元,用于根据所述ID3算法模型对所述油浸式变压器进行缺陷预测。
结合第二方面,所述参数采集单元还用于:按照预设周期采集油浸式变压器中的参数作为样本数据。
结合第二方面,所述预处理单元还用于:
判断所述样本数据是否正常;
如果所述样本数据出现异常,则用差值填充出现异常的参数值;
正常的参数值以及填充的参数值共同作为训练数据;
如果所述样本数据未出现异常,则组成样本数据的所有参数值作为训练数据。
结合第二方面,所述模型建立单元还用于:
将样本数据中所有参数记录为一个根节点的数据;
分别找到甲烷含量、乙烷含量和油温值的分割点;
根据油温值的分割点,将根节点的数据分割为两个第一子节点数据;
根据甲烷含量的分割点,分别将两个第一子节点数据再分为两个第二子节点数据,共得到四个第二子节点数据;
根据乙烷含量的分割点,分别将四个第二子节点数据再分为两个第三子节点数据,共得到八个第三子节点数据。
结合第二方面,所述缺陷预测单元还用于:
获取下一个周期的油浸式变压器的油色谱中的待测参数,所述待测参数包括甲烷含量、乙烷含量和油温值;
将所述待测参数输入所述ID3算法模型中,得到ID3算法模型的计算结果;
根据所述计算结果所在的第三子节点数据中的缺陷情况,预测所述计算结果对应周期内的油浸式变压器的缺陷情况。
由以上技术方案可知,本申请实施例提供了一种基于ID3算法的变压器缺陷预测方法及装置,采集油浸式变压器中的参数作为样本数据,参数包括油色谱中的甲烷含量、乙烷含量、油温值以及油浸式变压器的缺陷;对样本数据进行处理,得到训练数据;根据训练数据建立ID3算法模型;根据ID3算法模型对油浸式变压器进行缺陷预测。本申请的技术方案利用ID3算法技术、把油浸式变压器各种在线监测数据集中融合,汇总形成有价值的数据,改变油浸式变压器缺陷判定依靠传统数据统计分析和人工经验方法的不足,改变油浸式变压器设备缺陷事后分析的信息滞后局面。利用就地采集油浸式变压器在线监测数据,及时预判油浸式变压器运行缺陷,支撑油浸式变压器缺陷判定的实时性和有效性实现,提升油浸式变压器设备运行的安全可靠性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施案例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于ID3算法的变压器缺陷预测方法的流程图;
图2为本申请实施例提供的一种ID3模型的结构示意图;
图3为本申请实施例提供的一种基于ID3算法的变压器缺陷预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
参见图1,本申请实施例提供了一种基于ID3算法的变压器缺陷预测方法,包括:
步骤101,采集油浸式变压器中的参数作为样本数据,所述参数包括油色谱中的甲烷含量、乙烷含量、油温值以及所述油浸式变压器的缺陷;
步骤102,对所述样本数据进行处理,得到训练数据;
步骤103,根据所述训练数据建立ID3算法模型;
步骤104,根据所述ID3算法模型对所述油浸式变压器进行缺陷预测。
利用参数采集单元,以固定周期提取、筛选甲烷含量(CH4)、乙烷含量(C2H6)、油温,作为训练样本基础数据,同时以固定周期加入每个周期内的油浸式变压器缺陷信息到训练样本库,与甲烷含量(CH4)、乙烷含量(C2H6)、油温一同组成算法样本数据。然后对训练样本数据进行处理,处理异常值,异常值处理方法采用差值填补方法。本申请实施例中油浸式变压器的缺陷情况通常用0或者1表示,有缺陷用1表示,无缺陷用0表示。
进一步的,所述方法还包括:按照预设周期采集油浸式变压器中的参数作为样本数据。本申请中的固定周期可以根据实际情况进行选择,例如10分钟、20分钟等等。
进一步的,所述对样本数据进行处理,得到训练数据的步骤包括:
步骤201,判断所述样本数据是否正常;
步骤202,如果所述样本数据出现异常,则用差值填充出现异常的参数值;
步骤203,正常的参数值以及填充的参数值共同作为训练数据;
步骤204,如果所述样本数据未出现异常,则组成样本数据的所有参数值作为训练数据。
本申请实施例中可以选用100组样本数据进行ID3算法模型的建立,每一组样本数据包括甲烷含量、乙烷含量、油温值以及所述油浸式变压器的缺陷,经过上述步骤201至步骤204处理之后,可以得到的训练数据如下表所示:
变量名称 | 数据1 | 数据2 | 数据3 | 数据4 | … | 数据100 |
油温(H,L) | H | L | L | L | … | L |
CH4含量 | 172.3 | 198 | 194.2 | 223 | … | 188.4 |
C2H6含量 | 62.4 | 94 | 72.7 | 112 | … | 82.6 |
设备缺陷(1,0) | 1 | 0 | 0 | 1 | … | 0 |
上述表格中,H表示油温值高,L表示油温值低,具体温度的高低情况还需要根据实际情况具体确定,H仅仅表示本申请实施例中大于某一值的情况,L仅仅表示本申请实施例中小于某一值的情况。另外,本申请实施例中的甲烷含量和乙烷含量的单位为ppm。
进一步的,所述根据训练数据建立ID3算法模型的步骤包括:
