CN109523026A - 援例推理方法及系统 - Google Patents
援例推理方法及系统 Download PDFInfo
- Publication number
- CN109523026A CN109523026A CN201811209182.8A CN201811209182A CN109523026A CN 109523026 A CN109523026 A CN 109523026A CN 201811209182 A CN201811209182 A CN 201811209182A CN 109523026 A CN109523026 A CN 109523026A
- Authority
- CN
- China
- Prior art keywords
- similarity
- precedent
- follow
- sample set
- citing
- 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 43
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 20
- 239000004215 Carbon black (E152) Substances 0.000 claims description 19
- 229930195733 hydrocarbon Natural products 0.000 claims description 19
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 13
- 150000002430 hydrocarbons Chemical class 0.000 claims description 13
- 206010020843 Hyperthermia Diseases 0.000 claims description 11
- 230000036031 hyperthermia Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 10
- 230000007257 malfunction Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013021 overheating Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 27
- 239000007789 gas Substances 0.000 description 16
- 229910002092 carbon dioxide Inorganic materials 0.000 description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 11
- 229910052739 hydrogen Inorganic materials 0.000 description 9
- 239000001257 hydrogen Substances 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004587 chromatography analysis Methods 0.000 description 7
- -1 hydrogen hydrocarbon Chemical class 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 239000005977 Ethylene Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 150000001345 alkine derivatives Chemical class 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- 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)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种援例推理方法及系统,包括:选择待诊样本集的输入参数,并对输入参数进行归一化处理;计算所述待诊样本集与源范例库的距离,对所述源范例库进行范例检索,得到范例间的相似度;对所述相似度进行排序,推送相似度高的多个相似案例。本发明有利于提高电网安全生产水平。
Description
技术领域
本发明涉及电力设备的技术领域,尤其是指一种援例推理方法及系统。
背景技术
电力变压器是电力系统中的重要设备之一,其运行状态和电网的安全可靠运行密切相关,如何对电力变压器进行准确有效的故障诊断及维护就具有重要的作用和意义。对电力变压器潜伏性故障而言,设备内部缺陷类型与其故障征兆及故障模式之间存在着密切的关联,且具有多维性、复杂性及冗余性等特点,造成多年来电力变压器故障诊断一直成为研究的热点及难点。随着我国电网建设的快速发展,多种类型的检测技术与方法不断涌现,电力设备状态数据呈爆炸式增长,已具备了开展大数据分析和数据挖掘工作的基础条件。现有的常规数据处理及统计分析方法例如有:针对变压器状态参数问题引入的层次分析法,针对变压器故障机理问题引入的故障树理论,针对变压器故障特征参数提取困难问题引入的灰色理论,但这些分析方法仅能处理变压器设备局部信息和反映单一情况,不具备组合利用多源信息实现变压器状态的动态综合分析。
