CN110596492B - 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 - Google Patents
一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN110596492B CN110596492B CN201910873967.3A CN201910873967A CN110596492B CN 110596492 B CN110596492 B CN 110596492B CN 201910873967 A CN201910873967 A CN 201910873967A CN 110596492 B CN110596492 B CN 110596492B
- Authority
- CN
- China
- Prior art keywords
- random forest
- forest model
- transformer
- value
- representing
- 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.)
- Expired - Fee Related
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于粒子群算法优化随机森林模型的变压器故障诊断方法,首先以变压器油中溶解气体分析数据的无编码比值作为特征向量输入,划分训练集和测试集;然后构建随机森林模型,并通过粒子群优化算法对随机森林模型进行优化,获得两个最优参数;最后以获得的最优参数重新建立随机森林模型来识别变压器的故障类型。该方法有效提升了变压器的故障诊断正确率,为运维人员正确判断变压器的运行状况提供可靠依据。
Description
技术领域
本发明涉及电力设备监控技术领域,尤其涉及一种基于粒子群算法优化随机森林模型的变压器故障诊断方法。
背景技术
目前,电力系统已发展成为跨区域的互联大电网,变压器作为网络的能量转换枢纽,一旦发生故障将严重影响电网的稳定运行。通过油中溶解气体分析可以辨识变压器内外部潜伏性故障及其发展态势,是电力行业公认的一种诊断变压器故障的可行方法。因此,变压器油中溶解气体浓度DGA数据作为变压器最直观、有效的特征参量,可为诊断变压器状态提供依据。
以变压器油中溶解气体特征为基础,至今为止,研究人员提出了不少故障诊断方法,主要包括两种:其一为传统诊断方法,例如IEC三比值法、Rogers四比值法、无编码比值法等,这些比值判别法操作简单,但时常表现出编码不完善、故障界限区分绝对化等缺陷;其二是以油中溶解气体浓度比值或组分占比为特征量挖掘的机器学习模型,常用的有人工神经网络(BPNN)、支持向量机(SVM)等,这些机器学习模型有效地提升了故障诊断正确率,取得了一定成效,然而也存在一定缺陷。例如BPNN训练时间长、容易陷入局部最优,难以获得全局最优解;SVM对核函数选取不敏感,需组合多个二分类器才能解决多分类情况,难以取得更为精确的分类效果。鉴于此,提出一种基于粒子群优化随机森林模型(PSO-RF)的变压器故障诊断方法。
发明内容
本发明要解决的技术问题是提供一种基于粒子群算法优化随机森林模型的变压器故障诊断方法,使用该故障诊断方法能够快速搜索确定随机森林模型的最优参数,训练效率高、且能可靠识别变压器的故障状态,提高故障诊断准确率,从而实现对变压器运行状况的评估。
为解决上述技术问题,本发明提供了一种基于粒子群算法优化随机森林模型的变压器故障诊断方法,包括如下步骤:
S01、数据处理
S011、特征参量选取
变压器油中溶解的气体包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2),以CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H2/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、(CH4+C2H4)/(C1+C2)无编码比值作为特征参量,其中C1表示CH4,C2表示C2H2、C2H4、C2H6之和;
S012、特征参量标准化
依据DL/T 722-2014导则将输出变压器故障状态分为0-正常、1-高能放电、2-低能放电、3-局部放电、4-高温过热、5-中温过热、6-低温过热7种状态。
将已知故障状态和正常状态的变压器油中溶解气体的数据按步骤S011中选取的无编码比值特征参量进行归一化处理,将数据映射到[0,1]之间,转换公式如式(1),再按比例8:2将归一化后的数据划分为训练集数据样本和测试集数据样本;
其中xmin为样本数据最小值,xmax为样本数据最大值,x为转化前的样本数据,x*为转换后的样本数据;
S02、构建粒子群优化随机森林模型
S021、随机初始化粒子种群
设置粒子最大迭代次数Tmax、种群数量pop、子树棵数n_trees和分裂特征数m_features的初值、子树棵数n_trees和分裂特征数m_features的取值范围、子树棵数n_trees和分裂特征数m_features的搜索速度范围、惯性权重最大值ωmax、惯性权重最小值ωmin、加速因子c1初始值c1,ini、加速因子c1最终值c1,fin、加速因子c2初始值c2,ini、加速因子c2最终值c2,fin;
S022、建立随机森林模型
以步骤S021中的初始化粒子种群建立随机森林模型,随机森林模型由包含多棵子树的基分类器集合{h(X,Θj)|j=1,2,…,n}构成,随机森林模型的建构步骤如下:
a、步骤S012中划分的训练集数据样本为N,从中采用Bootstrap抽样方法抽取容量相同的样本,形成训练子集;
