CN110244216A - 基于云模型优化pnn的模拟电路故障诊断方法 - Google Patents
基于云模型优化pnn的模拟电路故障诊断方法 Download PDFInfo
- Publication number
- CN110244216A CN110244216A CN201910583230.8A CN201910583230A CN110244216A CN 110244216 A CN110244216 A CN 110244216A CN 201910583230 A CN201910583230 A CN 201910583230A CN 110244216 A CN110244216 A CN 110244216A
- Authority
- CN
- China
- Prior art keywords
- cloud model
- fault
- normal
- neuron
- pnn
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/316—Testing of analog circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于云模型优化PNN的模拟电路故障诊断方法,通过构建CM‑PNN模型进行故障诊断,包括如下步骤:提取电路故障特征,获得特征样本;将特征样本分训练样本和测试样本,注意训练样本数目必须足够多,且远远大于测试样本数目,否则建立的正态云模型将无法正确反映样本分布;利用训练样本进行峰值云变换以建立多维正态云模型,将其作为模式神经元;确定模式层与求和层之间的连接权重;将测试样本输入到优化后的概率神经网络中进行加权求和;故障类别判别输出,输出结果判定为输出最大的故障类别。该方法优化了PNN的中心,带宽和连接权重,简化了PNN的训练过程,并可以确定隐含层神经元数目。
Description
技术领域
本发明涉及模拟电路故障诊断领域,具体涉及一种基于云模型算法优化PNN(Probabilistic Neural Networks,概率神经网络,简称PNN)的模拟电路故障诊断方法。
背景技术
为保证电子设备的正常工作,必须能够及时准确的诊断故障以便进行调试或更换。电路作为电子设备的载体和基本单元,诊断电子设备故障的实质就是对电路进行诊断。电路可以分为数字电路和模拟电路,目前数字电路故障诊断的方法已经成熟并应用于实践,但是由于模型复杂,元件容差,非线性,可测节点有限等因素导致模拟电路故障诊断研究进展比较缓慢。同时有研究和调查表明,模拟电路发生故障率要远远高于数字电路故障率。因此,模拟电路故障诊断研究具有重要的研究意义和巨大的实际价值。
近年来逐渐兴起的人工智能算法引起了人们的普遍关注,并为该问题的研究提供了新的手段。神经网络作为常见的一类分类器,具有非线性映射,学习推理能力强大等特点,十分适合故障分类。其中,BP神经网络的应用最为广泛,但是收敛速度较慢且容易陷入局部极小状态。近年来,径向基函数神经网络因解决了上述问题而受到了极大关注,概率神经网络属于径向基函数神经网络的特殊形式,通过线性学习算法进行非线性分类,其训练过程简洁,结构形式简单,计算速度快。
发明内容
本发明为解决神经网络寻优过程复杂及隐含层神经元数目无法确定等问题,提供一种基于云模型优化PNN的模拟电路故障诊断方法,该方法可以优化PNN的全部参数,极大地简化神经网络训练过程,确定模式层神经元数量,并可以有效提高诊断性能。
为了让公众更好地理解本发明,首先介绍云理论的基本概念:
概念1.云和云滴:
设U是一个论域空间,C是U上的一个定性概念,若x∈U,并且x是C的一个随机数值,则x对于C的确定度μ(x)是具有某种稳定趋势的随机数,且μ(x)∈[0,1]。那么x对于C的分布称为云,记为C(x),每个x是云C(x)的一个云滴。
概念2.正态云模型:
因为正态分布在实际中的普遍性和广泛性,所以正态云是最常见的云模型。一维正态云模型如图1所示,其数字特征为(Ex,En,He),期望Ex表征云滴密度最大点,越靠近期望Ex,云滴分布越紧密,越远离期望Ex,云滴分布越分散。熵En表征正态云的分布范围,熵En的大小与云的分布范围成正比。超熵He表征正态云的厚度,超熵En的大小与云的厚度成正比。
概念3.云发生器:
云发生器是实现确定性与不确定性相互转换的特定算法。正向云发生器将确定的数字特征(Ex,En,He)转化为不确定的云滴(x,y),其模型如图2。
正向云发生器算法包括如下步骤:
步骤1.生成以Ex为期望值,En为均方差的正态随机数x;
步骤2.生成以En为期望值,He为均方差的正态随机数En’;
步骤3.根据公式(1)计算隶属度y;
步骤4.(x,y)即为一个云滴;
步骤5.重复步骤1至步骤5,直至产生要求数目的云滴。
如图3所示,一种基于云模型优化PNN的模拟电路故障诊断方法,通过构建CM-PNN(Cloud Model Probabilistic Neural Networks,云模型概率神经网络,简称CM-PNN)模型进行故障诊断,包括如下步骤:
步骤A.提取电路故障特征,获得特征样本;
步骤B.将特征样本分训练样本和测试样本,注意训练样本数目必须足够多,且远远大于测试样本数目,否则建立的正态云模型将无法正确反映样本分布;
步骤C.利用训练样本进行峰值云变换以建立多维正态云模型,将其作为模式神经元;
步骤D.确定模式层与求和层之间的连接权重;
步骤E.将测试样本输入到优化后的概率神经网络中进行加权求和;
步骤F.故障类别判别输出,输出结果判定为输出最大的故障类别。