为了克服上述问题,结合人工智能的变压器故障诊断方法,既可以吸收多位专家的专业知识,形成完善的知识库,有助于诊断知识的积累和扩充,又可以大大减少人力,提高诊断的准确率,所以具有非常广阔的发展前景。目前在该领域中应用的人工智能技术主要有神经网络、模糊数学以及专家系统等,而范例推理(Case-BasedReasoning,简称CBR)作为人工智能领域中一个较新的研究方向,又有助于利用已有的经验知识来解决所面临的新问题。因而对像大型电力变压器故障诊断这样既缺乏明确因果关系又需要大量经验的领域,利用范例推理进行变压器绝缘故障的识别是很有价值的。考虑到故障征兆相似的变压器可能是由相似的故障原因所引起的,因此待诊变压器和最佳源范例的故障原因可能很相似,这将对变压器维修计划的制定有所帮助。
范例推理的研究最早可追溯到70年代后期Schank等人的脚本理论研究工作,它的推理方式与人类利用经验解决问题的方式非常相近。通常当人们遇到新问题时,总是先进行回忆,从记忆中找出在几个重要特征上与新问题相似的事例,然后把该事例中的有关信息和知识引用到新问题的分析和处理过程中,最终得到新问题的一个解答。基于缺陷案例的援例推理方法便是基于缺陷案例数据库中已有的经验,通过机器学习和专家经验推送相似的故障案例辅助参考下一步工作的开展。然而现有研究成果均主要集中在对变压器设备单一特性的具体参量进行检测分析,或利用设备宏观参数变化推理设备内部故障类型,无法进一步满足电网安全运行的要求。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中电网不能安全可靠运行的问题,从而提供一种可有效保证电网可靠安全运行的援例推理方法及系统。
为解决上述技术问题,本发明的一种援例推理方法,包括如下步骤:选择待诊样本集的输入参数,并对输入参数进行归一化处理;计算所述待诊样本集与源范例库的距离,对所述源范例库进行范例检索,得到范例间的相似度;对所述相似度进行排序,推送相似度高的多个相似案例。
在本发明的一个实施例中,所述待诊样本集的输入参数包括特征值、故障状态以及基本台帐信息。
在本发明的一个实施例中,所述特征值包括基本特征量、算法特征量以及经验量。
在本发明的一个实施例中,所述故障状态包括低能放电、低能放电兼过热、低温过热、高能放电、高能放电兼过热、高温过热、局部放电、中温过热。
在本发明的一个实施例中,对输入参数进行归一化处理的方法为:其中X取八种特征气体H2、CH4、C2H6、C2H4、C2H2、CO、CO2及总烃。
在本发明的一个实施例中,计算所述待诊样本集与源范例库的距离的方法为:其中aik和ajk分别表示第i个和第j个范例的第k个特性指标。
在本发明的一个实施例中,所述范例间的相似度的计算方法为:Sim1=1/(1+dij)。
在本发明的一个实施例中,对所述相似度进行排序后,再利用综合算法诊断结果计算可靠度,结合可靠度推送相似度高的多个相似案例。
在本发明的一个实施例中,对所述相似度进行排序后,查询出相应的案例编号,并去除重复项。
本发明还提供了一种援例推理系统,包括选择模块、处理模块、计算模块以、检索模块以及排序模块,其中所述选择模块用于选择待诊样本集的输入参数,所述处理模块用于对输入参数进行归一化处理,所述计算模块用于计算所述待诊样本集与源范例库的距离,所述检索模块用于对所述源范例库进行范例检索,得到范例间的相似度,所述排序模块用于对所述相似度进行排序,并推送相似度高的多个相似案例。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的援例推理方法及系统,选择待诊样本集的输入参数,并对输入参数进行归一化处理,有利于后续进行范例检索;计算所述待诊样本集与源范例库的距离,对所述源范例库进行范例检索,通过范例检索获得源范例质量的高低,从而得到范例间的相似度;对所述相似度进行排序,推送相似度高的多个相似案例,辅助防范同类事故再次发生,提高电网安全生产水平。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明援例推理方法的流程图。
具体实施方式
实施例一
如图1所示,本实施例提供一种援例推理方法,包括如下步骤:步骤S1:选择待诊样本集的输入参数,并对输入参数进行归一化处理;步骤S2:计算所述待诊样本集与源范例库的距离,对所述源范例库进行范例检索,得到范例间的相似度;步骤S3:对所述相似度进行排序,推送相似度高的多个相似案例。
本实施例所述援例推理方法,所述步骤S1中,选择待诊样本集的输入参数,并对输入参数进行归一化处理,有利于后续进行范例检索;所述步骤S2中,计算所述待诊样本集与源范例库的距离,对所述源范例库进行范例检索,通过范例检索获得源范例质量的高低,从而得到范例间的相似度;所述步骤S3中,对所述相似度进行排序,推送相似度高的多个相似案例,从而实现为积累电力生产事故教训,辅助防范同类事故的再次发生,有效提高电网安全生产水平。
