CN111476318A - 一种基于模糊决策的变压器故障诊断方法及系统 - Google Patents

一种基于模糊决策的变压器故障诊断方法及系统 Download PDF

Info

Publication number
CN111476318A
CN111476318A CN202010361325.8A CN202010361325A CN111476318A CN 111476318 A CN111476318 A CN 111476318A CN 202010361325 A CN202010361325 A CN 202010361325A CN 111476318 A CN111476318 A CN 111476318A
Authority
CN
China
Prior art keywords
transformer
fault diagnosis
fuzzy
transformer fault
ratio
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
Application number
CN202010361325.8A
Other languages
English (en)
Other versions
CN111476318B (zh
Inventor
张琳
唐瑞
毛国勇
单杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou University
Original Assignee
Changzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou University filed Critical Changzhou University
Priority to CN202010361325.8A priority Critical patent/CN111476318B/zh
Publication of CN111476318A publication Critical patent/CN111476318A/zh
Application granted granted Critical
Publication of CN111476318B publication Critical patent/CN111476318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明涉及一种基于模糊决策的变压器故障诊断方法及系统，诊断方法具体包括：获取基于变压器溶解气体比值的三个特征属性；根据特征属性利用决策树法对变压器故障分类；利用模糊数学法对分类的变压器故障建立模糊隶属函数，从而得到变压器故障诊断分析模型；将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。本发明引入决策树算法将传统的三比值法中的编码组合去除，直接把比值所对应的数值进行分类，不仅去编码化而且将原本的三比值法从两步诊断变为一步诊断；同时利用模糊数学的方法来建立模糊隶属函数，处理在决策树算法运算过程中所出现的比值范围的边界归属问题，实现对数据的刚性化处理转换为柔性化处理。