步骤301,将样本数据中所有参数记录为一个根节点的数据;
步骤302,分别找到甲烷含量、乙烷含量和油温值的分割点;
步骤303,根据油温值的分割点,将根节点的数据分割为两个第一子节点数据;
步骤304,根据甲烷含量的分割点,分别将两个第一子节点数据再分为两个第二子节点数据,共得到四个第二子节点数据;
步骤305,根据乙烷含量的分割点,分别将四个第二子节点数据再分为两个第三子节点数据,共得到八个第三子节点数据。
具体的步骤301至305的过程可以如图2所示进行处理,仍以上述100组数据为例建立如图2所示的ID3模型,根节点的数据包括100组,根据油温值的高低,进行第一次分割,分为温度高的一个节点和温度低的一个节点,其中,温度高的一个节点包含35组数据,温度低的一个节点包含65组数据;然后再将包含35组数据的子节点根据甲烷值是否大于或者等于224进行分割,分为甲烷含量大于或者等于224的包含22组数据的子节点,和甲烷含量小于224的包含13组数据的子节点,在将包含65组数据的子节点根据甲烷含量是否大于或者等于190.5进行分割,分为甲烷含量大于或者等于190.5的包含20组数据的子节点,和甲烷含量小于190.5的包含45组数据的子节点;最后将包含22组数据的字节点数据根据乙烷含量是否大于或者等于113进行分割,分为包含18组数据和包含4组数据的子节点,将包含13组数据的子节点数据根据乙烷含量是否或者等于68.2进行分割,分为包含5组数据和包含8组数据的子节点,将包含20组数据的子节点数据根据乙烷含量是否大于或者等于105进行分割,分为包含16组数据和包含6组数据的子节点,将包含45组数据的子节点数据根据乙烷含量是否大于或者等于65.3进行分割,分为包含18组数据和包含27组数据的子节点。
进一步的,所述根据所述ID3算法模型对所述油浸式变压器进行缺陷预测的步骤包括:
步骤401,获取下一个周期的油浸式变压器的油色谱中的待测参数,所述待测参数包括甲烷含量、乙烷含量和油温值;
步骤402,将所述待测参数输入所述ID3算法模型中,得到ID3算法模型的计算结果;
步骤403,根据所述计算结果所在的第三子节点数据中的缺陷情况,预测所述计算结果对应周期内的油浸式变压器的缺陷情况。
具体的,将下一个周期的待测参数依次输入ID3算法模型之后,也会经过如图2所示的过程进行分割,最终的计算落在某一个第三子节点中,第三子节点中的数据只包含一种参数,即缺陷参数。如图2所示,在包含18个数据的子节点中,包括12个无缺陷数据和6个有缺陷数据,那么可以根据这些数据计算出落在这一子节点中的数据属于缺陷数据的概率和属于无缺陷数据的概率,具体的计算方式就是有缺陷概率Q1=6/(12+6)=33%,无缺陷概率Q2=12/(12+6)=67%,其他第三子节点概率计算与之相同。因此,在步骤402中得到的计算结果如果在步骤403中落入包含18组数据的子节点中,那么计算结果对应的待测参数属于缺陷数据的概率为33%,在该固定周期内油浸式变压器的产生缺陷的概率为33%,不产生缺陷的概率就为67%。
由以上技术方案可知,本申请实施例提供了一种基于ID3算法的变压器缺陷预测方法,利用就地采集油浸式变压器在线监测数据,及时预判油浸式变压器运行缺陷,支撑油浸式变压器缺陷判定的实时性和有效性实现,提升油浸式变压器设备运行的安全可靠性。
参见图3,本申请实施例还提供了一种基于ID3算法的变压器缺陷预测装置,包括:
参数采集单元31,用于采集油浸式变压器中的参数作为样本数据,所述参数包括油色谱中的甲烷含量、乙烷含量、油温值以及所述油浸式变压器的缺陷;
预处理单元32,用于对所述样本数据进行处理,得到训练数据;
模型建立单元33,用于根据所述训练数据建立ID3算法模型;
缺陷预测单元34,用于根据所述ID3算法模型对所述油浸式变压器进行缺陷预测。
进一步的,所述参数采集单元31还用于:按照预设周期采集油浸式变压器中的参数作为样本数据。
进一步的,所述预处理单元32还用于:
判断所述样本数据是否正常;
如果所述样本数据出现异常,则用差值填充出现异常的参数值;
正常的参数值以及填充的参数值共同作为训练数据;
如果所述样本数据未出现异常,则组成样本数据的所有参数值作为训练数据。
进一步的,所述模型建立单元33还用于:
将样本数据中所有参数记录为一个根节点的数据;
分别找到甲烷含量、乙烷含量和油温值的分割点;
根据油温值的分割点,将根节点的数据分割为两个第一子节点数据;
根据甲烷含量的分割点,分别将两个第一子节点数据再分为两个第二子节点数据,共得到四个第二子节点数据;
根据乙烷含量的分割点,分别将四个第二子节点数据再分为两个第三子节点数据,共得到八个第三子节点数据。
进一步的,所述缺陷预测单元34还用于:
获取下一个周期的油浸式变压器的油色谱中的待测参数,所述待测参数包括甲烷含量、乙烷含量和油温值;
将所述待测参数输入所述ID3算法模型中,得到ID3算法模型的计算结果;
根据所述计算结果所在的第三子节点数据中的缺陷情况,预测所述计算结果对应周期内的油浸式变压器的缺陷情况。