所述步骤C中建立多维正态云模型,包括如下步骤:
步骤1.训练样本x进行峰值云变换,首先统计样本数据在各个区间内的频数,获得样本数据分布曲线F(x),然后根据下述步骤分离出n个正态云模型C(x),即:
式(2)中,Ci(x)表示第i朵正态云模型,peaki表示第i朵正态云模型的峰值,n表示分离出的正态云模型数目,
(1)在训练样本x中,寻找其最大值a和最小值b,并确定区间数目t,根据公式(3)确定区间范围u,统计样本数据在各个区间内的频数以获得频率分布直方图,连接每个区间顶部的中心,绘制出样本数据分布曲线F(x);
(2)寻找样本数据分布曲线F(x)的波峰,波峰的纵坐标记为peak,波峰的横坐标作为期望Ex,阈值为t时,统计在区间[Ex-t,Ex+t]内的频数,根据公式(4),计算熵En和超熵He并获得期望曲线f(x),
式(4)中,S表示训练样本x的方差,En′表示以熵En为期望值,以超熵He为标准差的正态随机数;
(3)根据得到的(Ex,En,He),利用正态云发生器算法生成若干个正态云模型C(x);
(4)从样本数据分布曲线F(x)中减去期望曲线f(x),得到新的样本数据分布曲线F(x)’,重复步骤(2)和步骤(3),直至波峰的纵坐标peak小于设定的频率阈值;
步骤2.建立多维正态云作为PNN的模式神经元。在每种故障模式下,对每维属性任意选取一朵正态云模型进行组合,构造多维云模型作为模式层基函数,故障类别i的第j个正态云模型的中心为(Exi1,Exi2...Exih),带宽为(Eni1,Eni2...Enih),输出Mij为:
式(5)中,h表示正态云模型的维数,Exik表示在故障类别i下,第j个正态云模型的第k维中心,Enik′表示在故障类别i下,第j个正态云模型的第k维带宽。
所述步骤D确定模式层与求和层之间的连接权重,包括如下步骤:
故障类别i的第j个模式神经元到相应求和神经元的权重kij为:
式(6)中,peakij表示故障类别i的第j个模式神经元的峰值,b表示故障类别i的模式神经元总数目。
所述步骤E即模式层的输出向量进行加权求和,包括如下步骤:
模式层的输出向量进行加权求和得到求和层,一个求和神经元代表一种故障模式,第i个求和神经元的输出Oi为:
所述步骤F即故障类别判定,包括如下步骤:
根据公式(8),输出结果Y判定为输出最大的求和神经元所对应的故障类别,
Y=arg max(Oi) (8)。
基于云模型优化PNN的模拟电路故障诊断方法,通过峰值云变换构造出多维正态云模型以代替中心和带宽的求解,并利用峰值这一参数求得模式层与求和层之间的权重。该方法优化了PNN的中心,带宽和连接权重,简化了PNN的训练过程,并可以确定隐含层神经元数目。
附图说明
图1为一维正态云模型;
图2为正向云发生器模型;
图3为基于云模型优化概率神经网络的模拟电路故障诊断流程图;
图4为Sallen-Key带通滤波电路图;
图5a-图5c为F0模式下属性1的云模型拟合结果,其中图5a是样本分布直方图;图5b是分离曲线图;图5c是正态云模型拟合结果;
图6为基于云模型优化概率神经网络的电路故障诊断结果图。
具体实施方式
下面结合实施例和附图对本发明内容作进一步的阐述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
Sallen-key带通滤波器是代表性滤波器之一,将其作为被测电路进行实验仿真,电路原理图如图4所示,各个元件的标称值分别为:电阻R1=1kΩ,电阻R2=3kΩ,电阻R3=2kΩ,电阻R4=R5=4kΩ,电容C1=C2=5nF,V1=1Vac,V2=V3=15Vdc,其中电阻的容差范围为±5%,电容的容差范围为±10%。具体故障模式设置如表1所示。表1中的“↑”表示元件参数的实际值等于该元件标称值的1.5倍,“↓”表示元件的实际值等于该元件标称值的0.5倍。
表1 Sallen-key带通滤波器故障模式
利用PSPICE 16.5对电路进行500次蒙特卡洛交流分析,采集‘out1’输出节点在1kHz,10kHz,20kHz,25kHz,50kHz,70kHz,100kHz7个频率下的电压,组成7维原始样本集。
主成分分析(Principal Component Analysis,简称PCA)是一种把多个变量转换成少数几个相互无关变量的统计分析方法,高维数据集合E通过主成分Pt映射至低维空间得到低维数据集合R,如公式(9)所示。
R=EPt (9)
利用PCA提取电路故障特征,其方差的累计贡献率达99%。7维的原始样本集经过PCA提取故障特征之后,压缩为3维故障样本集,则概率神经网络的输入神经元个数为3,取其前400个作为训练样本,后100个作为测试样本。
表2各故障模式下主成分的云模型数目
训练样本通过峰值云变换构建作为正态云模型,将其作为模式层神经元。以F0模式的第一主成分为例,对该样本进行统计得到数据分布直方图,如图5a;根据图5a分离出13条正态曲线,如图5b;一条正态曲线可以产生一朵正态云,共产生13朵一维正态云模型,如图5c。可以发现13朵一维正态云模型可以较好的拟合数据分布直方图。各故障模式下的各个主成分分离出的正态云模型数目如表2所示。相同故障模式下的每维属性任选一朵云模型组成三维云模型作为模式层神经元,一个模式层单元即为一个三维云模型,共得到12889个模式层神经元。
经过上述峰值云变换后可以获得云模型的峰值,根据公式(6),求得不同故障模式下的模式神经元到相应求和神经元的权重。
将测试样本输入到优化后的概率神经网络中进行加权求和,从而得到测试样本在不同故障模式下的概率累计,根据公式(8)将测试样本的分类结果判定为概率最大的故障模式。