所述待诊样本集的输入参数包括特征值、故障状态以及基本台帐信息。所述特征值也指训练数据规约,以油色谱数据为例进行更全面的深度分析,需要从各个方面提取特征量。油色谱现有7个基本气体值(加上总烃,共8个),称为“基本气体特征量”。以基本气体特征量为基准,衍生出专家算法特征量(17个)和专家经验量(9个)。根据共34个特征量,可以分别利用专家算法和机器学习算法进行深度分析。包括:(1)基本气体特征量:油色谱基本气体特征量指油色谱的7个基本气体值,再加上总烃,包括CH4、C2H4、C2H6、C2H2、H2、CO、CO2、总烃8个。(2)专家算法特征量:常见的油色谱专家诊断算法有三比值法、大卫三角形法、大卫五边形法。可以通过专家算法提取特征量,以便于进行机器学习。提取的相关专家算法特征量如下:(a)三比值法特征量(3个):C2H2/C2H4、CH4/H2、C2H4/C2H6。(b)大卫三角形法特征量(9个):CH4/(CH4+C2H4+C2H2)、C2H4/(CH4+C2H4+C2H2)、C2H2/(CH4+C2H4+C2H2)、CH4/(CH4+C2H6+H2)、C2H6/(CH4+C2H6+H2)、H2/(CH4+C2H6+H2)、CH4/(CH4+C2H4+C2H6)、C2H4/(CH4+C2H4+C2H6)、C2H6/(CH4+C2H4+C2H6)。(c)大卫五边形法特征量(5个):CH4/氢烃总量、C2H4/氢烃总量、C2H6/氢烃总量、C2H2/氢烃总量、H2/氢烃总量。(3)专家经验量:根据相关专家经验,如特征气体法等,提取相关的专家特征量。包括(a)特征气体法特征量(4个):C2H2/总烃、CH4/总烃、(CH4+C2H4)/总烃、CH4-C2H4。(b)DL/T722-2014标准中特征量(1个):CO2/CO。(c)其它特征量(4个):CO2/总烃、CO2/氢烃总量、C2H4/总烃、C2H6/总烃。所述故障状态包括:低能放电、低能放电兼过热、低温过热、高能放电、高能放电兼过热、高温过热、局部放电、中温过热。所述基本台帐信息包括:案例编号、变电站名称、电压等级。测试集油色谱试验案例如对于新的需要测试的数据,需要按照顺序进行存储,包括:序号、日期、时间、部位、氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳,其中针对氢气H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2、一氧化碳CO、二氧化碳CO2这几种气体:一氧化碳CO、二氧化碳CO2可以为空或者取任意值;总烃可以为空;氢气H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2这5种主要气体是必要项,这5种气体可以分别为0。
下面以模型应用为例具体说明援例推理方法:
所述归一化处理时,在实际的油色谱分析中,不同特征气体反映故障的灵敏程度有较大的差别,如变压器油中C2H2含量虽通常较少,但一旦出现则需严格监视,如对500kV变压器,预试规程提出,C2H2含量大于3*10-6时就要引起注意。而CO2的含量虽可能很高,但对故障的反映却并不灵敏。所以若将油色谱各组的结果直接作为神经网络的输入,则必将会湮没一些弱小量可能含有的很有价值的信息。况且如果训练样本集内样本数据的差异性过大,也还会给网络的收敛带来困难。因此,采用如下所示的归一化函数对油色谱数据进行归一处理。其中,X取八种特征气体H2、CH4、C2H6、C2H4、C2H2、CO、CO2及总烃。
计算所述待诊样本集与源范例库的距离dji的方法为:2式中aik和ajk分别表示第i个和第j个范例的第k个特性指标。考虑误差后,aik对应有aikmax及aikmin,同理aij对应有aijmax及aijmin。由此得到的每种气体之间的差值的平方(aik-aij)2就有四组值,计算出四组值后再取其平均值作为最终参与欧式距离计算的值dij。
考虑综合故障诊断的需要,利用欧式距离dji来描述范例间的相似程度,其中所述范例间的相似度Sim1的计算方法为:Sim1=1/(1+dij),对源范例库及待诊样本集,利用基于欧式距离的援例推理算法进行范例检索,使用训练样本验证模型用以求出正分率。如使用15条故障类型为高能放电的案例测试结果符合结果的案例12条,正分率12/15=0.8,也可叫准确率,结果如表1所示:
表1为基于欧式距离的范例检索算法的检索性能
对所述相似度进行排序后,再利用综合算法诊断结果计算可靠度,结合可靠度推送相似度高的多个相似案例。其中利用综合算法诊断结果的可靠度的计算方法如下:例如,有四种算法,算法诊断结论分别为:高温过热、中温过热、低温过热、高温放电,假如算法1、算法2、算法4对于“高温过热”、“中温过热”、“高温放电”的权重因子为0.4,0.25,0.2,算法3对于“低温过热”的权重因子为0.3,则:综合算法对于“高温过热”的可靠度=0.4+0.25+0.2=0.85;综合算法对于“低温过热”的可靠度=0.3;进行对比,发现:0.85>0.3,因此综合算法的诊断结论为“高温过热”,相应的可靠度为0.85。特别注意:假如综合算法由4种算法融合而成,4种算法对于某一类诊断状态(比如高温过热)的权重因子之和是1,满足规范性,即如果4种算法的结论一致,则认为综合算法诊断结果的可靠度=1,否则介于[0,1)之间。案例推荐的相似度:如果综合算法的诊断结果为“高温过热”,则采用余弦相似度算法:其中,a=(x1,x2,L,xn),b=(y1,y2,L,yn),a表示新数据,b表示“高温过热”的训练子集中被匹配的数据,在结论为“高温过热”的训练子集进行自动匹配,并且这里的数据都是采用油中溶解气体的相对值。注意,余弦相似度值介于[-1,1]之间,为了保证最终的相似度在[0,1]之间,需要做如下变换:即可得到最终的相似度。
另外,对所述相似度进行排序是指将相似度从大到小排序,然后查询出相应的案例编号,并去除重复项,保证案例编号和相似度对应关系,再利用综合算法诊断结果计算可靠度,结合可靠度推送相似度高的多个相似案例,如三个相似案例。通过案例相关数据,采用相似案例推理返回相似度较高的三个案例,辅助防范同类事故再次发生,提高电网安全生产水平。
本实施例中,所述原范例库包括已经记忆过的问题或情况,所述待诊样本集为当前所面临的问题或情况。在相似案例推理中,范例推理就是由目标范例的提示获得记忆中的源范例,并由源范例来指导目标范例的求解过程。
实施例二