b、步骤a中抽样得到的训练子集有M个特征,从中随机抽取m个作为分裂特征子集,后续采用CART算法分裂而不剪枝;
c、重复n次a~b,生成相应数量的子树Θ1、Θ2、…、Θn,构成随机森林模型;
d、采用用步骤S012中划分的测试集数据样本验证随机森林模型的可靠性,以n棵子树的输出Θ1,Test、Θ2,Test、…、Θn,Test获得最终分类结果,采用诊断正确率指标对变压器故障识别结果进行评估;
其中,诊断正确率是指步骤S012中依据DL/T 722-2014导则划分的7种状态识别正确的样本之和占总样本的百分比,表征故障诊断总体性能的强弱;
通过随机森林模型的边际函数式(2)来度量步骤d中正确分类的置信度,其值越大,识别的可靠性越高,
其中,X为输入的特征向量矩阵,Θj则表示生成的j棵子树,Y表示分类正确的向量;av[·]表示取平均值;I(·)代表示意性函数;L表示分类错误的向量;
S023:构建粒子群算法优化的随机森林模型
以子树棵数n_trees和分裂特征数m_features两个参数为粒子,以步骤S022构建的随机森林模型的诊断正确率为粒子适应度,采用公式(3)~(7)迭代更新两个粒子位置,即更新随机森林模型两个参数的值;通过粒子群算法寻优获得两个参数的最优值后,以此为基础重新建立优化的随机森林模型;
上式中,表示第i个粒子k次迭代的d维坐标分量;第i个粒子k次迭代的d维速度分量;ωk表示第k次迭代时的惯性权重;和表示第k次迭代时的两个加速因子;r1和r2表示[0,1]范围内的两个随机数;Pi,d表示第i个粒子d维分量的局部最优值;Gd表示d维分量的整体最优值;
ωk=ωmax-(ωmax-ωmin)(k/Tmax)2 (5)
上式中,ωmax和ωmin分别表示迭代惯性权重最大和最小值;k表示当前迭代次数;Tmax表示最大迭代数;c1,ini、c1,fin与c2,ini、c2,fin分别表示加速因子c1与c2的初始值及最终值;
S03、得出变压器故障诊断结果
使用步骤S012中的测试集数据来测试步骤S023构建的粒子群算法优化的随机森林模型的性能,采用诊断正确率指标对变压器故障识别结果进行评估,得出变压器故障诊断结果;
后续只要将未知状态的变压器油中溶解气体按步骤S01处理,然后输入步骤S02构建好的粒子群优化的随机森林模型,就能诊断出该变压器的状态。
本发明提供的故障诊断方法与现有技术相比具备如下优点:本发明首先以变压器油中溶解气体分析数据的无编码比值构成特征向量作为输入;然后通过粒子群优化算法搜索随机森林模型的两个最优参数(子树棵数n_trees和分裂特征数m_features);最后建立基于粒子群算法优化随机森林模型识别变压器的故障类型;上述模型对于传统的机器学习模型训练效率高且能可靠识别变压器的故障状态,提高故障诊断正确率,为电力变压器的运行状况判断提供依据,为运维人员检修提供借鉴。
附图说明
图1为本发明所述的基于粒子群优化随机森林模型的变压器故障诊断方法工作流程框图;
图2为本发明实施例中粒子群优化随机森林模型的故障诊断结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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作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。
本发明提供了一种基于粒子群算法优化随机森林模型的变压器故障诊断方法,包括如下步骤:
S01、数据处理
S011、特征参量选取
变压器油中溶解的气体包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2),以CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H2/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、(CH4+C2H4)/(C1+C2)无编码比值作为特征参量,其中C1表示CH4,C2表示C2H2、C2H4、C2H6之和;
S012、特征参量标准化
依据DL/T 722-2014导则将输出变压器故障状态分为0-正常、1-高能放电、2-低能放电、3-局部放电、4-高温过热、5-中温过热、6-低温过热7种状态。
将已知故障状态和正常状态的变压器油中溶解气体的数据按步骤S011中选取的无编码比值特征参量进行归一化处理,将数据映射到[0,1]之间,转换公式如式(1),再按比例8:2将归一化后的数据划分为训练集数据样本和测试集数据样本;
其中xmin为样本数据最小值,xmax为样本数据最大值,x为转化前的样本数据,x*为转换后的样本数据;
S02、构建粒子群优化随机森林模型
S021、随机初始化粒子种群
设置粒子最大迭代次数Tmax、种群数量pop、子树棵数n_trees和分裂特征数m_features的初值、子树棵数n_trees和分裂特征数m_features的取值范围、子树棵数n_trees和分裂特征数m_features的搜索速度范围、惯性权重最大值ωmax、惯性权重最小值ωmin、加速因子c1初始值c1,ini、加速因子c1最终值c1,fin、加速因子c2初始值c2,ini、加速因子c2最终值c2,fin;
S022、建立随机森林模型
以步骤S021中的初始化粒子种群建立随机森林模型,随机森林模型由包含多棵子树的基分类器集合{h(X,Θj)|j=1,2,…,n}构成,随机森林模型的建构步骤如下:
a、步骤S012中划分的训练集数据样本为N,从中采用Bootstrap抽样方法抽取容量相同的样本,形成训练子集;
b、步骤a中抽样得到的训练子集有M个特征,从中随机抽取m个作为分裂特征子集,后续采用CART算法分裂而不剪枝;