Description

一种基于模糊决策的变压器故障诊断方法及系统
技术领域
本发明涉及变压器故障诊断技术领域，尤其是涉及一种基于模糊决策的变压器故障诊断方法及系统。
背景技术
分析油中溶解气体(Dissolved gas analysis，DGA)的组分和含量作为油浸式电力变压器工作状态的一种主要监测手段是监视变压器安全运行的最有效措施之一，利用气相色谱法分析油中溶解气体来监视油浸式电力变压器运行状况在我国已经有超过30年的经验。多年来，DGA作为监测油浸式电力变压器故障的最有效手段之一，已经被广泛的应用。而在传统的DGA监测方法中，三比值法因其操作简单方便、可靠强、准确率高被广为使用。
在长期的实际生产工作和大量的实践统计资料中发现，传统三比值法存在两大问题：第一个问题是由于油浸式电力变压器内部故障十分复杂，由常见事故统计分析得出的编码组合，在实际应用中常常会出现故障类型判断表中所提供的编码组合所无法对应的故障；第二个问题是三比值法中对于编码范围的边界区分过于分明，导致一些故障类型的判断发生错误。
发明内容
本发明要解决的技术问题是：为了克服现有技术中传统三比值法无法覆盖所有类型的故障以及由于编码范围的边界区分过于分明而导致故障类型的判断发生错误的问题，提供一种基于模糊决策的变压器故障诊断方法及系统。
本发明解决其技术问题所采用的技术方案是：一种基于模糊决策的变压器故障诊断方法，包括以下步骤，
获取基于变压器溶解气体比值的三个特征属性；
根据特征属性利用决策树法对变压器故障分类；
利用模糊数学法对分类的变压器故障建立模糊隶属函数，从而得到变压器故障诊断分析模型；
将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。
进一步的，所述基于变压器溶解气体比值的三个特征属性具体包括： C2H2/C2H4、CH4/H2及C2H4/C2H6；
进一步的，所述变压器故障分类具体包括：超低温过热、低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、电弧放电及电弧放电兼过热；
进一步的，所述根据特征属性利用决策树法对变压器故障分类具体包括：
基于三比值法计算特征属性的信息熵，选择C2H2/C2H4为第一特征属性点；
根据C2H2/C2H4进行分类，以C2H4/C2H6条件属性为下一节点，得出最终变压器故障类型决策树；
进一步的，所述利用模糊数学法对分类的变压器故障建立模糊隶属函数具体包括：
将“0.1”的比值边界模糊为“0.08-0.12”，将“1.0”的比值边界模糊为“0.9-1.1”，将“3”的比值边界模糊为“2.9-3.1”；
建立特征属性模糊区间的隶属函数；
规划特征属性点的数据处理流程得到变压器故障诊断分析模型；
采用上述一种基于模糊决策的变压器故障诊断方法的诊断系统，包括：
获取特征属性模块，获取变压器溶解气体比值的三个特征属性；
计算分类模块，用于根据特征属性利用决策树法对变压器故障分类；
数据处理模块，用于利用模糊数学法对分类的变压器故障建立模糊隶属函数，形成变压器故障诊断分析模型；
判断诊断模块，将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。
进一步的，所述变压器溶解气体比值的三个特征属性具体包括：C2H2/C2H4、 CH4/H2及C2H4/C2H6；
进一步的，所述变压器故障分类具体包括：超低温过热、低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、电弧放电及电弧放电兼过热；
进一步的，数据处理模块具体用于将“0.1”的边界模糊为“0.08-0.12”，将“1.0”的边界模糊为“0.9-1.1”，将“3”的比值边界模糊为“2.9-3.1”；
建立特征属性模糊区间的隶属函数；
规划特征属性点的数据处理流程得到变压器故障诊断分析模型。
本发明的有益效果是：本发明引入决策树算法将传统的三比值法中的编码组合去除，直接把比值所对应的数值进行分类，不仅去编码化而且将原本的三比值法从两步诊断变为一步诊断；同时利用模糊数学的方法来建立模糊隶属函数，处理在决策树算法运算过程中所出现的比值范围的边界归属问题，实现对数据的刚性化处理转换为柔性化处理。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明一种基于模糊决策的变压器故障诊断方法的流程示意图；
