CN111722046B - 一种基于深度森林模型的变压器故障诊断方法 - Google Patents
一种基于深度森林模型的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN111722046B CN111722046B CN202010621042.2A CN202010621042A CN111722046B CN 111722046 B CN111722046 B CN 111722046B CN 202010621042 A CN202010621042 A CN 202010621042A CN 111722046 B CN111722046 B CN 111722046B
- Authority
- CN
- China
- Prior art keywords
- transformer
- forest
- model
- training
- cascade
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 31
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 21
- 239000007789 gas Substances 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 15
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 12
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 3
- 239000005977 Ethylene Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度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深度森林模型的特征参量,再将样本数据划分为训练集和测试集;然后构建深度森林模型DF,深度森林模型DF通过多粒度扫描对变压器故障的多维数据提取更多特征信息,再经过级联森林的训练达到诊断识别变压器的故障类型的效果最优。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,尤其涉及一种基于深度森林模型的变压器故障诊断方法。
背景技术
随着能源互联互通的发展,变压器发生故障将危及整个电力系统的安全稳定运行。因此,快速准确地了解变压器的故障类型,从而进行检修工作,可以为电力系统的正常运行提供重要保障。
油中溶解气体分析(Dissolved Gas Analysis,DGA)主要应用在油浸式变压器的在线监测。基于DGA特征气体进行数据关联分析,国内外研究者提出了三比值法,Rogers比值法,Dornenburg比值法,电协研法等分析方法,但是传统的DGA方法只给出了故障诊断的阈值判别边界,不能如实表现特征气体与故障类型间的规律,无法满足变压器的实际运行要求。随着人工智能技术的进步和发展,机器学习的相关理论和方法应用在变压器故障诊断领域取得了显著的成就。目前常用的有专家系统,BP神经网络(Back PropagationNeural Network),支持向量机(Support Vector Machines),决策树等,虽然这些机器学习方法在变压器故障诊断方面应用较广,但是也存在一定的弊端。比如专家系统不能自主学习,工作效率低,难以得到准确的诊断结果;神经网络具有较强的自主学习能力,但需大量样本数据进行训练,超参数调整复杂且学习周期长,易陷入局部最小值;决策树是靠优化局部最优达到全体最优,难以保证返回全局最优,且容易过拟合,上述诊断方法均存在难以有效处理高维数据和特征信息提取的问题。鉴于此,提出一种基于深度森林模型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深度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通过多粒度扫描可以有效的提取特征信息,经过级联森林的逐层监督训练,有效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深度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)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6),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)无编码比值作为模型的特征参量,其中C1是CH4,C2是C2H2、C2H4、C2H6之和;
S012、特征参量标准化
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,归一化公式为式(1),再按比例8:2将归一化后的数据划分为训练集数据和测试集数据;
S02、构建基于深度森林模型的变压器故障诊断模型
S021、使用CART算法的成本函数和基尼系数如式(2)、(3)所示,对步骤S012中划分的的训练集数据和测试集数据进行处理,生成二叉树结构的决策树;
式中,Pt,k表示节点t属于类别k的训练实例百分比,yleft/right是左右两边子样本集的实例数,Gleft/right是衡量左右两边子样本集的不纯度;
S022、多粒度扫描
多粒度扫描阶段分为特征扫描和特征转换两个过程,具体步骤如下:
a、输入一个m维的原始数据样本,滑动窗口大小为q维,滑动步长c,滑动窗口扫描原始数据样本提取数据特征,将生成N个q维特征实例,如式(4)所示:
N=(m-q)/c+1 (4)
b、步骤a中生成的q维特征实例经过随机森林和极限梯度提升树训练后,每个森林输出s维类概率向量,然后将所有类概率向量连接为L维转换特征向量,如式(5)所示:
L=2*[(m-q)/k+1]*s (5)
S023:构建基于级联森林的深度森林模型
级联森林包括多个级联层,每层级联层包括随机森林和梯度提升树两种基础分类器;
将多粒度扫描阶段产生的转换特征向量作为级联森林的输入,在级联森林的每层级联层进行随机森林训练和梯度提升树训练,在逻辑回归之前,每层级联层产生的类向量和原始特征向量拼接作为下一层级联层的输入,逐层训练后,对最后一层级联层产生的所有类向量通过逻辑回归产生最终类向量,从中取最大值得到原始样本集的最终分类;
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S02构建的深度森林模型的性能,采用诊断准确率和F1值对变压器故障识别结果进行评价;
其中,诊断准确率表示模型正确判别故障类型的样本数与总样本数的比例,可以直接评估模型的泛化能力,F1值是精确率和召回率的调和平均值,F1高需要精确率和召回率同时高,表明模型鲁棒性强;
然后,将未知状态的变压器油中溶解气体按步骤S01处理,输入步骤S02构建好的基于深度森林模型的变压器故障诊断模型,就能诊断出该变压器的状态。
在步骤S023中,为避免级联森林训练时产生过度拟合现象,对每层级联层进行随机森林训练和梯度提升树训练时都采用k折交叉验证产生类向量。
本发明提供的基于深度森林模型的变压器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原始的油中溶解气体数据的无编码比值作为模型的特征参量;然后构建基于极限梯度提升树和随机森林的深度森林模型来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在不同样本规模下,深度森林模型使用默认设置都可以获得出色的性能,可靠识别变压器的故障状态,提高故障诊断准确率,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深度森林模型的变压器故障诊断方法工作流程框图;
图2为实施例中采用不同模型下故障类型F1值对比图;
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深度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)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6),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)无编码比值作为模型的特征参量,其中C1是CH4,C2是C2H2、C2H4、C2H6之和;
S012、特征参量标准化
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,归一化公式为式(1),再按比例8:2将归一化后的数据划分为训练集数据和测试集数据;
S02、构建基于深度森林模型的变压器故障诊断模型
深度森林模型是基于决策树的集成学习方法,具有强大的表征学习能力,决策树是以实例为基础,实现分类和回归任务,CART算法是深度森林模型的基础决策树算法,CART算法是利用类别K和阈值Vk将原始数据中的训练集划分成两个子样本集,利用成本函数H(K,Vk)最小化产生最纯子集,决策树在生长过程中,选择基尼系数作为根节点和内部节点最佳划分度量,利用基尼系数和成本函数选择最优属性递归划分训练集,建立决策树之后,为防止过拟合,利用测试集对树进行剪枝,提高决策树的泛化能力。
S021、使用CART算法的成本函数和基尼系数如式(2)、(3)所示,对步骤S012中划分的的训练集数据和测试集数据进行处理,生成二叉树结构的决策树;
式中,Pt,k表示节点t属于类别k的训练实例百分比,yleft/right是左右两边子样本集的实例数,Gleft/right是衡量左右两边子样本集的不纯度;
S022、多粒度扫描
多粒度扫描阶段分为特征扫描和特征转换两个过程,具体步骤如下:
a、输入一个m维的原始数据样本,滑动窗口大小为q维,滑动步长c,滑动窗口扫描原始数据样本提取数据特征,将生成N个q维特征实例,如式(4)所示:
N=(m-q)/c+1 (4)
b、步骤a中生成的q维特征实例经过随机森林和极限梯度提升树训练后,每个森林输出s维类概率向量,然后将所有类概率向量连接为L维转换特征向量,如式(5)所示:
L=2*[(m-q)/k+1]*s (5)
S023:构建基于级联森林的深度森林模型
深度森林模型包括多粒度扫描阶段和级联森林阶段,级联森林包括多个级联层,每层级联层包括随机森林和梯度提升树两种基础分类器;
将多粒度扫描阶段产生的转换特征向量作为级联森林的输入,在级联森林的每层级联层进行随机森林训练和梯度提升树训练,在逻辑回归之前,每层级联层产生的类向量和原始特征向量拼接作为下一层级联层的输入,逐层训练后,对最后一层级联层产生的所有类向量通过逻辑回归产生最终类向量,从中取最大值得到原始样本集的最终分类;
在级联森林阶段,为了避免级联森林训练产生过拟合现象,对每个极限梯度提升树和随机森林的训练都采用k折交叉验证产生类向量,级联森林的级联水平可以自适应,每个级联层的类向量是动态更新的,根据测试集对整个级联森林的性能进行评估,如果在连续三层以内训练中模型没有明显的性能改进,级联过程将自动终止。此过程可以提高故障诊断准确率和减少训练时间,级联层的动态变化可以使模型适用于不同规模的数据样本,当样本量较小时,故障特征信息会紧密结合增强原始样本集的表征学习能力;当原始样本集数量较大时,级联层数量会受到限制,以加快模型的训练过程。
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S02构建的深度森林模型的性能,采用诊断准确率和F1值对变压器故障识别结果进行评价;