c、重复n次a~b,生成相应数量的子树Θ1、Θ2、…、Θn,构成随机森林模型;
d、采用用步骤S012中划分的测试集数据样本验证随机森林模型的可靠性,以n棵子树的输出Θ1,Test、Θ2,Test、…、Θn,Test获得最终分类结果,采用诊断正确率指标对变压器故障识别结果进行评估;
其中,诊断正确率是指步骤S012中依据DL/T 722-2014导则划分的7种状态识别正确的样本之和占总样本的百分比,表征故障诊断总体性能的强弱;
通过随机森林模型的边际函数式(2)来度量步骤d中正确分类的置信度,其值越大,识别的可靠性越高,
其中,X为输入的特征向量矩阵,Θj则表示生成的j棵子树,Y表示分类正确的向量;av[·]表示取平均值;I(·)代表示意性函数;L表示分类错误的向量;
S023:构建粒子群算法优化的随机森林模型
以子树棵数n_trees和分裂特征数m_features两个参数为粒子,以步骤S022构建的随机森林模型的诊断正确率为粒子适应度,采用公式(3)~(7)迭代更新两个粒子位置,即更新随机森林模型两个参数的值;通过粒子群算法寻优获得两个参数的最优值后,以此为基础重新建立优化的随机森林模型;
上式中,表示第i个粒子k次迭代的d维坐标分量;第i个粒子k次迭代的d维速度分量;ωk表示第k次迭代时的惯性权重;和表示第k次迭代时的两个加速因子;r1和r2表示[0,1]范围内的两个随机数;Pi,d表示第i个粒子d维分量的局部最优值;Gd表示d维分量的整体最优值;
ωk=ωmax-(ωmax-ωmin)(k/Tmax)2 (5)
上式中,ωmax和ωmin分别表示迭代惯性权重最大和最小值;k表示当前迭代次数;Tmax表示最大迭代数;c1,ini、c1,fin与c2,ini、c2,fin分别表示加速因子c1与c2的初始值及最终值;
S03、得出变压器故障诊断结果
使用步骤S012中的测试集数据来测试步骤S023构建的粒子群算法优化的随机森林模型的性能,采用诊断正确率指标对变压器故障识别结果进行评估,得出变压器故障诊断结果;
后续只要将未知状态的变压器油中溶解气体按步骤S01处理,然后输入步骤S02构建好的粒子群优化的随机森林模型,就能诊断出该变压器的状态。
实施例
收集已知故障变压器的油中溶解气体样本数据,采用收集到的所有数据样本构成变压器故障数据集共1723组,其中按8:2划分为训练集数据样本1378组,测试集数据样本345组,在此基础上展开分析,以验证粒子群算法优化随机森林模型的性能,各故障类型样本按比例划分如表1所示。
表1故障样本数据分布
根据表1的数据划分将变压器油中溶解气体的无编码比值作为特征参量输入粒子群优化随机森林(PSO-RF)模型,用以优化两个关键参数子树棵数n_trees和分裂特征数m_features,粒子适应度取自测试集样本数据的诊断正确率,即7种状态被正确识别个数之和的百分比;在优化过程中设置参数如表2所示。
表2粒子群优化随机森林模型的参数
参数 | 取值 | 参数 | 取值 |
迭代次数T<sub>max</sub> | 100 | 惯性权重最大值ω<sub>max</sub> | 0.9 |
种群数量pop | 30 | 惯性权重最小值ω<sub>min</sub> | 0.4 |
n_trees取值范围 | [100,1000] | 加速因子初始值c<sub>1,ini</sub> | 2 |
n_trees搜索范围 | [-300,300] | 加速因子最终值c<sub>1,fin</sub> | 0.5 |
m_features取值范围 | [2,9] | 加速因子初始值c<sub>2,ini</sub> | 0.5 |
m_features搜索范围 | [-3,3] | 加速因子最终值c<sub>2,fin</sub> | 2 |
图2为本发明提供的一种基于粒子群算法优化随机森林模型的变压器故障诊断方法优化过程中故障诊断正确率变化仿真图。从中可以看出,随机森林RF模型的两个参数经历3轮各100次的迭代,变压器故障的诊断正确率分别在第5、46、60次迭代达到最优。与此同时,粒子群优化过程都是从92.75%或93.04%经过1至3步提升至最优适应度值93.62%。例如第一轮只经过1步就达到最优,第二轮经过2步达到最优,第三轮经过3步达到最优。这从另一个角度说明RF模型具有比较稳定的分类性能。
在故障诊断领域中,常用的机器学习模型有SVM、BPNN等。因此,根据表1的样本集划分,以无编码比值作为特征参量输入SVM、BPNN、随机森林模型RF和粒子群优化随机森林模型PSO-RF,进行不同诊断模型的对比分析,SVM、BPNN及优化前的RF模型参数设置如表3所示,不同模型的诊断结果如表4所示。
表3 SVM、BPNN及RF模型参数
表4不同模型的诊断结果对比
诊断模型 | SVM | BPNN | RF | PSO-RF |
诊断正确率 | 82.90% | 86.96% | 92.17% | 93.62% |
从表4中看出,对比SVM、BPNN和优化前的RF模型,基于粒子群优化的PSO-RF模型的诊断正确率分别提升了10.72%、6.66%和1.45%,诊断性能最优。
上述结果表明,针对油浸式电力变压器故障诊断问题,基于粒子群优化随机森林模型的诊断模型具有优异且稳定的性能,可为诊断变压器的运行状态提供依据,为运维人员检修提供借鉴。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于粒子群算法优化随机森林模型的变压器故障诊断方法,其特征在于,包括如下步骤:
S01、数据处理
S011、特征参量选取