图2是本发明一种基于模糊决策的变压器故障诊断方法中根据特征属性利用决策树法对变压器故障分类的流程示意图；
图3是本发明一种基于模糊决策的变压器故障诊断方法中利用模糊数学法对分类的变压器故障建立模糊隶属函数的流程示意图；
图4是本发明一种基于模糊决策的变压器故障诊断方法中变压器故障类型决策树；
图5是本发明一种基于模糊决策的变压器故障诊断方法中变压器故障诊断分析模型流程图；
图6是本发明一种基于模糊决策的变压器故障诊断方法的诊断系统的框图；
图7是本发明以C2H2/C2H4为第一特征属性点即树型结构的根节点时构成的决策树；
图8是本发明以CH4/H2和CH4/H2*两个分支分类构成的决策树；
图9是本发明三比值法的气体比值区间划分示意图。
具体实施方式
现在结合附图对本发明做进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1～图3所示，本发明一种基于模糊决策的变压器故障诊断方法具体包括如下步骤：
S1、获取基于变压器溶解气体比值的三个特征属性；
获取如表1所示的变压器溶解气体比值的三个特征属性，三个特征属性主要包括C2H2/C2H4、CH4/H2及C2H4/C2H6。
表1
Figure RE-GDA0002534034520000051
S2、根据特征属性利用决策树法对变压器故障分类；
本实施例中，步骤S2具体包括如下步骤：
S21、将C2H2/C2H4、CH4/H2及C2H4/C2H6比值分别记为X1、X2及X3，基于国际电工委员会(International Electrotechnical Commission，IEC)三比值法计算特征属性的信息熵，选择C2H2/C2H4为第一特征属性点。
根据表2判断故障性质的IEC三比值法计算出C2H2/C2H4、CH4/H2及 C2H4/C2H6的信息熵。
表2
Figure RE-GDA0002534034520000052
Figure RE-GDA0002534034520000061
本实施例特征属性点C2H2/C2H4由0，1，2编码分成3类，编码0对应的故障类型有5个(超低温过热、低温过热、中温过热、高温过热及局部放电)，编码1对应的故障类型有2个(电弧放电、电弧放电兼过热)，编码2对应的故障类型有2个(低能放电、低能放电兼过热)。
特征属性点C2H2/C2H4的信息熵的计算公式如下：
Figure RE-GDA0002534034520000062
特征属性点CH4/H2及C2H4/C2H6的信息熵的计算公式如下：
Figure RE-GDA0002534034520000063
Figure RE-GDA0002534034520000064
S22、根据C2H2/C2H4进行分类，以C2H4/C2H6条件属性为下一节点，得出最终变压器故障类型决策树。
选择C2H2/C2H4为第一特征属性点即树型结构的根节点，如此将数据分为了 3个分支，分别命名为C2H4/C2H6＞3、CH4/H2及CH4/H2*，构成如图7所示的决策树；
其中，C2H4/C2H6＞3对应编码0，故障类型包括：超低温过热、低温过热、中温过热、高温过热及局部放电；
CH4/H2对应编码1，故障类型包括：电弧放电、电弧放电兼过热；
CH4/H2*对应编码2，故障类型包括：低能放电、低能放电兼过热。
此处，CH4/H2和CH4/H2*两个分支分类与C2H4/C2H6的比值无关，因其对应 C2H4/C2H6的编码都为0，1，2，因此可以直接根据C2H2/C2H4分类，无需计算信息熵值，构成如图8所示的决策树：
如此，余下5种故障类型，两个特征属性，故障类型中的高温过热仅与 C2H4/C2H6的条件属性有关，故而可以直接划分出该故障类型。
将CH4/H2及C2H4/C2H6比值分别记为X5、X6其信息熵的计算公式如下：
Figure RE-GDA0002534034520000071
Figure RE-GDA0002534034520000072
因此，以C2H4/C2H6为下一节点，得出最终变压器故障类型决策树，具体如图4所示。
S3、利用模糊数学法对分类的变压器故障建立模糊隶属函数，从而得到变压器故障诊断分析模型；
本实施例中，步骤S3具体包括如下步骤：
S31、列出所有特征属性点的比值边界，将“0.1”的边界模糊为“0.08-0.12”，“1.0”的边界模糊为“0.9-1.1”，“3”的边界模糊为“2.9-3.1”；