其中,诊断准确率表示模型正确判别故障类型的样本数与总样本数的比例,可以直接评估模型的泛化能力,F1值是精确率和召回率的调和平均值,F1高需要精确率和召回率同时高,表明模型鲁棒性强;
然后,将未知状态的变压器油中溶解气体按步骤S01处理,输入步骤S02构建好的基于深度森林模型的变压器故障诊断模型,就能诊断出该变压器的状态。
实施例
收集云南电网公司变压器历史在线监测运行数据和已发表论文中的油色谱数据,共有2127例变压器故障信息,经过数据预处理得到2040例数据,以8:2的比例划分训练集数据样本和测试集数据样本,其中1632例数据进行监督训练,对模型进行调参,提高模型的拟合程度;408例数据对模型的性能和泛化能力进行评估,从而实现变压器故障诊断。各故障类型样本数据分布如表1所示。
表1 变压器故障样本数据分布
故障类型 | 训练样本 | 测试样本 |
正常 | 189 | 47 |
低能放电 | 114 | 29 |
高能放电 | 302 | 76 |
局部放电 | 170 | 42 |
低温过热 | 250 | 62 |
中温过热 | 286 | 71 |
高温过热 | 66 | 16 |
总计 | 1376 | 334 |
依据变压器故障样本数据分布,将DGA原始数据、IEC三比值、Rogers四比值、无编码比值作为特征参量分别输入深度森林模型DF进行诊断测试,结果如表2所示。
表2 不同特征参量诊断结果对比
以无编码比值作为特征参量,诊断变压器故障类型的精度、召回率和F1值都优于其他特征参量,都在87%以上,表明无编码比值可以提供更多的变压器故障信息。
在故障诊断领域中,常用的机器学习模型有支持向量机、BP神经网络等。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和深度森林模型DF,进行不同诊断模型的对比分析,SVM、BPNN及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 | DF |
诊断准确率 | 85.43% | 83.19% | 86.67% | 94.34% |
F1值 | 79.98% | 78.78% | 85.39% | 92.77% |
从表4中看出,对比SVM、BPNN和优化前的随机森林RF模型,基于深度森林模型DF的诊断准确率分别提升了8.91%、11.15%和7.67%,诊断性能最优;F1值分别提升了12.79%、13.99%、7.38%,表明深度森林模型DF的性能稳定性优于其他诊断模型。
上述结果表明,针对油浸式电力变压器故障诊断问题,基于深度森林模型DF的诊断方法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 (2)
1.一种基于深度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)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6),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)无编码比值作为模型的特征参量,其中C1是CH4,C2是C2H2、C2H4、C2H6之和;
S012、特征参量标准化
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,归一化公式为式(1),再按比例8:2将归一化后的数据划分为训练集数据和测试集数据;
S02、构建基于深度森林模型的变压器故障诊断模型
S021、使用CART算法的成本函数和基尼系数如式(2)、(3)所示,对步骤S012中划分的的训练集数据和测试集数据进行处理,生成二叉树结构的决策树;
式中,Pt,k表示节点t属于类别k的训练实例百分比,yleft/right是左右两边子样本集的实例数,Gleft/right是衡量左右两边子样本集的不纯度;
S022、多粒度扫描
多粒度扫描阶段分为特征扫描和特征转换两个过程,具体步骤如下:
a、输入一个m维的原始数据样本,滑动窗口大小为q维,滑动步长c,滑动窗口扫描原始数据样本提取数据特征,将生成N个q维特征实例,如式(4)所示:
N=(m-q)/c+1 (4)
b、步骤a中生成的q维特征实例经过随机森林和极限梯度提升树训练后,每个森林输出s维类概率向量,然后将所有类概率向量连接为L维转换特征向量,如式(5)所示:
L=2*[(m-q)/k+1]*s (5)
S023:构建基于级联森林的深度森林模型
级联森林包括多个级联层,每层级联层包括随机森林和梯度提升树两种基础分类器;
将多粒度扫描阶段产生的转换特征向量作为级联森林的输入,在级联森林的每层级联层进行随机森林训练和梯度提升树训练,在逻辑回归之前,每层级联层产生的类向量和原始特征向量拼接作为下一层级联层的输入,逐层训练后,对最后一层级联层产生的所有类向量通过逻辑回归产生最终类向量,从中取最大值得到原始样本集的最终分类;
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S02构建的深度森林模型的性能,采用诊断准确率和F1值对变压器故障识别结果进行评价;
其中,诊断准确率表示模型正确判别故障类型的样本数与总样本数的比例,可以直接评估模型的泛化能力,F1值是精确率和召回率的调和平均值,F1高需要精确率和召回率同时高,表明模型鲁棒性强;
然后,将未知状态的变压器油中溶解气体按步骤S01处理,输入步骤S02构建好的基于深度森林模型的变压器故障诊断模型,就能诊断出该变压器的状态。
