CN111612078A - 一种基于条件变分自动编码器的变压器故障样本增强方法 - Google Patents
一种基于条件变分自动编码器的变压器故障样本增强方法 Download PDFInfo
- Publication number
- CN111612078A CN111612078A CN202010446255.6A CN202010446255A CN111612078A CN 111612078 A CN111612078 A CN 111612078A CN 202010446255 A CN202010446255 A CN 202010446255A CN 111612078 A CN111612078 A CN 111612078A
- Authority
- CN
- China
- Prior art keywords
- transformer fault
- automatic encoder
- method based
- transformer
- sample
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
一种基于条件变分自动编码器的变压器故障样本增强方法,涉及电力变压器故障检测技术领域,本发明充分利用少量的变压器故障样本数据进行数据增强,在一定程度上能够避免过拟合现象,不仅能够解决变压器故障样本数据不平衡的问题,还可以极大地提升变压器故障诊断的准确率,相比于过采样算法,对于模型诊断性能的提升更为明显,具有很好的实用性、推广性和自适应性。
Description
技术领域
本发明涉及电力变压器故障检测技术领域,具体涉及一种基于条件变分自动编码器的变压器故障样本增强方法。
背景技术
已知的,变压器作为电网的重要运行设备,准确地识别电力变压器的运行状态对于保证电力的供应具有重要的意义。由于电力变压器发生故障的次数较少和故障信息记录不全等问题,这不仅导致了电力变压器故障样本的数量匮乏,而且各个故障类型的样本数量也不均衡,极大地限制了变压器故障诊断的准确率。
目前,解决变压器故障样本过少和数据不平衡的方法主要包括过采样算法和欠采样算法。其中,为了解决变压器故障数据不均衡的问题,欠采样算法随机删除了部分故障类型的数据,这可能会丢失潜在的有用信息,其应用范围具有很强的局限性。相对而言,过采样算法是基于现有的少量样本进行数据增强,以避免过拟合。传统的过采样算法主要包括随机过采样算法(random oversampling,ROS)和合成少数类过采样技术(syntheticminority oversampling technique,SMOTE)。对于样本数量较少的故障类型,ROS通过简单地复制样本,从而增加样本个数。SMOTE是在ROS的基础上,对原始样本进行插值操作以获得新样本。传统的过采样算法虽然在一定程度上提高了故障诊断的准确率,但由于无法很好地捕获数据整体的分布特征,对于模型诊断性能的提升较为有限。
近年来,深度生成网络得到快速的发展,成为了各个领域关注的热点。深度生成网络不需要人为地假设样本的先验分布,通过无监督学习获得变压器故障样本的规律,用于产生新的样本数据。尤其条件变分自动编码器,由于它具有很好的非线性映射能力和自适应性,已被广泛地应用于图像生成、曲线建模和缺失数据填补等领域。条件变分自动编码器在数据生成领域取得的巨大成功也给变压器故障样本增强带来了新的契机。
因此,如何提出一种基于条件变分自动编码器的变压器故障样本增强方法就成了本领域技术人员的长期技术诉求。
发明内容
为克服背景技术中存在的不足,本发明提供了一种基于条件变分自动编码器的变压器故障样本增强方法,本发明利用少量的变压器故障样本数据进行数据增强,弥补传统过采样算法和欠采样算法的不足,使得数据集的类型分布更加均衡,从而提升变压器故障检测的准确率等。
为实现如上所述的发明目的,本发明采用如下所述的技术方案:
一种基于条件变分自动编码器的变压器故障样本增强方法,所述方法具体包括如下步骤:
第一步、首先导入变压器故障诊断数据集,选择溶解气体作为原始特征,利用Rogers比值法构建人工特征;
第二步、然后对全部特征进行归一化处理,对变压器状态进行独热编码;
第三步、利用反向传播算法训练条件变分自动编码器;
第四步、针对变压器故障样本的特征,构建条件变分自动编码器的网络结构;
第五步、利用训练好的条件变分自动编码器对训练集进行数据增强;
第六步、利用训练集训练一个分类器,用分类器去诊断未知样本的故障类型;
第七步、输出计算结果。
所述的基于条件变分自动编码器的变压器故障样本增强方法,所述第一步中溶解气体C2H6、C2H4、CH4、H2、C2H2作为原始特征。
所述的基于条件变分自动编码器的变压器故障样本增强方法,所述第一步中利用Rogers比值法构建人工特征包括CH4/H2,C2H6/CH4、C2H4/C2H6和C2H2/C2H4。
所述的基于条件变分自动编码器的变压器故障样本增强方法,所述第二步中对全部特征进行归一化处理如下:
式中:xi和xi'分别表示第i个特征归一化前、后的数据,xi max和xi min分别表示第i个特征的最大值和最小值。
所述的基于条件变分自动编码器的变压器故障样本增强方法,所述第四步中条件变分自动编码器的网络结构为卷积神经网络,所述卷积神经网络的输入样本是一个维度是1×9的特征向量,将特征向量重构成3×3的矩阵作为卷积层的输入,经过卷积层、池化层和全连接层的处理后,输出1×9的向量表示这个未知样本的状态。
采用如上所述的技术方案,本发明具有如下所述的优越性:
本发明充分利用少量的变压器故障样本数据进行数据增强,在一定程度上能够避免过拟合现象,不仅能够解决变压器故障样本数据不平衡的问题,还可以极大地提升变压器故障诊断的准确率,相比于过采样算法,对于模型诊断性能的提升更为明显,具有很好的实用性、推广性和自适应性。
附图说明
图1是本发明的变压器故障诊断流程图;
图2是本发明中条件变分自动编码器的结构和参数图;
图3是本发明中卷积神经网络的结构和参数图;
图4是本发明中条件变分自动编码器的训练图;
图5是本发明中数据分布的可视化图。
具体实施方式
通过下面的实施例可以更详细的解释本发明,本发明并不局限于下面的实施例;
结合附图1~5所述的一种基于条件变分自动编码器的变压器故障样本增强方法,所述方法具体包括如下步骤:
第一步、首先导入变压器故障诊断数据集,选择溶解气体作为原始特征,利用Rogers比值法构建人工特征;其中所述溶解气体C2H6、C2H4、CH4、H2、C2H2作为原始特征;所述利用Rogers比值法构建人工特征包括CH4/H2,C2H6/CH4、C2H4/C2H6和C2H2/C2H4;
第二步、然后对全部特征进行归一化处理,对变压器状态进行独热编码;所述对全部特征进行归一化处理如下:
式中:xi和x'i分别表示第i个特征归一化前、后的数据,xi max和xi min分别表示第i个特征的最大值和最小值;
第三步、利用反向传播算法训练条件变分自动编码器;
第四步、针对变压器故障样本的特征,构建条件变分自动编码器的网络结构;所述条件变分自动编码器的网络结构为卷积神经网络,所述卷积神经网络的输入样本是一个维度是1×9的特征向量,将特征向量重构成3×3的矩阵作为卷积层的输入,经过卷积层、池化层和全连接层的处理后,输出1×9的向量表示这个未知样本的状态;
第五步、利用训练好的条件变分自动编码器对训练集进行数据增强;
第六步、利用训练集训练一个分类器,用分类器去诊断未知样本的故障类型;
第七步、输出计算结果。
本发明的具体实施例如下:
本发明的流程如图1所示,首先是导入变压器故障诊断的数据,选择溶解气体C2H6、C2H4、CH4、H2、C2H2作为原始特征,利用Rogers比值法构建的人工特征包括CH4/H2,C2H6/CH4、C2H4/C2H6和C2H2/C2H4。考虑到这9个特征的数据差异比较大,若不对特征进行归一化,在后续的训练过程中神经网络可能会导致准确率低,甚至会无法收敛。在把数据作为条件变分自动编码器的输入前,需要对9个特征进行归一化处理如下:
变压器的状态包括9种,分别是:正常、低温过热、中温过热、高温过热、低能放电、高能放电、局部放电、低能放电兼过热以及高能放电兼过热。条件变分自动编码器要求对标签数据进行独热编码,对以上9种状态的编码方式如表1所示。
条件变分自动编码器的结构如图2所示,输入数据包括9个特征和相对应的标签,即变压器的状态。条件变分自动编码器包括编码和解码两个环节。在编码环节(编码器),对于9个特征而言,中间层是一个带有5个神经元的全连接层(Dense),中间层后面是两个全连接层,它们的神经元个数都是2,目的是为了获得中间层输出结果的均值和方差。标签数据而言,由于采用了独热编码,因此标签数据的输入尺寸是1×9的向量。标签数据输入后,被一个带有2个神经元的全连接层映射到2维空间,目的是构建每个类型的均值。在解码环节(解码器),根据指定的均值和方差产生服从正态分布的随机数,分别经过2个全连接层处理后,输出指定标签的变压器特征数据。
条件变分自动编码器的损失函数包括2个:第一个损失函数是9个真实的特征和重构特征的二元交叉熵,这个损失函数是为了让生成的变压器故障数据和真实数据足够像。第二个损失函数是Kullback-Leibler散度,这个损失函数是为了让隐变量z的分布尽可能和正态分布相似,同时让隐变量z的均值向类别的均值看齐。综合考虑上述的两个损失函数,总的损失函数是它们的和。条件变分自动编码器的优化器是RMSProp算法。通过反向传播算法来更新条件变分自动编码器的权重,直到达到设定的最大迭代次数(一般设定1000次左右)。
设定需要生成哪一类型的变压器状态样本数据,以服从正态分布的随机数作为解码器输入数据,解码器会输出指定变压器状态的9个特征数据。此时,生成的数据可以用于训练后续的分类器。