变压器油中溶解的气体包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2),以CH4/H2、C2H2/C2H4、C2H4/C2H6、C2H2/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、(CH4+C2H4)/(C1+C2)无编码比值作为特征参量,其中C1表示CH4,C2表示C2H2、C2H4、C2H6之和;
S012、特征参量标准化
依据DL/T 722-2014导则将输出变压器故障状态分为0-正常、1-高能放电、2-低能放电、3-局部放电、4-高温过热、5-中温过热、6-低温过热7种状态;
将已知故障状态和正常状态的变压器油中溶解气体的数据按步骤S011中选取的无编码比值特征参量进行归一化处理,将数据映射到[0,1]之间,转换公式如式(1),再按比例8:2将归一化后的数据划分为训练集数据样本和测试集数据样本;
其中xmin为样本数据最小值,xmax为样本数据最大值,x为转化前的样本数据,x*为转换后的样本数据;
S02、构建粒子群优化随机森林模型
S021、随机初始化粒子种群
设置粒子最大迭代次数Tmax、种群数量pop、子树棵数n_trees和分裂特征数m_features的初值、子树棵数n_trees和分裂特征数m_features的取值范围、子树棵数n_trees和分裂特征数m_features的搜索速度范围、惯性权重最大值ωmax、惯性权重最小值ωmin、加速因子c1初始值c1,ini、加速因子c1最终值c1,fin、加速因子c2初始值c2,ini、加速因子c2最终值c2,fin;
S022、建立随机森林模型
以步骤S021中的初始化粒子种群建立随机森林模型,随机森林模型由包含多棵子树的基分类器集合{h(X,Θj)|j=1,2,…,n}构成,随机森林模型的建构步骤如下:
a、步骤S012中划分的训练集数据样本为N,从中采用Bootstrap抽样方法抽取容量相同的样本,形成训练子集;
b、步骤a中抽样得到的训练子集有M个特征,从中随机抽取m个作为分裂特征子集,后续采用CART算法分裂而不剪枝;
c、重复n次a~b,生成相应数量的子树Θ1、Θ2、…、Θn,构成随机森林模型;
d、采用用步骤S012中划分的测试集数据样本验证随机森林模型的可靠性,以n棵子树的输出Θ1,Test、Θ2,Test、…、Θn,Test获得最终分类结果,采用诊断正确率指标对变压器故障识别结果进行评估;
其中,诊断正确率是指步骤S012中依据DL/T 722-2014导则划分的7种状态识别正确的样本之和占总样本的百分比,表征故障诊断总体性能的强弱;
通过随机森林模型的边际函数式(2)来度量步骤d中正确分类的置信度,其值越大,识别的可靠性越高,
其中,X为输入的特征向量矩阵,Θj则表示生成的j棵子树,Y表示分类正确的向量;av[·]表示取平均值;I(·)代表示意性函数;L表示分类错误的向量;
S023:构建粒子群算法优化的随机森林模型
以子树棵数n_trees和分裂特征数m_features两个参数为粒子,以步骤S022构建的随机森林模型的诊断正确率为粒子适应度,采用公式(3)~(7)迭代更新两个粒子位置,即更新随机森林模型两个参数的值;通过粒子群算法寻优获得两个参数的最优值后,以此为基础重新建立优化的随机森林模型;
上式中,表示第i个粒子k次迭代的d维坐标分量;第i个粒子k次迭代的d维速度分量;ωk表示第k次迭代时的惯性权重;和表示第k次迭代时的两个加速因子;r1和r2表示[0,1]范围内的两个随机数;Pi,d表示第i个粒子d维分量的局部最优值;Gd表示d维分量的整体最优值;
ωk=ωmax-(ωmax-ωmin)(k/Tmax)2 (5)
上式中,ωmax和ωmin分别表示迭代惯性权重最大和最小值;k表示当前迭代次数;Tmax表示最大迭代数;c1,ini、c1,fin与c2,ini、c2,fin分别表示加速因子c1与c2的初始值及最终值;
S03、得出变压器故障诊断结果
使用步骤S012中的测试集数据来测试步骤S023构建的粒子群算法优化的随机森林模型的性能,采用诊断正确率指标对变压器故障识别结果进行评估,得出变压器故障诊断结果;
后续只要将未知状态的变压器油中溶解气体按步骤S01处理,然后输入步骤S02构建好的粒子群优化的随机森林模型,就能诊断出该变压器的状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873967.3A CN110596492B (zh) | 2019-09-17 | 2019-09-17 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910873967.3A CN110596492B (zh) | 2019-09-17 | 2019-09-17 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110596492A CN110596492A (zh) | 2019-12-20 |
CN110596492B true CN110596492B (zh) | 2021-04-27 |
Family
ID=68860107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910873967.3A Expired - Fee Related CN110596492B (zh) | 2019-09-17 | 2019-09-17 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596492B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461214B (zh) * | 2020-03-31 | 2023-07-28 | 国网上海市电力公司 | 一种基于随机森林算法的绝缘管母故障自动诊断方法 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111594197B (zh) * | 2020-04-30 | 2021-05-04 | 东北大学 | 一种基于tbm岩机信息的隧洞断层段超前智能感知方法 |