目前采用的IEC三比值法是根据气体比值范围来划分区间，从而得出相对应的比值编码范围，在三比值法的气体区间划分中分界点为0.1，1.0，3.0，这是通过大量的油浸式电力变压器故障实例以及检查分析，采用数学统计方法得到的；但是在编码范围的分界点处仅通过一个点来分类太过于刚性化。实际上该比值的增长率很低，例如在0.1分界点处，根据实际诊断情况来看，0.08-0.12 这个区间并不是严格意义上一定属于编码0或者编码1，如图9所示：
在该区间编码具有不确定性，因此传统的三比值法就可能会做出错误的判断。利用模糊数学的方法，对该区间建立隶属函数，柔性化处理该区间的数据，可更加准确的进行数值分类。决策树特征属性比较合理的模糊区间是将“0.1”的边界模糊为“0.08-0.12”，“1.0”的边界模糊为“0.9-1.1”，“3”的边界模糊为“2.9-3.1”。
S32、针对特征属性的模糊区间建立隶属函数；
以第一特征属性点C2H2/C2H4为例，包括“0.08-0.12”和“2.9-3.1”两个区间。
对于决策树第二层特征属性点C2H4/C2H6＞3对应编码0、CH4/H2对应编码1、 CH4/H2*对应编码2，定义其隶属度分别为μ0(x)、μ1(x)及μ2(x)，其中μ1(x)包括μ11(x)和μ12(x)。
分别采用降半正态形、岭形、升半正态形进行拟合。根据统计学知识和模糊数学的方法多次调整参数的大小，最终隶属函数建立的结果如下：
当x∈(0.08,0.12)时，分别代入下列公式：
Figure RE-GDA0002534034520000081
μ11(x)＝0.5+0.5sin[25π(x-0.1)]
比较隶属函数值的大小，有μk＝max{μ12,μ2}，k为1对应的特征属性点 CH4/H2，k为2对应的特征属性点CH4/H2*。
S33、规划特征属性点的数据处理流程得到变压器故障诊断分析模型；
如图5所示，以第一特征属性点C2H2/C2H4为例，得到变压器故障诊断分析模型流程图。
S4、将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。
本实施例抽取某公司变压器油中溶解气体样本，其中H2＝18.3、CH4＝23、 C2H6＝10.7、C2H4＝164及C2H2＝18.2，实际故障类型为：高温过热。
将其代入本发明所述变压器故障诊断分析模型进行故障诊断，具体如下：
Figure RE-GDA0002534034520000091
代入公式：
Figure RE-GDA0002534034520000092
μ11(0.11)＝0.5+0.5sin[25π(0.11-0.1)]＝0.85
因μ0＞μ11，故分类到对应的特征属性点C2H4/C2H6＞3；
再计算：
Figure RE-GDA0002534034520000093
且15.33>3，故而得出故障类型为高温过热，运用变压器故障诊断分析模型得出的故障诊断结果与实际故障类型一致。
在采用82组变压器油中溶解气体作为样本数据进行仿真实验，选取9种故障类型，每一类故障类型的最大测试样本数量为14组，最少样本数量为6组，保证了实验过程中的样本种类多样性，实验结果的准确性，得出故障诊断结果如表3所示：
表3
Figure RE-GDA0002534034520000094
Figure RE-GDA0002534034520000101
其中，
Figure RE-GDA0002534034520000102
可从故障诊断中可以看出，82组数据中三比值法的正确率为75.5％，本发明所述方法的正确率为87.2％，正确率显著提升，提升了11.7％。
如图6所示为本发明一种基于模糊决策的变压器故障诊断方法的诊断系统的框图，诊断系统具体包括：
获取特征属性模块，获取变压器溶解气体比值C2H2/C2H4、CH4/H2及 C2H4/C2H6三个特征属性；
计算分类模块，用于根据特征属性利用决策树法对变压器故障分类，故障分类具体包括：超低温过热、低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、电弧放电及电弧放电兼过热；
数据处理模块，用于利用模糊数学法将“0.1”的边界模糊为“0.08-0.12”，将“1.0”的边界模糊为“0.9-1.1”，将“3”的比值边界模糊为“2.9-3.1”，对分类的变压器故障建立模糊隶属函数，规划特征属性点的数据处理流程得到变压器故障诊断分析模型；
判断诊断模块，将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (9)

