CN110569888A - 基于有向无环图支持向量机的变压器故障诊断方法及装置 - Google Patents
基于有向无环图支持向量机的变压器故障诊断方法及装置 Download PDFInfo
- Publication number
- CN110569888A CN110569888A CN201910771628.4A CN201910771628A CN110569888A CN 110569888 A CN110569888 A CN 110569888A CN 201910771628 A CN201910771628 A CN 201910771628A CN 110569888 A CN110569888 A CN 110569888A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- directed acyclic
- acyclic graph
- fault
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于有向无环图支持向量机的变压器故障诊断方法及装置,通过相似性测度方法构建基于变压器多故障类型的有向无环图,基于有向无环图支持向量机算法判断变压器故障类型。本发明在传统有向无环图支持向量机的基础上,以平均相似性测度评定各样本类型间的分离性质,从而选择合适的节点,优化有向无环图支持向量机的拓扑结构,克服了传统有向无环图支持向量机可能由于节点选择不佳而影响分类结果的问题,从而提高了分类精度。
Description
技术领域
本发明属于电气设备智能故障诊断领域,尤其涉及一种基于有向无环图支持向量机的变压器故障诊断方法及装置。
背景技术
智能电网是电力工业发展的方向和趋势。智能电网利用先进的信息通信技术、计算机技术、控制技术及其他先进技术,实现对发电、电网运行、终端用电和电力市场中各利益方的需求和功能的协调,在尽可能提高系统各部分的高效率运行、降低成本和环境影响的同时,尽可能提高系统的可靠性、自愈能力和稳定性。
随着智能电网的推进,各类先进的测量管理技术已被广泛地应用于电力系统中,并获取相应电气设备的运行状态信息。在实现GIS、PMS、在线监测系统等各类历史数据和实时数据融合的基础上,应用数据挖掘技术和人工智能算法进行故障诊断,并为状态检修提供决策,可实现对电网设备关键性能的动态评估与基于复杂相关关系识别的故障诊断,为解决现有状态维修问题提供技术支撑。
变压器在电力系统中是一个非常重要的枢纽设备,承担着电压变换和电能分配与传输的任务,其运行状态直接关系到整个电力系统的安全运行,变压器故障将直接影响电力系统的正常工作。因此,变压器运行维护意义重大,是电力部门日常的主要工作之一。为了确保变压器正常良好运行,及时准确地诊断故障类型,大量研究学者历年来注重于变压器故障诊断,为电力系统维护部门提供必备的决策依据,以实现运维工作高效化、智能化、规范化。
油中溶解气体分析(dissolved gases analysis,DGA)技术是变压器故障诊断的重要依据,在此基础上,形成的变压器故障诊断方法包括特征气体法、三比值法等。除此之外,随着各种新技术和新理论,如支持向量机、粒子群算法、遗传算法、神经网络等的不断发展,许多学者将它们运用到变压器故障诊断中来,随之产生了不少新的诊断方法。其中,三比值法编码简单易懂,故障判断快捷,已成为国家标准《变压器油中溶解气体分析和判断导则》所推荐的故障诊断技术,也是现在国内外使用最广泛的变压器故障判断方法,有较强的实用价值。但是此方法存在比值编码缺失的问题,导致有些故障类型不能够准确判断,对于这一缺陷,出现一些改进的方法,它们在一定程度上改善了故障诊断的精确度和稳定性。
发明内容
发明目的:针对以上问题,本发明提出一种基于有向无环图支持向量机的变压器故障诊断方法,优化有向无环图支持向量机的节点选择,可对变压器故障类型进行有效地分类,并具有较高的准确率。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于有向无环图支持向量机的变压器故障诊断方法,包括步骤:
(1)提取实时故障中变压器油中溶解气体的体积百分数作为特征数据,构成待测数据,并进行归一化处理;
(2)输入待测数据,经过有向无环图支持向量机中各支持向量机分类器进行逐层判断,最终决定预测数据分类结果,判断变压器故障类型;所述有向无环图支持向量机包括若干支持向量机分类器,所述支持向量机分类器构成一个有向无环图,所述有向无环图根据各故障类别的平均相似性测度确定。
进一步地,所述步骤2前还包括构建支持向量机分类器,所述支持向量机分类器的构建步骤包括:
(2.1)提取历史故障时变压器油中溶解气体的体积百分数作为特征数据,构成训练集,并进行归一化处理;
(2.2)计算训练集中各故障类别的平均相似性测度,将类别按平均相似性测度从大到小的顺序排列,根据类别序列生成有向无环图;
(2.3)构造有向无环图支持向量机分类器,用训练集对支持向量机分类器进行训练。
