CN109840548A - 一种基于bp神经网络变压器故障诊断方法 - Google Patents
一种基于bp神经网络变压器故障诊断方法 Download PDFInfo
- Publication number
- CN109840548A CN109840548A CN201910010381.4A CN201910010381A CN109840548A CN 109840548 A CN109840548 A CN 109840548A CN 201910010381 A CN201910010381 A CN 201910010381A CN 109840548 A CN109840548 A CN 109840548A
- Authority
- CN
- China
- Prior art keywords
- cluster
- neural network
- fault
- data
- sub
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 13
- 230000008859 change Effects 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 206010020843 Hyperthermia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000036031 hyperthermia Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于BP神经网络变压器故障诊断方法，应用于变压器故障诊断领域。本发明通过BP神经网络有效的弥补了局部密度聚类算法在故障识别中相对模糊的情况，同时通过密度聚类算法有效的降低了变压器故障诊断对神经网络模型的过度依赖；本发明还可以在一定程度上反映实际故障之间的关联，并根据变压器的实际运行情况对故障识别模型做适当修正，从而达到自主识别新故障的效果。
Description
技术领域
本发明涉及变压器故障诊断领域，更具体地，涉及一种基于BP神经网络变压器故障诊断方法。
背景技术
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，经过复杂的化学反应重新化合，会形成氢气和低分子烃类，如CH4，C2H6，C2H4，C2H2等相关气体，其含量与油浸式变压器的故障类型有着很强的相关性，因此常使用特征气体的比值或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，通常采用基于BP神经网络的变压器故障诊断方法，其他方法往往也是在BP神经网络上做适当改进。BP神经网络法是以绝缘油中几种气体的含量作为神经网络的输入，建立可对变压器低能放电、高能放电、局部放电、低温过热、中温过热和高温过热等几种故障进行诊断的BP神经网络模型，对神经网络进行训练，最后利用测试数据进行测试。可见，该方法过度依赖于神经网络结构模型的准确性，而神经网络具有易陷入局部最小化、预测能力和泛化能力相矛盾的缺点，最后将导致变压器最终的预测结果与实际情况偏差较大。同时，训练BP神经网络的数据来自于已知的故障类型，这就导致训练好的神经网络模型对未知故障类型不敏感，诊断结果也会和实际有所偏差。
发明内容
本发明为克服上述现有技术所述的BP神经网络易陷入局部最小化、预测能力和泛化能力相矛盾、难以识别未知故障的缺陷，提供基于密度聚类和BP神经网络的变压器故障诊断方法。
为解决上述技术问题，本发明的技术方案如下：一种基于BP神经网络变压器故障诊断方法，包括以下步骤：
S1：收集油浸式变压器特征气体在不同故障和非故障时的数据构成数据集C，并将其分为训练数据和测试数据，对数据集C中的数据进行归一化处理；
S2：采用多级局部密度聚类算法处理归一化后的训练数据，最终得出所有子聚类结果；
S3：将多级局部密度聚类算法处理得到的所有子聚类结果制作成聚类类别故障表；
S4：根据聚类类别故障表确定每个子聚类结果所包含的故障类型，制作聚类类别故障识别表；
S5：利用S2中处理后的训练数据训练子聚类结果和BP神经网络搭建的故障识别模型；
S6：对测试数据进行归类并测试训练好的故障识别模型进行故障诊断，若出现多次故障诊断结果不一致的情况，则利用聚类类别故障识别表结合分类规则进行故障诊断，并对测试数据进行准确率验证。
本发明首先收集数据并将数据分类成训练数据和测试数据，采用归一化方法对训练数据进行预处理，再进行分级局部密度聚类算法分析，得到所有的子聚类结果并将结果以聚类类别故障表形式呈现，并将其转换成聚类故障识别表，结合子聚类结果和BP神经网络搭建故障识别模型，分别利用已知故障和未知故障类别的测试数据检测已训练好的故障识别模型。
优选地，S1中对数据集C中不同气体对应的数据分别进行归一化，其公式如下：
式中，α，a，b为常数，y为数据处理前的值；y′为第一次数据处理后的值；y″为第二次数据处理后的值；minC、maxC分别为数据集C中的最大值和最小值。