2.根据权利要求1所述的一种基于深度森林模型的变压器故障诊断方法,其特征在于,在步骤S023中,为避免级联森林训练时产生过度拟合现象,对每层级联层进行随机森林训练和梯度提升树训练时都采用k折交叉验证产生类向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621042.2A CN111722046B (zh) | 2020-07-01 | 2020-07-01 | 一种基于深度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 |
---|---|---|---|
CN202010621042.2A CN111722046B (zh) | 2020-07-01 | 2020-07-01 | 一种基于深度森林模型的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111722046A CN111722046A (zh) | 2020-09-29 |
CN111722046B true CN111722046B (zh) | 2021-05-18 |
Family
ID=72570891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621042.2A Expired - Fee Related CN111722046B (zh) | 2020-07-01 | 2020-07-01 | 一种基于深度森林模型的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111722046B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861903B (zh) * | 2020-12-03 | 2023-07-25 | 南京航空航天大学 | 一种基于改进深度森林的齿轮箱故障诊断方法 |
CN112686529B (zh) * | 2020-12-28 | 2023-03-24 | 广西大学 | 一种高维量子行走深度森林的变压器寿命评估方法 |
CN112966434B (zh) * | 2021-02-26 | 2023-06-23 | 四化信息科技(深圳)有限公司 | 基于滑动窗口的随机森林突发性故障预警方法 |
CN112990593A (zh) * | 2021-03-29 | 2021-06-18 | 广东工业大学 | 基于cso-ann-el算法的变压器故障诊断及状态预测方法 |
CN113485287B (zh) * | 2021-06-23 | 2024-03-26 | 佛山科学技术学院 | 一种多粒度度量的动态系统故障诊断方法及系统 |
CN115859196A (zh) * | 2023-01-31 | 2023-03-28 | 北京智芯微电子科技有限公司 | 基于scgwo-df的智能电表故障诊断方法与系统 |
CN117339263B (zh) * | 2023-12-04 | 2024-03-19 | 烟台核信环保设备有限公司 | 一种立式压滤机自动控制系统及方法 |
CN117390520B (zh) * | 2023-12-08 | 2024-04-16 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及系统 |
CN117786560B (zh) * | 2024-02-28 | 2024-05-07 | 通用电梯股份有限公司 | 一种基于多粒度级联森林的电梯故障分类方法及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN107782442A (zh) * | 2017-10-24 | 2018-03-09 | 华北电力大学(保定) | 基于大数据和随机森林的变压器多特征参量选择方法 |
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
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 |
CN109102032A (zh) * | 2018-09-03 | 2018-12-28 | 中国水利水电科学研究院 | 一种基于深度森林和自编码的泵站机组诊断方法 |
CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
CN109948726A (zh) * | 2019-03-28 | 2019-06-28 | 湘潭大学 | 一种基于深度森林的电能质量扰动分类方法 |
CN110428113A (zh) * | 2019-08-09 | 2019-11-08 | 云南电网有限责任公司电力科学研究院 | 一种基于随机森林的变压器油中溶解气体浓度预测方法 |
CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 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 |
KR20200014129A (ko) * | 2018-07-31 | 2020-02-10 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 변압기 진단 방법 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000014129U (ko) * | 1998-12-29 | 2000-07-25 | 추호석 | 연료필터 |
KR102392510B1 (ko) * | 2016-05-09 | 2022-04-29 | 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 | 산업용 사물 인터넷을 위한 방법들 및 시스템들 |
-
2020