进一步地,所述步骤(2.2)具体包括:
(2.2.1)计算训练集中各个样本间的欧氏距离,形成相似度矩阵;
(2.2.2)将训练集按故障类别划分子集,根据相似度矩阵计算各类子集间的相似性测度,形成相似性测度矩阵;
(2.2.3)计算相似性测度矩阵每一行的算术平均值,得出各类型的平均相似性测度;
(2.2.4)将类别按平均相似性测度从大到小的顺序排列,从而形成所有的类别排序,根据类别序列生成有向无环图。
进一步地,所述步骤(2.2.1)中,设n个样本组成训练集X={x1,x2,…xn},每个样本有m维特征量Xi={xi1,xi2,…xim},相似度矩阵A定义如下:
其中,dij代表样本xi和样本xj之间的欧式距离。
进一步地,所述步骤(2.2.2)中,设训练集X的可划分K类子集X={X1,X2,…XK},定义两个子集Xp和Xq间的相似性测度Spq:
进一步地,所述步骤(2.2.4)中,当存在两个或两个以上的类别具有相同分布体积时,把类别的标号小的类别排在后面。
进一步地,对于k类别问题,有向无环图支持向量机需要k(k-1)/2个支持向量机分类器,这些分类器构成一个有向无环图,包括k(k-1)/2个内部节点和k个叶结点,且每个内部节点对应一个支持向量机分类器。
一种基于有向无环图支持向量机的变压器故障诊断装置,包括待测数据提取模块、归一化处理模块和故障检测模块;所述待测数据提取模块提取实时故障中变压器油中溶解气体的体积百分数作为待测数据,并送到归一化处理模块,进行数据的归一化处理,然后送到故障检测模块,经过有向无环图支持向量机中各支持向量机分类器进行逐层判断,决定预测数据分类结果,判断变压器故障类型;所述有向无环图支持向量机包括若干支持向量机分类器,所述支持向量机分类器构成一个有向无环图,所述有向无环图根据各故障类别的平均相似性测度确定。
进一步地,所述故障检测模块包括支持向量机分类器,所述支持向量机分类器的构建过程为,提取历史故障时变压器油中溶解气体的体积百分数作为特征数据,构成训练集,并进行归一化处理,计算训练集中各故障类别的平均相似性测度,将类别按平均相似性测度从大到小的顺序排列,根据类别序列生成有向无环图,构造有向无环图支持向量机分类器,用训练集对支持向量机分类器进行训练。
进一步地,所述有向无环图的生成过程为,计算训练集中各个样本间的欧氏距离,形成相似度矩阵,将训练集按故障类别划分子集,根据相似度矩阵计算各类子集间的相似性测度,形成相似性测度矩阵,计算相似性测度矩阵每一行的算术平均值,得出各类型的平均相似性测度,将类别按平均相似性测度从大到小的顺序排列,从而形成所有的类别排序,根据类别序列生成有向无环图。
有益效果:本发明方法在传统有向无环图支持向量机的基础上,以平均相似性测度评定各样本类型间的分离性质,从而选择合适的节点,优化有向无环图支持向量机的拓扑结构,克服传统有向无环图支持向量机可能由于节点选择不佳而影响分类结果的问题,从而提高分类精度。
附图说明
图1是本发明方法的流程图;
图2是改进的有向无环图支持向量机拓扑结构示意图;
图3是本发明实例中的8分类模型示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明在传统有向无环图支持向量机算法的基础上,提出改进的有向无环图支持向量机方法并应用于变压器故障诊断方法。基于油中溶解气体类型与内部故障性质的对应关系,采用变压器油中气体H2、CH4、C2H2、C2H4、C2H6、CO和CO2体积百分数作为判定依据来诊断变压器的故障类型。变压器故障类型主要包括:低温过热、中温过热、高温过热、局部放电、火花放电、火花放电兼过热、电弧放电、电弧放电兼过热。
如图1所示,本发明所述的基于改进的有向无环图支持向量机算法的变压器故障诊断方法,包括步骤:
(1)提取历史故障时变压器油中溶解气体H2、CH4、C2H2、C2H4、C2H6、CO和CO2的体积百分数作为特征数据,构成训练集数据,并进行归一化处理;
提取实时故障中变压器油中溶解气体H2、CH4、C2H2、C2H4、C2H6、CO和CO2的体积百分数作为特征数据,构成测试集数据,并进行归一化处理;
(2)计算训练集各样本间的欧氏距离,形成相似度矩阵A;
设n个样本组成训练集X={x1,x2,…xn},每个样本有m维特征量,即Xi={xi1,xi2,…xim},相似度矩阵A反映各样本间的相似情况,相似度矩阵A定义如下:
其中,dij代表样本xi和样本xj之间的欧式距离,用来度量两样本间的相似度。
(3)将训练集X划分子集,计算各类子集间的相似性测度,形成相似性测度矩阵;
设训练集X的可划分子集即类别数已知,对于K类有向无环图支持向量机分类问题,X={X1,X2,…XK},定义两个子集Xp和Xq间的相似性测度:
Spq反映了子集之间节点的连接情况,S越大,表明子集间相似度越高,子集所代表的类型越不容易区分。