本实施例提供一种援例推理系统,包括选择模块、处理模块、计算模块以、检索模块以及排序模块,其中所述选择模块用于选择待诊样本集的输入参数,所述处理模块用于对输入参数进行归一化处理,所述计算模块用于计算所述待诊样本集与源范例库的距离,所述检索模块用于对所述源范例库进行范例检索,得到范例间的相似度,所述排序模块用于对所述相似度进行排序,并推送相似度高的多个相似案例。
本实施例所述援例推理系统,包括选择模块、处理模块、计算模块以、检索模块以及排序模块,其中所述选择模块用于选择待诊样本集的输入参数,所述处理模块用于对输入参数进行归一化处理,所述计算模块用于计算所述待诊样本集与源范例库的距离,所述检索模块用于对所述源范例库进行范例检索,得到范例间的相似度,所述排序模块用于对所述相似度进行排序,并推送相似度高的多个相似案例,为积累电力生产事故教训,辅助防范同类事故再次发生,提高电网安全生产水平。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种援例推理方法,其特征在于,包括如下步骤:
步骤S1:选择待诊样本集的输入参数,并对输入参数进行归一化处理;
步骤S2:计算所述待诊样本集与源范例库的距离,对所述源范例库进行范例检索,得到范例间的相似度;
步骤S3:对所述相似度进行排序,推送相似度高的多个相似案例。
2.根据权利要求1所述援例推理方法,其特征在于:所述待诊样本集的输入参数包括特征值、故障状态以及基本台帐信息。
3.根据权利要求2所述援例推理方法,其特征在于:所述特征值包括基本特征量、算法特征量以及经验量。
4.根据权利要求2所述援例推理方法,其特征在于:所述故障状态包括低能放电、低能放电兼过热、低温过热、高能放电、高能放电兼过热、高温过热、局部放电、中温过热。
5.根据权利要求1所述援例推理方法,其特征在于:对输入参数进行归一化处理的方法为:其中X取八种特征气体H2、CH4、C2H6、C2H4、C2H2、CO、CO2及总烃。
6.根据权利要求1所述援例推理方法,其特征在于:计算所述待诊样本集与源范例库的距离的方法为:其中aik和ajk分别表示第i个和第j个范例的第k个特性指标。
7.根据权利要求6所述援例推理方法,其特征在于:所述范例间的相似度的计算方法为:Sim1=1/(1+dij)。
8.根据权利要求1所述援例推理方法,其特征在于:对所述相似度进行排序后,再利用综合算法诊断结果计算可靠度,结合可靠度推送相似度高的多个相似案例。
9.根据权利要求1所述援例推理方法,其特征在于:对所述相似度进行排序后,查询出相应的案例编号,并去除重复项。
10.一种援例推理系统,其特征在于:包括选择模块、处理模块、计算模块以、检索模块以及排序模块,其中所述选择模块用于选择待诊样本集的输入参数,所述处理模块用于对输入参数进行归一化处理,所述计算模块用于计算所述待诊样本集与源范例库的距离,所述检索模块用于对所述源范例库进行范例检索,得到范例间的相似度,所述排序模块用于对所述相似度进行排序,并推送相似度高的多个相似案例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209182.8A CN109523026A (zh) | 2018-10-17 | 2018-10-17 | 援例推理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811209182.8A CN109523026A (zh) | 2018-10-17 | 2018-10-17 | 援例推理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523026A true CN109523026A (zh) | 2019-03-26 |
Family
ID=65770921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811209182.8A Pending CN109523026A (zh) | 2018-10-17 | 2018-10-17 | 援例推理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523026A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297841A (zh) * | 2019-06-25 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
CN112329937A (zh) * | 2020-11-09 | 2021-02-05 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于案例和故障推理的gis故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129017A (zh) * | 2010-12-30 | 2011-07-20 | 杭州柯林电力设备有限公司 | 基于援例的智能局部放电故障识别系统及识别方法 |
CN106844842A (zh) * | 2016-12-15 | 2017-06-13 | 国网浙江省电力公司电力科学研究院 | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 |
CN107907783A (zh) * | 2017-12-19 | 2018-04-13 | 西安交通大学 | 基于模糊关联规则的变压器故障综合诊断系统及诊断方法 |
-
2018