CN111598150B (zh) * | 2020-05-12 | 2022-06-24 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
CN111738512B (zh) * | 2020-06-22 | 2022-05-24 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN111722046B (zh) * | 2020-07-01 | 2021-05-18 | 昆明理工大学 | 一种基于深度森林模型的变压器故障诊断方法 |
CN111832654A (zh) * | 2020-07-15 | 2020-10-27 | 深圳天顺智慧能源科技有限公司 | 偷电漏电用户识别方法、装置、计算机设备及存储介质 |
CN112085084B (zh) * | 2020-08-24 | 2023-12-15 | 宁波大学 | 一种基于多特征融合共同向量的变压器故障诊断方法 |
CN112183590A (zh) * | 2020-09-14 | 2021-01-05 | 浙江大学 | 一种基于OneclassSVM算法的变压器故障诊断方法 |
CN112116058B (zh) * | 2020-09-16 | 2022-05-31 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
CN112101466A (zh) * | 2020-09-17 | 2020-12-18 | 云南电力技术有限责任公司 | 一种变压器的故障诊断方法及装置 |
CN112182221B (zh) * | 2020-10-12 | 2022-04-05 | 哈尔滨工程大学 | 一种基于改进随机森林的知识检索优化方法 |
CN112327219B (zh) * | 2020-10-29 | 2024-03-12 | 国网福建省电力有限公司南平供电公司 | 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 |
CN112364756B (zh) * | 2020-11-09 | 2022-09-06 | 国网安徽省电力有限公司电力科学研究院 | 一种基于天牛须和随机森林的gis故障分类方法 |
CN114648147A (zh) * | 2020-12-18 | 2022-06-21 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于ipso-lstm的风电功率预测方法 |
CN112763213B (zh) * | 2020-12-21 | 2022-08-19 | 核工业烟台同兴实业集团有限公司 | 一种过滤机水环真空泵轴承故障诊断方法 |
CN113095355B (zh) * | 2021-03-03 | 2022-08-23 | 上海工程技术大学 | 改进差分进化算法优化随机森林的滚动轴承故障诊断方法 |
CN113375729B (zh) * | 2021-07-15 | 2023-10-31 | 贵州电网有限责任公司 | 一种用户变压器智能检测预警方法 |
CN113837096B (zh) * | 2021-09-24 | 2024-02-13 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
CN114019282A (zh) * | 2021-11-04 | 2022-02-08 | 云南电网有限责任公司电力科学研究院 | 基于主成分分析和随机森林相融合的变压器故障诊断方法 |
CN115577259A (zh) * | 2022-09-14 | 2023-01-06 | 中国南方电网有限责任公司超高压输电公司大理局 | 高压直流输电系统故障选极方法、装置和计算机设备 |
CN118376869A (zh) * | 2024-06-27 | 2024-07-23 | 山西迎润新能源有限公司 | 电力系统故障诊断方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测系统 |
CN108830411A (zh) * | 2018-06-07 | 2018-11-16 | 苏州工业职业技术学院 | 一种基于数据处理的风电功率预测方法 |
CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
CN109597401A (zh) * | 2018-12-06 | 2019-04-09 | 华中科技大学 | 一种基于数据驱动的设备故障诊断方法 |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2978095A1 (en) * | 2014-07-23 | 2016-01-27 | ABB Technology AG | Power system operation |
CN106503459B (zh) * | 2016-10-26 | 2019-04-23 | 南京信息工程大学 | 一种改进随机森林气温数据质量控制方法 |