求矩阵每一行的算术平均值,得出各类型的平均相似性测度li(i=1,2…K)。将类别按平均相似性测度从大到小的顺序排列,当存在两个或两个以上的类别具有相同分布体积时,把类标号小的类排在后面,从而形成所有的类别排序{c1,c2,…ck}。其中,ci∈{1,2,…k},i=1,2,…K。根据类别序列,生成有向无环图。
(4)构造有向无环图支持向量机分类器,用训练集对支持向量机分类器进行训练;
利用二值分类的支持向量机训练算法构造决策导向的循环图各内节点的最优超平面;设线性可分训练集为(Xi,yi)(i=1,2,…n,x∈Rd,y∈{-1,1}),d维空间中线性判别函数的一般形式为g(X)=W·X+b,分类面方程为:W·X+b=0。将判别函数归一化,再等比例调节系数W和b,使两类所有样本都能满足|g(X)|≥1,这时分类间隔为2/‖W‖,所以求间隔最大变为求‖W‖最小。最后分类面的问题转换为优化问题:
s.t.yi[(W·Xi)+b]-1≥0
对应的最优分类函数为:
在根节点处,从样本分别选择c1和cK类型的数据作为训练样本,构造支持向量机分类器。在第二层节点处,从样本中分别选择c1和cK-1类型的数据作为训练样本,构造支持向量机分类器;同时从样本中分别选择c2和cK类型的数据作为训练样本,构造支持向量机分类器。以此类推,得到如图2所示的改进的有向无环图支持向量机分类模型。
对于k类别问题,有向无环图支持向量机需要k(k-1)/2个支持向量机分类器,这些分类器构成一个有向无环图,图中包括了k(k-1)/2个内部节点和k个叶结点,且每个内部节点对应一个支持向量机分类器。
用训练集对支持向量机分类器进行训练,根据训练好的SVM分类器与新的有向无环图支持向量机拓扑结构,然后对测试集进行类别预测。
(5)根据训练好的SVM分类器与所生成的改进的有向无环图支持向量机拓扑结构,输入待测数据,经过有向无环图支持向量机中各支持向量机分类器进行逐层判断,最终决定预测数据分类结果,判断变压器故障类型。
从江苏省电力公司历史数据中选取8类故障共96组样本。其中,72组归为训练样本;24组归为测试样本。使用极差归一化函数处理后的故障样本数据见表1。表1中的各类别标签代表的具体故障类型如表2所示。
表1
表2
标签 | 故障类型 | 标签 | 故障类型 |
f<sub>1</sub> | 低温过热 | f<sub>5</sub> | 火花放电 |
f<sub>2</sub> | 中温过热 | f<sub>6</sub> | 火花放电兼过热 |
f<sub>3</sub> | 高温过热 | f<sub>7</sub> | 电弧放电 |
f<sub>4</sub> | 局部放电 | f<sub>8</sub> | 电弧放电兼过热 |
计算各训练样本间的欧氏距离,构建相似度矩阵A,可得:
计算各类型子集间的相似性测度,形成相似性测度矩阵;求矩阵每一行的算术平均值,得出各类型的平均相似性测度li(i=1,2…K),如表3所示。将类别按平均相似性测度从大到小的顺序排列,得到新的类别序列:
f8,f5,f1,f3,f2,f6,f4,f7
根据新的类别序列,生成新的有向无环图支持向量机拓扑结构,如图3所示。
表3
d<sub>1</sub> | d<sub>2</sub> | d<sub>3</sub> | d<sub>4</sub> | d<sub>5</sub> | d<sub>6</sub> | d<sub>7</sub> | d<sub>8</sub> |
0.55 | 0.48 | 0.51 | 0.43 | 0.74 | 0.46 | 0.41 | 0.89 |
构造有向无环图支持向量机分类模型,用训练集对支持向量机分类器进行训练,然后对测试集进行类别预测。根据训练好的SVM分类器与新的有向无环图支持向量机拓扑结构,输入24组测试样本,最后得出的分类结果。为了证明本专利的有效性,采用支持向量机和DAG-SVM进行对比,对比结果如下表4所示。
表4
由表4可以看出,改进的有向无环图支持向量机算法表现最好。传统支持向量机和有向无环图支持向量机分类方法对测试样本分类时,8号样本产生了误判,将原本属于f3的样本判别为f1和f2样本,这是由于f1、f2与f样本的平均相似性测度相近,两者可分度较小,容易产生误判;而用改进的有向无环图支持向量机算法预测的分类结果与实际的类别一致,与传统的有向无环图支持向量机方法相比有着更高的准确率。
本发明还包括一种基于改进的有向无环图支持向量机算法的变压器故障诊断装置,包括待测数据提取模块、归一化处理模块和故障检测模块;所述待测数据提取模块提取实时故障中变压器油中溶解气体的体积百分数作为待测数据,并送到归一化处理模块,进行数据的归一化处理,然后送到故障检测模块,经过有向无环图支持向量机中各支持向量机分类器进行逐层判断,决定预测数据分类结果,判断变压器故障类型;所述有向无环图支持向量机包括若干支持向量机分类器,所述支持向量机分类器构成一个有向无环图,所述有向无环图根据各故障类别的平均相似性测度确定。