- 2018-10-17 CN CN201811209182.8A patent/CN109523026A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129017A (zh) * | 2010-12-30 | 2011-07-20 | 杭州柯林电力设备有限公司 | 基于援例的智能局部放电故障识别系统及识别方法 |
CN106844842A (zh) * | 2016-12-15 | 2017-06-13 | 国网浙江省电力公司电力科学研究院 | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 |
CN107907783A (zh) * | 2017-12-19 | 2018-04-13 | 西安交通大学 | 基于模糊关联规则的变压器故障综合诊断系统及诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297841A (zh) * | 2019-06-25 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
CN110297841B (zh) * | 2019-06-25 | 2021-08-27 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
CN112329937A (zh) * | 2020-11-09 | 2021-02-05 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于案例和故障推理的gis故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
CN102289682B (zh) | 基于集成学习Bagging算法的变压器故障诊断方法 | |
CN103744850B (zh) | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 | |
CN111598150B (zh) | 一种计及运行状态等级的变压器故障诊断方法 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN103745119A (zh) | 一种基于故障概率模型的油浸式变压器故障诊断方法 | |
CN107132310A (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
CN106054858A (zh) | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN109765332A (zh) | 基于隔离森林的变压器异常值实时检测和故障诊断方法 | |
Cheng et al. | Online power system event detection via bidirectional generative adversarial networks | |
CN111275204B (zh) | 一种基于混合采样和集成学习的变压器状态识别方法 | |
CN106779066A (zh) | 一种雷达电路板故障诊断方法 | |
Mo et al. | Power transformer fault diagnosis using support vector machine and particle swarm optimization | |
CN109523026A (zh) | 援例推理方法及系统 | |
CN111325233B (zh) | 一种变压器故障检测方法及装置 | |
Kim et al. | Anomaly detection using clustered deep one-class classification | |
Li et al. | Open set recognition fault diagnosis framework based on convolutional prototype learning network for nuclear power plants | |
Min et al. | Fault prediction for distribution network based on CNN and LightGBM algorithm | |
CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 | |
Du et al. | Feature Selection-Based Low Voltage AC Arc Fault Diagnosis Method | |
CN116011982A (zh) | 一种磨煤机磨辊断裂在线监测方法及系统 | |
CN114358160A (zh) | 一种电力系统中的数据异常检测方法 | |
Mengjiao et al. | Wind turbine bearing fault diagnosis method based on multi-domain feature extraction | |
Zhou et al. | Research on transformer fault intelligent diagnosis technology based on improved random forest algorithm |
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 |