优选地，所述特征气体包括H2，CH4，C2H2，C2H4，C2H6。
优选地，特征气体H2对应的常数a为50，b为160、特征气体CH4对应的常数a为10，b为100、特征气体C2H2对应的常数a为0，b为5、特征气体C2H4对应的常数a为30，b为150、特征气体C2H6对应的常数a为10，b为105。
优选地，S2中采用多级局部密度聚类算法处理归一化后的训练数据，最终得出所有子聚类结果的具体过程为：
S21：计算聚类中心的局部密度ρi：
其中，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是一个离散函数，表示第i个样本的局部密度，即对于i点其距离dij小于截断距离dc的点的个数；γ(x)为0、1变量，即当x＞0时取1，当x<0时取0；
S22：计算每个样本的距离偏量δi：
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；
S23：根据指标γi确定聚类中心，计算公式如下：
γi＝ρi×δi
根据聚类中心对非聚类中心点进行聚类得到聚类结果。
优选地，所述dij采用欧式距离公式计算。
优选地，S4制作成聚类类别故障识别表的具体计算公式为：
式中，λi表示第i类故障的故障识别率，Bi表示第i类故障在聚类结果B中的样本个数，N表示有N类故障。
优选地，S6利用聚类类别故障识别表结合分类规则进行故障诊断的情况如下：
若在某子聚类结果中某故障的故障识别率低于0.2，认为该子聚类中无该故障类型；
若在某子聚类结果中某故障的故障识别率高于0.8，认为该子聚类表达该故障类型；
若没有任何子聚类结果的故障类型的故障识别率高于0.8，需要将分类到该聚类的数据输入到BP神经网络进行故障诊断；
若在训练故障识别模型过程中BP神经网络无法反映故障类型或者反映故障类型不在该聚类结果中，则忽略BP神经网络诊断结果，根据计算的故障识别率λi最高的故障类别作为该样本数据的故障判断结果。
优选地，所述BP神经网络采用三层神经元结构，其中输入层节点为16个，隐含层节点为20个，输出层节点为1个。
优选地，隐含层激活函数为tansig，函数网络训练函数为trainlm函数；输出层的激活函数为purelin函数，网络训练函数为trainlm函数，训练速率为0.0001，目标误差为0.001。
与现有技术相比，本发明技术方案的有益效果是：本发明采用密度聚类以及BP神经网络结合的方法对变压器故障进行诊断，一方面通过BP神经网络有效的弥补了局部密度聚类算法在故障识别中相对模糊的情况，同时通过密度聚类算法有效的降低了变压器故障诊断对神经网络模型的过度依赖；本发明还可以在一定程度上反映实际故障之间的关联，并根据变压器的实际运行情况对故障识别模型做适当修正，从而达到自主识别新故障的效果。
附图说明
图1为本发明的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示的本发明的流程图，包括以下步骤：
S1：收集油浸式变压器特征气体H2，CH4，C2H2，C2H4，C2H6在不同故障和非故障时的数据构成数据集C，并将其分为训练数据和测试数据，对数据集C中不同气体对应的数据分别进行归一化，其公式如下：
式中，α，a，b为常数，y为数据处理前的值；y′为第一次数据处理后的值；y″为第二次数据处理后的值；minC、maxC分别为数据集合中的最大值和最小值；α，b取值随特征量变化如表1所示：
表1S2：采用多级局部密度聚类算法处理归一化后的训练数据，最终得出所有子聚类结果；
S21：计算聚类中心的局部密度ρi，局部密度与样本点之间的欧式距离有关，还与截断距离有关，计算公式如下：
其中，dij表示第i个样本点到j点的距离，本文采用欧氏距离公式计算；dc表示截断距离，为预先设定值；ρi是一个离散函数，表示第i个样本的局部密度，即对于i点其距离dij小于截断距离dc的点的个数；γ(x)为0、1变量，当x＞0时取1，当x<0时取0。
计算每个样本的距离偏量δi，计算公式如下：
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。
根据指标γi确定聚类中心，计算公式如下：
γi＝ρi×δi
根据聚类中心对非聚类中心点进行聚类得到聚类结果。
S3：将多级局部密度聚类算法处理得到的所有子聚类结果制作成聚类类别故障表；
S4：根据聚类类别故障表确定每个子聚类结果所包含的故障类型，制作聚类类别故障识别表，其具体计算公式如下：
式中，λi表示第i类故障的故障识别率，Bi表示第i类故障在聚类结果B中的样本个数，N表示有N类故障。
S5：利用S2中处理后的训练数据训练子聚类结果和BP神经网络搭建的故障识别模型；
在具体的实施例中，采用的BP神经网络为三层神经元结构；另外为了方便动态自适应调节，使BP神经网络输入层节点为16个，隐含层节点为20个，输出层节点为1个，其中隐含层激活函数为tansig函数，网络训练函数为trainlm函数；输出层的激活函数为purelin函数，网络训练函数为trainlm函数，训练速率为0.0001，目标误差为0.001。