故障检测模块包括支持向量机分类器,所述支持向量机分类器的构建过程为,提取历史故障时变压器油中溶解气体的体积百分数作为特征数据,构成训练集,并进行归一化处理,计算训练集中各故障类别的平均相似性测度,将类别按平均相似性测度从大到小的顺序排列,根据类别序列生成有向无环图,构造有向无环图支持向量机分类器,用训练集对支持向量机分类器进行训练。
有向无环图的生成过程为,计算训练集中各个样本间的欧氏距离,形成相似度矩阵,将训练集按故障类别划分子集,根据相似度矩阵计算各类子集间的相似性测度,形成相似性测度矩阵,计算相似性测度矩阵每一行的算术平均值,得出各类型的平均相似性测度,将类别按平均相似性测度从大到小的顺序排列,从而形成所有的类别排序,根据类别序列生成有向无环图。
Claims (10)
1.一种基于有向无环图支持向量机的变压器故障诊断方法,其特征在于,包括步骤:
(1)提取实时故障中变压器油中溶解气体的体积百分数作为特征数据,构成待测数据,并进行归一化处理;
(2)输入待测数据,经过有向无环图支持向量机中各支持向量机分类器进行逐层判断,最终决定预测数据分类结果,判断变压器故障类型;
所述有向无环图支持向量机包括若干支持向量机分类器,所述支持向量机分类器构成一个有向无环图,所述有向无环图根据各故障类别的平均相似性测度确定。
2.根据权利要求1所述的基于改进的有向无环图支持向量机算法的变压器故障诊断方法,其特征在于,所述步骤2前还包括构建支持向量机分类器,所述支持向量机分类器的构建步骤包括:
(2.1)提取历史故障时变压器油中溶解气体的体积百分数作为特征数据,构成训练集,并进行归一化处理;
(2.2)计算训练集中各故障类别的平均相似性测度,将类别按平均相似性测度从大到小的顺序排列,根据类别序列生成有向无环图;
(2.3)构造基于有向无环图的支持向量机分类器,并用训练集对支持向量机分类器进行训练。
3.根据权利要求2所述的基于有向无环图支持向量机的变压器故障诊断方法,其特征在于,所述步骤(2.2)具体包括:
(2.2.1)计算训练集中各个样本间的欧氏距离,形成相似度矩阵;
(2.2.2)将训练集按故障类别划分子集,根据相似度矩阵计算各类子集间的相似性测度,形成相似性测度矩阵;
(2.2.3)计算相似性测度矩阵每一行的算术平均值,得出各类型的平均相似性测度;
(2.2.4)将类别按平均相似性测度从大到小的顺序排列,从而形成所有的类别排序,根据类别序列生成有向无环图。
4.根据权利要求3所述的基于有向无环图支持向量机的变压器故障诊断方法,其特征在于,所述步骤(2.2.1)中,
设n个样本组成训练集X={x1,x2,…xn},每个样本有m维特征量Xi={xi1,xi2,…xim},相似度矩阵A定义如下:
其中,dij代表样本xi和样本xj之间的欧式距离。
5.根据权利要求4所述的基于有向无环图支持向量机的变压器故障诊断方法,其特征在于,所述步骤(2.2.2)中,
设训练集X的可划分K类子集X={X1,X2,…XK},定义两个子集Xp和Xq间的相似性测度Spq:
6.根据权利要求3所述的基于有向无环图支持向量机的变压器故障诊断方法,其特征在于,所述步骤(2.2.4)中,当存在两个或两个以上的类别具有相同分布体积时,把类别的标号小的类别排在后面。
7.根据权利要求2所述的基于有向无环图支持向量机的变压器故障诊断方法,其特征在于,对于k类别问题,有向无环图支持向量机需要k(k-1)/2个支持向量机分类器,这些分类器构成一个有向无环图,包括k(k-1)/2个内部节点和k个叶结点,且每个内部节点对应一个支持向量机分类器。
8.一种基于有向无环图支持向量机的变压器故障诊断装置,其特征在于,包括待测数据提取模块、归一化处理模块和故障检测模块;所述待测数据提取模块提取实时故障中变压器油中溶解气体的体积百分数作为待测数据,并送到归一化处理模块,进行数据的归一化处理,然后送到故障检测模块,经过有向无环图支持向量机中各支持向量机分类器进行逐层判断,决定预测数据分类结果,判断变压器故障类型;
所述有向无环图支持向量机包括若干支持向量机分类器,所述支持向量机分类器构成一个有向无环图,所述有向无环图根据各故障类别的平均相似性测度确定。
9.根据权利要求8所述的基于有向无环图支持向量机的变压器故障诊断装置,其特征在于,所述故障检测模块包括支持向量机分类器,所述支持向量机分类器的构建过程为,提取历史故障时变压器油中溶解气体的体积百分数作为特征数据,构成训练集,并进行归一化处理,计算训练集中各故障类别的平均相似性测度,将类别按平均相似性测度从大到小的顺序排列,根据类别序列生成有向无环图,构造有向无环图支持向量机分类器,用训练集对支持向量机分类器进行训练。