由以上技术方案可知,本申请实施例提供了一种基于ID3算法的变压器缺陷预测方法及装置,采集油浸式变压器中的参数作为样本数据,参数包括油色谱中的甲烷含量、乙烷含量、油温值以及油浸式变压器的缺陷;对样本数据进行处理,得到训练数据;根据训练数据建立ID3算法模型;根据ID3算法模型对油浸式变压器进行缺陷预测。本申请的技术方案利用ID3算法技术、把油浸式变压器各种在线监测数据集中融合,汇总形成有价值的数据,改变油浸式变压器缺陷判定依靠传统数据统计分析和人工经验方法的不足,改变油浸式变压器设备缺陷事后分析的信息滞后局面。利用就地采集油浸式变压器在线监测数据,及时预判油浸式变压器运行缺陷,支撑油浸式变压器缺陷判定的实时性和有效性实现,提升油浸式变压器设备运行的安全可靠性。
本申请可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域技术人员在考虑说明书及实践这里公开的申请后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于ID3算法的变压器缺陷预测方法,其特征在于,包括:
采集油浸式变压器中的参数作为样本数据,所述参数包括油色谱中的甲烷含量、乙烷含量、油温值以及所述油浸式变压器的缺陷;
对所述样本数据进行处理,得到训练数据;
根据所述训练数据建立ID3算法模型;
根据所述ID3算法模型对所述油浸式变压器进行缺陷预测。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:按照预设周期采集油浸式变压器中的参数作为样本数据。
3.根据权利要求1所述的方法,其特征在于,所述对样本数据进行处理,得到训练数据的步骤包括:
判断所述样本数据是否正常;
如果所述样本数据出现异常,则用差值填充出现异常的参数值;
正常的参数值以及填充的参数值共同作为训练数据;
如果所述样本数据未出现异常,则组成样本数据的所有参数值作为训练数据。
4.根据权利要求2所述的方法,其特征在于,所述根据训练数据建立ID3算法模型的步骤包括:
将样本数据中所有参数记录为一个根节点的数据;
分别找到甲烷含量、乙烷含量和油温值的分割点;
根据油温值的分割点,将根节点的数据分割为两个第一子节点数据;
根据甲烷含量的分割点,分别将两个第一子节点数据再分为两个第二子节点数据,共得到四个第二子节点数据;
根据乙烷含量的分割点,分别将四个第二子节点数据再分为两个第三子节点数据,共得到八个第三子节点数据。
5.根据权利要求4所述的方法,其特征在于,所述根据所述ID3算法模型对所述油浸式变压器进行缺陷预测的步骤包括:
获取下一个周期的油浸式变压器的油色谱中的待测参数,所述待测参数包括甲烷含量、乙烷含量和油温值;
将所述待测参数输入所述ID3算法模型中,得到ID3算法模型的计算结果;
根据所述计算结果所在的第三子节点数据中的缺陷情况,预测所述计算结果对应周期内的油浸式变压器的缺陷情况。
6.一种基于ID3算法的变压器缺陷预测装置,其特征在于,包括:
参数采集单元,用于采集油浸式变压器中的参数作为样本数据,所述参数包括油色谱中的甲烷含量、乙烷含量、油温值以及所述油浸式变压器的缺陷;
预处理单元,用于对所述样本数据进行处理,得到训练数据;
模型建立单元,用于根据所述训练数据建立ID3算法模型;
缺陷预测单元,用于根据所述ID3算法模型对所述油浸式变压器进行缺陷预测。
7.根据权利要求6所述的装置,其特征在于,所述参数采集单元还用于:按照预设周期采集油浸式变压器中的参数作为样本数据。
8.根据权利要求6所述的装置,其特征在于,所述预处理单元还用于:
判断所述样本数据是否正常;
如果所述样本数据出现异常,则用差值填充出现异常的参数值;
正常的参数值以及填充的参数值共同作为训练数据;
如果所述样本数据未出现异常,则组成样本数据的所有参数值作为训练数据。
9.根据权利要求7所述的装置,其特征在于,所述模型建立单元还用于:
将样本数据中所有参数记录为一个根节点的数据;
分别找到甲烷含量、乙烷含量和油温值的分割点;
根据油温值的分割点,将根节点的数据分割为两个第一子节点数据;
根据甲烷含量的分割点,分别将两个第一子节点数据再分为两个第二子节点数据,共得到四个第二子节点数据;
根据乙烷含量的分割点,分别将四个第二子节点数据再分为两个第三子节点数据,共得到八个第三子节点数据。
10.根据权利要求9所述的装置,其特征在于,所述缺陷预测单元还用于:
获取下一个周期的油浸式变压器的油色谱中的待测参数,所述待测参数包括甲烷含量、乙烷含量和油温值;
将所述待测参数输入所述ID3算法模型中,得到ID3算法模型的计算结果;
根据所述计算结果所在的第三子节点数据中的缺陷情况,预测所述计算结果对应周期内的油浸式变压器的缺陷情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631769.8A CN109459522A (zh) | 2018-12-29 | 2018-12-29 | 一种基于id3算法的变压器缺陷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811631769.8A CN109459522A (zh) | 2018-12-29 | 2018-12-29 | 一种基于id3算法的变压器缺陷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109459522A true CN109459522A (zh) | 2019-03-12 |