S6：对测试数据进行归类并测试训练好的故障识别模型进行故障诊断，若出现多次故障诊断结果不一致的情况，则利用聚类类别故障识别表结合分类规则进行故障诊断，并对测试数据进行准确率验证。
若在某子聚类结果中某故障的故障识别率低于0.2，认为该子聚类中无该故障类型；
若在某子聚类结果中某故障的故障识别率高于0.8，认为该子聚类表达该故障类型；
若没有任何子聚类结果的故障类型的故障识别率高于0.8，需要将分类到该聚类的数据输入到BP神经网络进行故障诊断；
若在训练故障识别模型过程中BP神经网络无法反映故障类型或者反映故障类型不在该聚类结果中，则忽略BP神经网络诊断结果，根据计算的故障识别率λi最高的故障类别作为该样本数据的故障判断结果。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。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的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于BP神经网络变压器故障诊断方法，其特征在于，包括以下步骤：
S1：收集油浸式变压器特征气体在不同故障和非故障时的数据构成数据集C，并将其分为训练数据和测试数据，对数据集C中的数据进行归一化处理；
S2：采用多级局部密度聚类算法处理归一化后的训练数据，最终得出所有子聚类结果；
S3：将多级局部密度聚类算法处理得到的所有子聚类结果制作成聚类类别故障表；
S4：根据聚类类别故障表确定每个子聚类结果所包含的故障类型，制作聚类类别故障识别表；
S5：利用S2中处理后的训练数据训练子聚类结果和BP神经网络搭建的故障识别模型；
S6：对测试数据进行归类并测试训练好的故障识别模型进行故障诊断，若出现多次故障诊断结果不一致的情况，则利用聚类类别故障识别表结合分类规则进行故障诊断，并对测试数据进行准确率验证。
2.根据权利要求1所述的一种基于BP神经网络变压器故障诊断方法，其特征在于，S1中对数据集C中不同气体对应的数据分别进行归一化，其公式如下：
式中，α，a，b为常数，y为数据处理前的值；y′为第一次数据处理后的值；y″为第二次数据处理后的值；minC、maxC分别为数据集C中的最大值和最小值。
3.根据权利要求2所述的一种基于BP神经网络变压器故障诊断方法，其特征在于，所述特征气体包括H2，CH4，C2H2，C2H4，C2H6。
4.根据权利要求3所述的一种基于BP神经网络变压器故障诊断方法，其特征在于，特征气体H2对应的常数a为50，b为160、特征气体CH4对应的常数a为10，b为100、特征气体C2H2对应的常数a为0，b为5、特征气体C2H4对应的常数a为30，b为150、特征气体C2H6对应的常数a为10，b为105。
5.根据权利要求1所述的一种基于BP神经网络变压器故障诊断方法，其特征在于，S2中采用多级局部密度聚类算法处理归一化后的训练数据，最终得出所有子聚类结果的具体过程为：
S21：计算聚类中心的局部密度ρi：
其中，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是一个离散函数，表示第i个样本的局部密度，即对于i点其距离dij小于截断距离dc的点的个数；γ(x)为0、1变量，即当x＞0时取1，当x<0时取0；
S22：计算每个样本的距离偏量δi：
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；
S23：根据指标γi确定聚类中心，计算公式如下：
γi＝ρi×δi
根据聚类中心对非聚类中心点进行聚类得到聚类结果。
6.根据权利要求5所述的一种基于BP神经网络变压器故障诊断方法，其特征在于，所述dij采用欧式距离公式计算。
7.根据权利要求1所述的一种基于BP神经网络变压器故障诊断方法，其特征在于，S4制作成聚类类别故障识别表的具体计算公式为：
式中，λi表示第i类故障的故障识别率，Bi表示第i类故障在聚类结果B中的样本个数，N表示有N类故障。
8.根据权利要求1所述的一种基于BP神经网络变压器故障诊断方法，其特征在于，S6利用聚类类别故障识别表结合分类规则进行故障诊断的情况如下：
若在某子聚类结果中某故障的故障识别率低于0.2，认为该子聚类中无该故障类型；
若在某子聚类结果中某故障的故障识别率高于0.8，认为该子聚类表达该故障类型；
若没有任何子聚类结果的故障类型的故障识别率高于0.8，需要将分类到该聚类的数据输入到BP神经网络进行故障诊断；
若在训练故障识别模型过程中BP神经网络无法反映故障类型或者反映故障类型不在该聚类结果中，则忽略BP神经网络诊断结果，根据计算的故障识别率λi最高的故障类别作为该样本数据的故障判断结果。
9.根据权利要求8所述的一种基于BP神经网络变压器故障诊断方法，其特征在于，所述BP神经网络采用三层神经元结构，其中输入层节点为16个，隐含层节点为20个，输出层节点为1个。