10.根据权利要求9所述的基于有向无环图支持向量机的变压器故障诊断装置,其特征在于,所述有向无环图的生成过程为,计算训练集中各个样本间的欧氏距离,形成相似度矩阵,将训练集按故障类别划分子集,根据相似度矩阵计算各类子集间的相似性测度,形成相似性测度矩阵,计算相似性测度矩阵每一行的算术平均值,得出各类型的平均相似性测度,将类别按平均相似性测度从大到小的顺序排列,从而形成所有的类别排序,根据类别序列生成有向无环图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910771628.4A CN110569888A (zh) | 2019-08-21 | 2019-08-21 | 基于有向无环图支持向量机的变压器故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910771628.4A CN110569888A (zh) | 2019-08-21 | 2019-08-21 | 基于有向无环图支持向量机的变压器故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110569888A true CN110569888A (zh) | 2019-12-13 |
Family
ID=68774096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910771628.4A Pending CN110569888A (zh) | 2019-08-21 | 2019-08-21 | 基于有向无环图支持向量机的变压器故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569888A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036451A (zh) * | 2020-08-13 | 2020-12-04 | 广东电网有限责任公司 | 基于迁移学习的新型绝缘缺陷识别方法、计算机设备及存储介质 |
CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子系统的故障智能诊断方法 |
CN114324712A (zh) * | 2022-01-06 | 2022-04-12 | 国网河北省电力有限公司经济技术研究院 | 变压器油色谱故障判断方法、装置、终端及存储介质 |
CN114545294A (zh) * | 2022-01-14 | 2022-05-27 | 国电南瑞科技股份有限公司 | 一种变压器故障诊断方法、系统、存储介质及计算设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537385A (zh) * | 2015-01-23 | 2015-04-22 | 湖南大学 | 一种估计dagsvm分类准确度的方法 |
CN106597154A (zh) * | 2016-12-08 | 2017-04-26 | 西安工程大学 | 基于dag‑svm的变压器故障诊断提升方法 |
CN110059714A (zh) * | 2019-03-11 | 2019-07-26 | 广东工业大学 | 基于多分类支持向量机的变压器故障诊断方法 |
-
2019
- 2019-08-21 CN CN201910771628.4A patent/CN110569888A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537385A (zh) * | 2015-01-23 | 2015-04-22 | 湖南大学 | 一种估计dagsvm分类准确度的方法 |
CN106597154A (zh) * | 2016-12-08 | 2017-04-26 | 西安工程大学 | 基于dag‑svm的变压器故障诊断提升方法 |
CN110059714A (zh) * | 2019-03-11 | 2019-07-26 | 广东工业大学 | 基于多分类支持向量机的变压器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
耿亚明: "断路器弹簧操作机构动作特性带电检测及故障诊断研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
魏雪倩: "基于向量机的变压器故障诊断研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036451A (zh) * | 2020-08-13 | 2020-12-04 | 广东电网有限责任公司 | 基于迁移学习的新型绝缘缺陷识别方法、计算机设备及存储介质 |
CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子系统的故障智能诊断方法 |
CN114324712A (zh) * | 2022-01-06 | 2022-04-12 | 国网河北省电力有限公司经济技术研究院 | 变压器油色谱故障判断方法、装置、终端及存储介质 |
CN114545294A (zh) * | 2022-01-14 | 2022-05-27 | 国电南瑞科技股份有限公司 | 一种变压器故障诊断方法、系统、存储介质及计算设备 |