Family
ID=65615652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811631769.8A Pending CN109459522A (zh) | 2018-12-29 | 2018-12-29 | 一种基于id3算法的变压器缺陷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109459522A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
CN107193992A (zh) * | 2017-06-06 | 2017-09-22 | 云南电网有限责任公司信息中心 | 一种基于决策树算法的220kV主变压器状态评估预测方法 |
CN107817427A (zh) * | 2017-10-31 | 2018-03-20 | 国网重庆市电力公司电力科学研究院 | 基于六氟化硫气体局部放电的决策树识别方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
-
2018
- 2018-12-29 CN CN201811631769.8A patent/CN109459522A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
CN107193992A (zh) * | 2017-06-06 | 2017-09-22 | 云南电网有限责任公司信息中心 | 一种基于决策树算法的220kV主变压器状态评估预测方法 |
CN107817427A (zh) * | 2017-10-31 | 2018-03-20 | 国网重庆市电力公司电力科学研究院 | 基于六氟化硫气体局部放电的决策树识别方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
喻川等: "基于ID3算法的变压器故障诊断分析", 《云南水力发电》 * |
黎炜等: "基于决策树集成算法的电力变压器状态评估", 《电网与清洁能源》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985561B (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
CN107784397B (zh) | 一种电网物资需求预测系统及其预测方法 | |
CN112803592B (zh) | 一种适用于分布式电站的智能故障预警方法及系统 | |
CN108282026A (zh) | 一种高压开关设备远程运维系统 | |
CN107368957A (zh) | 一种设备状态监测数据质量评测体系的构建方法 | |
WO2021156484A2 (en) | Process network with several plants | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及系统 | |
CN114397526A (zh) | 状态全息感知数据驱动的电力变压器故障预测方法及系统 | |
CN112612819A (zh) | 一种抽水蓄能电站大数据分析挖掘方法及系统 | |
CN113689123A (zh) | 一种天然气模块化采集智能管理平台 | |
CN107809112A (zh) | 一种特高压gil设备可靠性详细分配方法 | |
CN108647860A (zh) | 基于OpenStack的电力设备状态监测与评估云平台 | |
CN110033102A (zh) | 一种巨型水电厂具有学习功能的智能诊断方法及专家系统 | |
CN109459522A (zh) | 一种基于id3算法的变压器缺陷预测方法及装置 | |
CN105184523B (zh) | 基于cart决策树的电网运行方式数据挖掘方法及系统 | |
CN107328994A (zh) | 变压器绝缘电阻试验装置及方法 | |
CN114552653B (zh) | 基于智能算法的并网逆变器系统控制参数多目标优化方法 | |
CN110261693A (zh) | 一种基于稳态采样技术的在线热力试验方法及系统 | |
CN107885890A (zh) | 基于云平台的一体化管理测试系统 | |
CN115310923A (zh) | 能源管理服务系统及方法 | |
CN114201481A (zh) | 一种基于配变可信度的配电网故障管理系统 | |
CN114165430A (zh) | 基于边缘计算的机泵健康监测方法、系统、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190312 |