10.根据权利要求9所述的一种基于BP神经网络变压器故障诊断方法，其特征在于，隐含层激活函数为tansig，函数网络训练函数为trainlm函数；输出层的激活函数为purelin函数，网络训练函数为trainlm函数，训练速率为0.0001，目标误差为0.001。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910010381.4A CN109840548A (zh) | 2019-01-02 | 2019-01-02 | 一种基于bp神经网络变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910010381.4A CN109840548A (zh) | 2019-01-02 | 2019-01-02 | 一种基于bp神经网络变压器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109840548A true CN109840548A (zh) | 2019-06-04 |
Family
ID=66883689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910010381.4A Pending CN109840548A (zh) | 2019-01-02 | 2019-01-02 | 一种基于bp神经网络变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109840548A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
| CN112880750A (zh) * | 2021-03-26 | 2021-06-01 | 山东和兑智能科技有限公司 | 一种变压器多维度综合在线监测智能诊断系统 |
| CN115329908A (zh) * | 2022-10-14 | 2022-11-11 | 西安热工研究院有限公司 | 一种基于深度学习的电力变压器故障诊断方法 |
| CN116578889A (zh) * | 2023-06-30 | 2023-08-11 | 国恒能元（天津）电力科技发展有限公司 | 一种发电故障诊断方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102645280A (zh) * | 2012-04-27 | 2012-08-22 | 中国电子科技集团公司第四十一研究所 | 傅里叶变换光谱仪下陷式三角切趾函数及其高效的光谱还原方法 |
| CN103207950A (zh) * | 2013-04-16 | 2013-07-17 | 郑州航空工业管理学院 | 一种基于rbf神经网络的变压器故障诊断的智能方法 |
| CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
| CN103268516A (zh) * | 2013-04-16 | 2013-08-28 | 郑州航空工业管理学院 | 一种基于神经网络的变压器故障诊断方法 |
| CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
| CN109063734A (zh) * | 2018-06-29 | 2018-12-21 | 广东工业大学 | 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 |
-
2019
- 2019-01-02 CN CN201910010381.4A patent/CN109840548A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102645280A (zh) * | 2012-04-27 | 2012-08-22 | 中国电子科技集团公司第四十一研究所 | 傅里叶变换光谱仪下陷式三角切趾函数及其高效的光谱还原方法 |
| CN103207950A (zh) * | 2013-04-16 | 2013-07-17 | 郑州航空工业管理学院 | 一种基于rbf神经网络的变压器故障诊断的智能方法 |
| CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
| CN103268516A (zh) * | 2013-04-16 | 2013-08-28 | 郑州航空工业管理学院 | 一种基于神经网络的变压器故障诊断方法 |
| CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
| CN109063734A (zh) * | 2018-06-29 | 2018-12-21 | 广东工业大学 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 罗伟明等: "基于局部密度聚类算法的变压器故障状态评估", 《广东电力》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