训练完成后的概率神经网络对测试样本进行分类,其分类结果如图6所示。正确率定义为正确分类的样本数目与总样本数目之比,其总样本数为900个,错误分类的样本数为10个,正确分类的样本数为890个,正确率为98.89%。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于云模型优化PNN的模拟电路故障诊断方法,其特征在于:通过构建CM-PNN模型进行故障诊断,包括如下步骤:
步骤A.提取电路故障特征,获得特征样本;
步骤B.将特征样本分训练样本和测试样本,注意训练样本数目必须足够多,且远远大于测试样本数目,否则建立的正态云模型将无法正确反映样本分布;
步骤C.利用训练样本进行峰值云变换以建立多维正态云模型,将其作为模式神经元;
步骤D.确定模式层与求和层之间的连接权重;
步骤E.将测试样本输入到优化后的概率神经网络中进行加权求和;
步骤F.故障类别判别输出,输出结果判定为输出最大的故障类别。
2.根据权利要求1所述的模拟电路故障特征提取方法,其特征在于,所述步骤C中建立多维正态云模型,包括如下步骤:
步骤1.训练样本x进行峰值云变换,首先统计样本数据在各个区间内的频数,获得样本数据分布曲线F(x),然后根据下述步骤分离出n个正态云模型C(x),即:
式(2)中,Ci(x)表示第i朵正态云模型,peaki表示第i朵正态云模型的峰值,n表示分离出的正态云模型数目:
(1)在训练样本x中,寻找其最大值a和最小值b,并确定区间数目t,根据公式(3)确定区间范围u,统计样本数据在各个区间内的频数以获得频率分布直方图,连接每个区间顶部的中心,绘制出样本数据分布曲线F(x);
(2)寻找样本数据分布曲线F(x)的波峰,波峰的纵坐标记为peak,波峰的横坐标作为期望Ex,阈值为t时,统计在区间[Ex-t,Ex+t]内的频数,根据公式(4),计算熵En和超熵He并获得期望曲线f(x),
式(4)中,S表示训练样本x的方差,En′表示以熵En为期望值,以超熵He为标准差的正态随机数;
(3)根据得到的(Ex,En,He),利用正态云发生器算法生成若干个正态云模型C(x);
(4)从样本数据分布曲线F(x)中减去期望曲线f(x),得到新的样本数据分布曲线F(x)’,重复步骤(2)和步骤(3),直至波峰的纵坐标peak小于设定的频率阈值;
步骤2.建立多维正态云作为PNN的模式神经元:在每种故障模式下,对每维属性任意选取一朵正态云模型进行组合,构造多维云模型作为模式层基函数,故障类别i的第j个正态云模型的中心为(Exi1,Exi2...Exih),带宽为(Eni1,Eni2...Enih),输出Mij为:
式(5)中,h表示正态云模型的维数,Exik表示在故障类别i下,第j个正态云模型的第k维中心,Enik’表示在故障类别i下,第j个正态云模型的第k维带宽。
3.根据权利要求1所述的模拟电路故障特征提取方法,其特征在于,所述步骤D确定模式层与求和层之间的连接权重,包括如下步骤:
故障类别i的第j个模式神经元到相应求和神经元的权重kij为:
式(6)中,peakij表示故障类别i的第j个模式神经元的峰值,b表示故障类别i的模式神经元总数目。
4.根据权利要求1所述的模拟电路故障特征提取方法,其特征在于,所述步骤E即模式层的输出向量进行加权求和,包括如下步骤:
模式层的输出向量进行加权求和得到求和层,一个求和神经元代表一种故障模式,第i个求和神经元的输出Oi为:
5.根据权利要求1所述的模拟电路故障特征提取方法,其特征在于,所述步骤F即故障类别判定,包括如下步骤:
根据公式(8),输出结果Y判定为输出最大的求和神经元所对应的故障类别,
Y=arg max(Oi) (8)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583230.8A CN110244216B (zh) | 2019-07-01 | 2019-07-01 | 基于云模型优化pnn的模拟电路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583230.8A CN110244216B (zh) | 2019-07-01 | 2019-07-01 | 基于云模型优化pnn的模拟电路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244216A true CN110244216A (zh) | 2019-09-17 |
CN110244216B CN110244216B (zh) | 2021-10-22 |
Family
ID=67890455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910583230.8A Active CN110244216B (zh) | 2019-07-01 | 2019-07-01 | 基于云模型优化pnn的模拟电路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244216B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529683A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于cs-pnn的客户信贷风险的评估方法及系统 |