对于训练集和验证集中有一些样本数量较少的故障类型,使用上述的条件变分自动编码器产生该类型的样本数据。扩充完训练集和验证集的数据后,用训练集和验证集去训练一个分类器比如卷积神经网络。卷积神经网络的网络结构如图3所示。卷积神经网络的输入样本是一个维度是1×9的特征向量。将特征向量重构成3×3的矩阵作为卷积层的输入。经过卷积层、池化层和全连接层的处理后,输出1×9的向量表示这个未知样本的状态。模型细节如下:卷积层的卷积核个数依次是16,卷积核大小都是2×2。最大池化层的池化窗口大小是2×2。卷积层和池化层的激活函数都是ReLU。池化层后面插入一个Dropout层以缓解过拟合,Dropout层的概率设置为0.25。Dropout层后面的是平坦层,用于连接池化层和全连接层。全连接层的神经元个数是9,激活函数是Softmax。卷积神经网络的优化器是Adadelta算法,损失函数是多分类的对数损失函数。迭代次数一般取1000。
输出计算结果。
以上海市和衡水市电力公司的电力变压器故障数据集为例,进一步说明本发明的有效性。经过清洗后,数据集包括535个样本,一共9种状态如表1所示。
表1
训练集、验证集和测试集的样本比例分别是80%、10%和10%。图4为条件变分自动编码器的训练过程。从中可以发现,随着迭代次数的增加,验证集和训练集的损失函数逐渐减小。当迭代次数大于200时,条件变分自动编码器的损失函数趋于平稳,表明已经收敛。进一步对比训练集和验证集的损失函数,发现它们的损失函数非常接近,表明条件变分自动编码器具有较强的泛化能力。
为了观测生成的样本和实际样本的相似性,以低能放电故障为例,利用主成分分析法将实际样本和生成样本的特征映射至2维空间,并进行可视化处理如图5所示。从中可以发现,生成样本和实际样本在2维空间的位置非常接近,说明条件变分自动编码器产生的样本分布和真实的故障样本分布十分相似,可以用于训练分类器。
为了分析条件变分自动编码器产生的数据是否有助于提升变压器故障检测的准确率,分别以原始数据和增强后的数据训练不同的分类器,统计出分类器对于测试集的准确率如表2所示。
表2
从中可以发现,相对于原始数据而言,数据增强后可以有效地提升变压器故障检测的准确率。此外,利用条件变分自动编码器进行数据增强的效果会由于ROS和SMOTE,这说明了本发明的优越性。
本发明根据变压器故障样本的数据特征重新设计条件变分自动编码器的结构和参数,提出一种基于条件变分自动编码器的变压器故障样本增强方法,本发明不仅能够解决变压器故障样本数据不平衡的问题,还可以极大地提升变压器故障诊断的准确率等。
本发明未详述部分为现有技术。
为了公开本发明的发明目的而在本文中选用的实施例,当前认为是适宜的,但是,应了解的是,本发明旨在包括一切属于本构思和发明范围内的实施例的所有变化和改进。
Claims (5)
1.一种基于条件变分自动编码器的变压器故障样本增强方法,其特征是:所述方法具体包括如下步骤:
第一步、首先导入变压器故障诊断数据集,选择溶解气体作为原始特征,利用Rogers比值法构建人工特征;
第二步、然后对全部特征进行归一化处理,对变压器状态进行独热编码;
第三步、利用反向传播算法训练条件变分自动编码器;
第四步、针对变压器故障样本的特征,构建条件变分自动编码器的网络结构;
第五步、利用训练好的条件变分自动编码器对训练集进行数据增强;
第六步、利用训练集训练一个分类器,用分类器去诊断未知样本的故障类型;
第七步、输出计算结果。
2.根据权利要求1所述的基于条件变分自动编码器的变压器故障样本增强方法,其特征是:所述第一步中溶解气体C2H6、C2H4、CH4、H2、C2H2作为原始特征。
3.根据权利要求1所述的基于条件变分自动编码器的变压器故障样本增强方法,其特征是:所述第一步中利用Rogers比值法构建人工特征包括CH4/H2,C2H6/CH4、C2H4/C2H6和C2H2/C2H4。
5.根据权利要求1所述的基于条件变分自动编码器的变压器故障样本增强方法,其特征是:所述第四步中条件变分自动编码器的网络结构为卷积神经网络,所述卷积神经网络的输入样本是一个维度是1×9的特征向量,将特征向量重构成3×3的矩阵作为卷积层的输入,经过卷积层、池化层和全连接层的处理后,输出1×9的向量表示这个未知样本的状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446255.6A CN111612078A (zh) | 2020-05-25 | 2020-05-25 | 一种基于条件变分自动编码器的变压器故障样本增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446255.6A CN111612078A (zh) | 2020-05-25 | 2020-05-25 | 一种基于条件变分自动编码器的变压器故障样本增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612078A true CN111612078A (zh) | 2020-09-01 |
Family