CN114545294B (zh) * | 2022-01-14 | 2023-06-16 | 国电南瑞科技股份有限公司 | 一种变压器故障诊断方法、系统、存储介质及计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569888A (zh) | 基于有向无环图支持向量机的变压器故障诊断方法及装置 | |
CN109492667A (zh) | 一种用于非侵入式电力负荷监测的特征选择辨识方法 | |
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 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN111126445A (zh) | 一种面向智能电表海量数据的多步聚合负荷预测方法 | |
CN111598165A (zh) | 一种基于极限学习机的密度聚类离群点检测方法 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
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 | |
CN113687610A (zh) | 一种gan-cnn电力监测系统终端信息防护法方法 | |
CN117493922A (zh) | 一种基于数据驱动的配电网户变关系识别方法 | |
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 | |
Mosavi | Extracting most discriminative features on transient multivariate time series by bi-mode hybrid feature selection scheme for transient stability prediction | |
Qi et al. | Rapid transformer health state recognition through canopy cluster-merging of dissolved gas data in high-dimensional space | |
CN110348489A (zh) | 一种基于自编码网络的变压器局部放电模式识别方法 | |
Lu et al. | An improved DAG-SVM algorithm based on KFCM in power transformer fault diagnosis | |
CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
Xia et al. | A semi-supervised learning method for electricity theft detection based on CT-GAN | |
He et al. | Application and comparative analysis of traditional machine learning and deep learning in transmission line fault classification | |
CN112733878A (zh) | 一种基于kmeans-SVM算法的变压器故障诊断方法 | |
Yang et al. | Electric Vehicle Charging Anomaly Detection Method Based on Multivariate Gaussian Distribution Model | |
Lin | Electricity theft detection algorithm based on contrast learning and cluster combination discrimination | |
CN117371623B (zh) | 一种电能表运行状态预警方法及系统 | |
Xie et al. | Energy System Time Series Data Quality Maintenance System Based on Data Mining Technology | |
Hao et al. | Detection of Outlier of Electric Power Data Based on Improved Fast Density Peak Clustering | |
Jing et al. | Electrical Fault Diagnosis via Text Mining: A Weakly-Supervised Learning Model |
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: 20191213 |