CN112989734A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 基于概率神经网络的装备模拟电路故障诊断方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060123278A1 (en) * | 2004-10-13 | 2006-06-08 | Petre Dini | Method and apparatus for generating diagnoses of network problems |
US20060235616A1 (en) * | 2004-09-15 | 2006-10-19 | Gallegos Sonia C | System and method for extracting optical properties from environmental parameters in water |
CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
CN102323469A (zh) * | 2011-07-27 | 2012-01-18 | 四川大学 | 谐波负荷状态监测系统 |
CN103279671A (zh) * | 2013-06-03 | 2013-09-04 | 南京大学 | 基于rbf神经网络-云模型的城市水灾害风险预测方法 |
CN105866725A (zh) * | 2016-04-20 | 2016-08-17 | 国网上海市电力公司 | 一种基于聚类分析和云模型的智能电表故障分类方法 |
CN107942164A (zh) * | 2017-11-16 | 2018-04-20 | 芜湖市卓亚电气有限公司 | 供电设备故障诊断方法 |
CN108828436A (zh) * | 2018-06-27 | 2018-11-16 | 桂林电子科技大学 | 基于混沌云自适应萤火虫算法的模拟电路故障诊断方法 |
CN108828437A (zh) * | 2018-06-27 | 2018-11-16 | 桂林电子科技大学 | 基于云关联系数矩阵的模拟电路故障特征提取方法 |
CN109522755A (zh) * | 2018-10-09 | 2019-03-26 | 天津大学 | 基于概率神经网络的硬件木马检测方法 |
CN109696090A (zh) * | 2019-01-16 | 2019-04-30 | 哈尔滨工业大学 | 一种针对运载火箭\导弹的在线单发推力辨识方法 |
CN106411257B (zh) * | 2016-11-03 | 2019-06-18 | 许继集团有限公司 | 一种光伏电站状态诊断方法及装置 |
-
2019
- 2019-07-01 CN CN201910583230.8A patent/CN110244216B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060235616A1 (en) * | 2004-09-15 | 2006-10-19 | Gallegos Sonia C | System and method for extracting optical properties from environmental parameters in water |
US20060123278A1 (en) * | 2004-10-13 | 2006-06-08 | Petre Dini | Method and apparatus for generating diagnoses of network problems |
CN101819253A (zh) * | 2010-04-20 | 2010-09-01 | 湖南大学 | 一种基于概率神经网络的容差电路故障诊断方法 |
CN102323469A (zh) * | 2011-07-27 | 2012-01-18 | 四川大学 | 谐波负荷状态监测系统 |
CN103279671B (zh) * | 2013-06-03 | 2016-08-17 | 南京大学 | 基于rbf神经网络-云模型的城市水灾害风险预测方法 |
CN103279671A (zh) * | 2013-06-03 | 2013-09-04 | 南京大学 | 基于rbf神经网络-云模型的城市水灾害风险预测方法 |
CN105866725A (zh) * | 2016-04-20 | 2016-08-17 | 国网上海市电力公司 | 一种基于聚类分析和云模型的智能电表故障分类方法 |
CN106411257B (zh) * | 2016-11-03 | 2019-06-18 | 许继集团有限公司 | 一种光伏电站状态诊断方法及装置 |
CN107942164A (zh) * | 2017-11-16 | 2018-04-20 | 芜湖市卓亚电气有限公司 | 供电设备故障诊断方法 |
CN108828436A (zh) * | 2018-06-27 | 2018-11-16 | 桂林电子科技大学 | 基于混沌云自适应萤火虫算法的模拟电路故障诊断方法 |
CN108828437A (zh) * | 2018-06-27 | 2018-11-16 | 桂林电子科技大学 | 基于云关联系数矩阵的模拟电路故障特征提取方法 |
CN109522755A (zh) * | 2018-10-09 | 2019-03-26 | 天津大学 | 基于概率神经网络的硬件木马检测方法 |
CN109696090A (zh) * | 2019-01-16 | 2019-04-30 | 哈尔滨工业大学 | 一种针对运载火箭\导弹的在线单发推力辨识方法 |