- 2020-07-01 CN CN202010621042.2A patent/CN111722046B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN107782442A (zh) * | 2017-10-24 | 2018-03-09 | 华北电力大学(保定) | 基于大数据和随机森林的变压器多特征参量选择方法 |
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 |
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
KR20200014129A (ko) * | 2018-07-31 | 2020-02-10 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 변압기 진단 방법 |
CN109102032A (zh) * | 2018-09-03 | 2018-12-28 | 中国水利水电科学研究院 | 一种基于深度森林和自编码的泵站机组诊断方法 |
CN109948726A (zh) * | 2019-03-28 | 2019-06-28 | 湘潭大学 | 一种基于深度森林的电能质量扰动分类方法 |
CN110428113A (zh) * | 2019-08-09 | 2019-11-08 | 云南电网有限责任公司电力科学研究院 | 一种基于随机森林的变压器油中溶解气体浓度预测方法 |
CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 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 |
Non-Patent Citations (3)
Title |
---|
Fault Diagnosis of Transformer Based on Random Forest;Xi Chen 等;《2011 Fourth International Conference on Intelligent Computation Technology and Automation》;20111231;132-134 * |
基于多粒度级联多层梯度提升树的选票手写字符识别算法;徐英杰;《计算机应用》;20190720;26-30 * |
油浸式变压器故障诊断的研究;刘冰尧 等;《化工自动化及仪表》;20180131;第45卷;69-72 * |
Also Published As
Publication number | Publication date |
---|---|
CN111722046A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722046B (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
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 | |
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 | |
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 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
US20210109140A1 (en) | Method for identifying parameters of 10 kv static load model based on similar daily load curves | |
CN110909977A (zh) | 基于adasyn-dhsd-et的电网故障诊断方法 | |
CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
CN110795690A (zh) | 风电场运行异常数据检测方法 | |
CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力系统动态分析方法 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
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 | |
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 | |
CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
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 | |
CN115510740A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN107977853A (zh) | 一种汽车企业客户流失建模与分析方法 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN117609818A (zh) | 基于聚类与信息熵的电网关联关系发现方法 | |
CN107808245A (zh) | 基于改进决策树方法的管网调度系统 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 |
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: 20210518 |
|
CF01 | Termination of patent right due to non-payment of annual fee |