US10371740B2 (en) * | 2017-05-31 | 2019-08-06 | University Of Tennessee Research Foundation | Power system disturbance localization using recurrence quantification analysis and minimum-volume-enclosing ellipsoid |
-
2019
- 2019-09-17 CN CN201910873967.3A patent/CN110596492B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测系统 |
CN108830411A (zh) * | 2018-06-07 | 2018-11-16 | 苏州工业职业技术学院 | 一种基于数据处理的风电功率预测方法 |
CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
CN109597401A (zh) * | 2018-12-06 | 2019-04-09 | 华中科技大学 | 一种基于数据驱动的设备故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
a RF-PSO based hybrid feature selection model in intrusion detection system;Hengxun Li et.al;《2018 IEEE third international conference on data science in cyberspace》;20180719;第795-802页 * |
a survey of particle swarm optimization and random forest based land cover classification;K Shahana et.al;《2016 international conference on computing,communication and automation》;20170116;第241-245页 * |
粒子群优化加权随机森林算法研究;程学新;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215(第02期);第I140-335页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110596492A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596492B (zh) | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 | |
CN112116058B (zh) | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 | |
CN109829402B (zh) | 基于gs-svm的不同工况下轴承损伤程度诊断方法 | |
CN111722046B (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
CN110991786A (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN102706573A (zh) | 一种设备的故障分类诊断方法 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
CN113674106B (zh) | 一种中低压配电网接地故障组合定位方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN106067034A (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN112181706A (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
CN116595445A (zh) | 基于随机森林特征优选和改进支持向量机的变压器故障诊断方法 | |
CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
CN116522268A (zh) | 一种配电网的线损异常识别方法 | |
CN109740722A (zh) | 一种基于Memetic算法的网络表示学习方法 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN117473424A (zh) | 基于随机森林的变压器故障诊断方法、系统、设备及介质 | |
CN114722947A (zh) | 一种基于近邻搜索分簇的电力调度监控数据异常检测方法 | |
CN107728476B (zh) | 一种基于SVM-forest的从非平衡类数据中提取敏感数据的方法 | |
CN112362292B (zh) | 对风洞试验数据进行异常检测的方法 | |
CN111814394A (zh) | 一种基于相关性和冗余性检测的电力系统安全评估方法 | |
CN105046092A (zh) | 基于主元核相似度免疫机制的航空发动机故障诊断方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210427 Termination date: 20210917 |
|
CF01 | Termination of patent right due to non-payment of annual fee |