Non-Patent Citations (5)
Title |
---|
HONGXIA MIAO ET.AL: "Fault diagnosis system of high voltage switchgear based on cloud computing technology", 《2017 3RD IEEE INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS》 * |
孙健 等: "基于PCA和PNN的模拟电路故障诊断", 《微电子学》 * |
崔江 等: "一种云样本的控制产生及在电路故障诊断中的应用", 《控制理论与应用》 * |
李刚 等: "基于高纬云模型和RBF神经网络的遥感影像不确定性分类方法", 《测绘科学》 * |
谈恩民 等: "模拟电路故障诊断的云关联系数矩阵方法研究", 《电子测量与仪器学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529683A (zh) * | 2020-11-27 | 2021-03-19 | 百维金科(上海)信息科技有限公司 | 一种基于cs-pnn的客户信贷风险的评估方法及系统 |
CN112989734A (zh) * | 2021-02-25 | 2021-06-18 | 中国人民解放军海军航空大学 | 基于概率神经网络的装备模拟电路故障诊断方法 |
CN112989734B (zh) * | 2021-02-25 | 2022-05-03 | 中国人民解放军海军航空大学 | 基于概率神经网络的装备模拟电路故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110244216B (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021073462A1 (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN112327219A (zh) | 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法 | |
CN109975673B (zh) | 一种光伏微电网直流侧故障电弧识别方法 | |
CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
CN106548021B (zh) | 一种基于高维随机矩阵的电子式互感器误差状态评估方法 | |
CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN104849633A (zh) | 一种开关柜局部放电模式识别方法 | |
CN105866725A (zh) | 一种基于聚类分析和云模型的智能电表故障分类方法 | |
CN109164362A (zh) | 一种直流电缆局部放电缺陷故障的识别方法及系统 | |
CN105022021A (zh) | 一种基于多智能体的关口电能计量装置的状态识别方法 | |
CN109672221B (zh) | 一种用于次同步振荡分析的直驱风电场动态等值方法 | |
CN110244216A (zh) | 基于云模型优化pnn的模拟电路故障诊断方法 | |
Xu et al. | DC cable feature extraction based on the PD image in the non-subsampled contourlet transform domain | |
CN103267941A (zh) | 一种集成开关电流电路故障模式测试方法 | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
CN108333468A (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
CN113659564B (zh) | 基于电压波动特征聚类的低压配电网拓扑识别方法及系统 | |
CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 | |
CN110110426A (zh) | 一种开关电源滤波电容失效检测方法 | |
CN111539275B (zh) | 一种基于负载特性可视化的电气负载分类方法和系统 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN112230056B (zh) | 一种基于OFMMK-Means聚类和复合分位数回归多谐波源贡献计算方法 | |
CN109031020B (zh) | 一种基于逻辑斯蒂回归的变压器涌流识别方法 | |
Soni et al. | Deep learning technique for recurrence plot-based classification of power quality disturbances | |
Shan et al. | Design and implementation of fault diagnosis system for power communication network based on CNN |
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 |