ID=72203017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010446255.6A Pending CN111612078A (zh) | 2020-05-25 | 2020-05-25 | 一种基于条件变分自动编码器的变压器故障样本增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612078A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515131A (zh) * | 2021-08-27 | 2021-10-19 | 苏州大学 | 基于条件变分自动编码器的移动机器人避障方法及系统 |
CN113642822A (zh) * | 2020-12-04 | 2021-11-12 | 广东省建筑设计研究院有限公司 | 用于评估建筑群结构安全的基于vae的样本集指向性扩展法 |
CN114152825A (zh) * | 2021-11-16 | 2022-03-08 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断系统 |
CN114675118A (zh) * | 2022-05-30 | 2022-06-28 | 广东电网有限责任公司佛山供电局 | 一种变压器绕组异常检测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110020623A (zh) * | 2019-04-04 | 2019-07-16 | 中山大学 | 基于条件变分自编码器的人体活动识别系统及方法 |
CN110398650A (zh) * | 2019-08-05 | 2019-11-01 | 国网河北省电力有限公司电力科学研究院 | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 |
US20190392587A1 (en) * | 2018-06-22 | 2019-12-26 | Microsoft Technology Licensing, Llc | System for predicting articulated object feature location |
WO2020038589A1 (en) * | 2018-08-24 | 2020-02-27 | Toyota Motor Europe | Methods for automatically generating diverse image data |
CN111161740A (zh) * | 2019-12-31 | 2020-05-15 | 中国建设银行股份有限公司 | 意图识别模型训练方法、意图识别方法以及相关装置 |
-
2020
- 2020-05-25 CN CN202010446255.6A patent/CN111612078A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190392587A1 (en) * | 2018-06-22 | 2019-12-26 | Microsoft Technology Licensing, Llc | System for predicting articulated object feature location |
WO2020038589A1 (en) * | 2018-08-24 | 2020-02-27 | Toyota Motor Europe | Methods for automatically generating diverse image data |
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 |
CN110020623A (zh) * | 2019-04-04 | 2019-07-16 | 中山大学 | 基于条件变分自编码器的人体活动识别系统及方法 |
CN110398650A (zh) * | 2019-08-05 | 2019-11-01 | 国网河北省电力有限公司电力科学研究院 | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 |
CN111161740A (zh) * | 2019-12-31 | 2020-05-15 | 中国建设银行股份有限公司 | 意图识别模型训练方法、意图识别方法以及相关装置 |
Non-Patent Citations (1)
Title |
---|
刘云鹏 等: "基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术", 《电网技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642822A (zh) * | 2020-12-04 | 2021-11-12 | 广东省建筑设计研究院有限公司 | 用于评估建筑群结构安全的基于vae的样本集指向性扩展法 |