1.一种基于模糊决策的变压器故障诊断方法，其特征在于，包括以下步骤：
获取基于变压器溶解气体比值的三个特征属性；
根据特征属性利用决策树法对变压器故障分类；
利用模糊数学法对分类的变压器故障建立模糊隶属函数，从而得到变压器故障诊断分析模型；
将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。
2.如权利要求1所述的一种基于模糊决策的变压器故障诊断方法，其特征在于，所述基于变压器溶解气体比值的三个特征属性具体包括：C2H2/C2H4、CH4/H2及C2H4/C2H6。
3.如权利要求2所述的一种基于模糊决策的变压器故障诊断方法，其特征在于，所述根据特征属性利用决策树法对变压器故障分类具体包括：
基于三比值法计算特征属性的信息熵，选择C2H2/C2H4为第一特征属性点；
根据C2H2/C2H4进行分类，以C2H4/C2H6条件属性为下一节点，得出最终变压器故障类型决策树。
4.如权利要求1所述的一种基于模糊决策的变压器故障诊断方法，其特征在于，所述利用模糊数学法对分类的变压器故障建立模糊隶属函数具体包括：
将0.1的比值边界模糊为0.08-0.12，将1.0的比值边界模糊为0.9-1.1，将3的比值边界模糊为2.9-3.1；
建立特征属性模糊区间的隶属函数；
规划特征属性点的数据处理流程得到变压器故障诊断分析模型。
5.如权利要求1-4中任一项所述的一种基于模糊决策的变压器故障诊断方法，其特征在于，所述变压器故障分类具体包括：超低温过热、低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、电弧放电及电弧放电兼过热。
6.采用如权利要求1-5中任一项所述一种基于模糊决策的变压器故障诊断方法的诊断系统，其特征在于，包括：
获取特征属性模块，获取变压器溶解气体比值的三个特征属性；
计算分类模块，用于根据特征属性利用决策树法对变压器故障分类；
数据处理模块，用于利用模糊数学法对分类的变压器故障建立模糊隶属函数，形成变压器故障诊断分析模型；
判断诊断模块，将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。
7.如权利要求6所述的一种基于模糊决策的变压器故障诊断方法的诊断系统，其特征在于，所述变压器溶解气体比值的三个特征属性具体包括：C2H2/C2H4、CH4/H2及C2H4/C2H6。
8.如权利要求6所述的一种基于模糊决策的变压器故障诊断方法的诊断系统，其特征在于，所述变压器故障分类具体包括：超低温过热、低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、电弧放电及电弧放电兼过热。
9.如权利要求6所述的一种基于模糊决策的变压器故障诊断方法的诊断系统，其特征在于：数据处理模块具体用于将0.1的边界模糊为0.08-0.12，将1.0的边界模糊为0.9-1.1，将3的比值边界模糊为2.9-3.1；
建立特征属性模糊区间的隶属函数；
规划特征属性点的数据处理流程得到变压器故障诊断分析模型。
CN202010361325.8A 2020-04-30 2020-04-30 一种基于模糊决策的变压器故障诊断方法及系统 Active CN111476318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010361325.8A CN111476318B (zh) 2020-04-30 2020-04-30 一种基于模糊决策的变压器故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010361325.8A CN111476318B (zh) 2020-04-30 2020-04-30 一种基于模糊决策的变压器故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN111476318A true CN111476318A (zh) 2020-07-31
CN111476318B CN111476318B (zh) 2023-06-23