| CN111695288B (zh) * | 2020-05-06 | 2023-08-08 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
| CN112880750A (zh) * | 2021-03-26 | 2021-06-01 | 山东和兑智能科技有限公司 | 一种变压器多维度综合在线监测智能诊断系统 |
| CN115329908A (zh) * | 2022-10-14 | 2022-11-11 | 西安热工研究院有限公司 | 一种基于深度学习的电力变压器故障诊断方法 |
| CN116578889A (zh) * | 2023-06-30 | 2023-08-11 | 国恒能元（天津）电力科技发展有限公司 | 一种发电故障诊断方法 |
| CN116578889B (zh) * | 2023-06-30 | 2023-11-10 | 国网甘肃省电力公司经济技术研究院 | 一种发电故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840548A (zh) | 一种基于bp神经网络变压器故障诊断方法 | |
| Dai et al. | Dissolved gas analysis of insulating oil for power transformer fault diagnosis with deep belief network | |
| CN107656154B (zh) | 基于改进模糊c均值聚类算法的变压器故障诊断方法 | |
| CN103487558B (zh) | 一种应用智能感官信号进行茶叶品质的模式识别分析过程中检测异常样本的方法 | |
| CN101464964B (zh) | 一种设备故障诊断的支持向量机模式识别方法 | |
| Wani et al. | Multiple incipient fault classification approach for enhancing the accuracy of dissolved gas analysis (DGA) | |
| CN106093612A (zh) | 一种电力变压器故障诊断方法 | |
| 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 | |
| CN106770939A (zh) | 一种基于支持向量描述和k近质心近邻的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 | |
| 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 | |
| Phaisangittisagul et al. | Intelligent method for sensor subset selection for machine olfaction | |
| CN110197222A (zh) | 一种基于多分类支持向量机变压器故障诊断的方法 | |
| Castro et al. | Transformer fault diagnosis based on autoassociative neural networks | |
| Uppaal et al. | Is fine-tuning needed? pre-trained language models are near perfect for out-of-domain detection | |
| CN112085064B (zh) | 基于支持向量机多分类概率输出的变压器故障诊断方法 | |
| CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
| Chen et al. | Fault diagnosis of transformer based on random forest | |
| Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
| CN113782113B (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
| CN113468461A (zh) | 基于支持向量机和遗传算法的油浸式变压器故障诊断方法 | |
| CN111275204A (zh) | 一种基于混合采样和集成学习的变压器状态识别方法 | |
| Furundzic et al. | Neural network ensemble for power transformers fault detection | |
| CN114184861A (zh) | 一种油浸式变压器的故障诊断方法 | |
| CN108491503B (zh) | 一种基于数据分析确定变压器的故障类型的方法及系统 |
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: 20190604 |