CN113642822B (zh) * | 2020-12-04 | 2024-03-01 | 广东省建筑设计研究院有限公司 | 用于评估建筑群结构安全的基于vae的样本集指向性扩展法 |
CN113515131A (zh) * | 2021-08-27 | 2021-10-19 | 苏州大学 | 基于条件变分自动编码器的移动机器人避障方法及系统 |
CN114152825A (zh) * | 2021-11-16 | 2022-03-08 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断系统 |
CN114152825B (zh) * | 2021-11-16 | 2023-11-14 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断系统 |
CN114675118A (zh) * | 2022-05-30 | 2022-06-28 | 广东电网有限责任公司佛山供电局 | 一种变压器绕组异常检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612078A (zh) | 一种基于条件变分自动编码器的变压器故障样本增强方法 | |
Miranda et al. | Diagnosing faults in power transformers with autoassociative neural networks and mean shift | |
CN109765333A (zh) | 一种基于GoogleNet模型的变压器故障诊断方法 | |
Pan et al. | An approach for HVCB mechanical fault diagnosis based on a deep belief network and a transfer learning strategy | |
CN110969262A (zh) | 一种变压器故障诊断方法 | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN109711483B (zh) | 一种基于Sparse Autoencoder的电力系统运行方式聚类方法 | |
CN114120041B (zh) | 一种基于双对抗变分自编码器的小样本分类方法 | |
CN110879373B (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN116562121A (zh) | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 | |
CN114611617A (zh) | 基于原型网络的深度领域自适应图像分类方法 | |
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 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN113298689B (zh) | 一种大容量图像隐写方法 | |
CN113688857A (zh) | 一种基于生成对抗网络的电力巡检图像中异物检测方法 | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及系统 | |
CN115310837A (zh) | 基于因果图注意力神经网络的复杂机电系统故障检测方法 | |
CN113177587B (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
CN115331073A (zh) | 一种基于TransUnet架构的影像自监督学习方法 | |
Yu et al. | GAN-based semi-supervised learning method for identification of the faulty feeder in resonant grounding distribution networks | |
Mu et al. | Self-Supervised Disentangled Representation Learning for Robust Target Speech Extraction | |
Wei et al. | Deep belief network based faulty feeder detection of single-phase ground fault |
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 |