Family

ID=71762061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010361325.8A Active CN111476318B (zh) 2020-04-30 2020-04-30 一种基于模糊决策的变压器故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN111476318B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067051A (zh) * 2020-08-24 2020-12-11 宁波大学 一种基于决策树分类器的变压器故障诊断方法
CN112307918A (zh) * 2020-10-21 2021-02-02 华北电力大学 一种基于模糊神经网络的变压器直流偏磁的诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907665A (zh) * 2010-07-16 2010-12-08 西安交通大学 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法
CN104655948A (zh) * 2013-11-21 2015-05-27 国家电网公司 一种新型的电力变压器多级故障诊断方法
CN105808941A (zh) * 2016-03-04 2016-07-27 重庆大学 一种基于油中溶解气体的高压并联电抗器模糊综合诊断方法
CN106295240A (zh) * 2016-10-25 2017-01-04 国家电网公司 一种基于模糊数学的电力变压器状态评估方法
CN106707060A (zh) * 2016-12-16 2017-05-24 中国电力科学研究院 一种获得电力变压器离散型状态参数的方法
US20170336461A1 (en) * 2015-02-13 2017-11-23 State Grid Corporation Of China Internal transformer composite-defect fuzzy diagnostic method based on gas dissolved in oil
CN107862114A (zh) * 2017-10-25 2018-03-30 广西电网有限责任公司电力科学研究院 基于三比值特征量的小波pso‑svm变压器故障诊断方法
CN108663582A (zh) * 2017-11-30 2018-10-16 全球能源互联网研究院有限公司 一种变压器的故障诊断方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907665A (zh) * 2010-07-16 2010-12-08 西安交通大学 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法
CN104655948A (zh) * 2013-11-21 2015-05-27 国家电网公司 一种新型的电力变压器多级故障诊断方法
US20170336461A1 (en) * 2015-02-13 2017-11-23 State Grid Corporation Of China Internal transformer composite-defect fuzzy diagnostic method based on gas dissolved in oil
CN105808941A (zh) * 2016-03-04 2016-07-27 重庆大学 一种基于油中溶解气体的高压并联电抗器模糊综合诊断方法
CN106295240A (zh) * 2016-10-25 2017-01-04 国家电网公司 一种基于模糊数学的电力变压器状态评估方法
CN106707060A (zh) * 2016-12-16 2017-05-24 中国电力科学研究院 一种获得电力变压器离散型状态参数的方法
CN107862114A (zh) * 2017-10-25 2018-03-30 广西电网有限责任公司电力科学研究院 基于三比值特征量的小波pso‑svm变压器故障诊断方法
CN108663582A (zh) * 2017-11-30 2018-10-16 全球能源互联网研究院有限公司 一种变压器的故障诊断方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
喻川: "基于ID3 算法的变压器故障诊断分析" *
徐玉珍: "一种基于模糊神经网络的变压器故障诊断方法" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112067051A (zh) * 2020-08-24 2020-12-11 宁波大学 一种基于决策树分类器的变压器故障诊断方法
CN112307918A (zh) * 2020-10-21 2021-02-02 华北电力大学 一种基于模糊神经网络的变压器直流偏磁的诊断方法

Also Published As

Publication number Publication date
CN111476318B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN106447210B (zh) 一种计及可信度评价的配网设备健康度动态诊断方法
CN104730378B (zh) 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法
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
US6240329B1 (en) Method and apparatus for a semiconductor wafer inspection system using a knowledge-based system
CN111476318A (zh) 一种基于模糊决策的变压器故障诊断方法及系统
CN107063349A (zh) 一种诊断变压器故障的方法及装置
CN108663582A (zh) 一种变压器的故障诊断方法及系统
CN107561997A (zh) 一种基于大数据决策树的电力设备状态监测方法
CN114138982B (zh) 一种用于干式变压器故障诊断的知识图谱的构建方法
CN116990626B (zh) 一种交流电网电压传输状态监测方法及系统
CN108684051B (zh) 一种基于因果诊断的无线网络性能优化方法、电子设备及存储介质
CN109490685B (zh) 基于油中溶解气体在线监测的变压器早期缺陷预警方法
CN110646685B (zh) 一种开关柜状态综合评估方法
CN105868043A (zh) 一种可视化页面程序修改一致性校验方法
CN106295240A (zh) 一种基于模糊数学的电力变压器状态评估方法
CN111832664A (zh) 基于Borderline SMOTE的电力变压器故障样本均衡化和故障诊断方法
CN117574300B (zh) 基于数据分析的油浸式变压器老化故障识别方法
CN106126875A (zh) 一种基于态势感知理论的变压器状态评估方法
Mohamad et al. Incipient fault detection of electric power transformers using fuzzy logic based on Roger's and IEC method
CN116388402A (zh) 一种应用于变电设备的异常报警分析方法
CN110927501A (zh) 基于灰色关联改进加权小波神经网络的变压器故障诊断方法
CN111709495A (zh) 一种基于nbc模型的变压器故障诊断方法
CN107843788A (zh) 一种利用特征气体进行油浸变压器的故障诊断方法
CN109376990B (zh) 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统
Alawode et al. Fuzzy logic and decision tree models for dissolved gas analysis in power transformer fault diagnosis

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