CN112163619A - 一种基于二维张量的变压器故障诊断方法 - Google Patents

一种基于二维张量的变压器故障诊断方法 Download PDF

Info

Publication number
CN112163619A
CN112163619A CN202011034356.9A CN202011034356A CN112163619A CN 112163619 A CN112163619 A CN 112163619A CN 202011034356 A CN202011034356 A CN 202011034356A CN 112163619 A CN112163619 A CN 112163619A
Authority
CN
China
Prior art keywords
data
gas content
dimensional tensor
characteristic
transformer
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
Application number
CN202011034356.9A
Other languages
English (en)
Inventor
杜惠鹏
王钢
李佳钊
郭梓州
李智博
周振雄
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.)
Beihua University
Original Assignee
Beihua 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 Beihua University filed Critical Beihua University
Priority to CN202011034356.9A priority Critical patent/CN112163619A/zh
Publication of CN112163619A publication Critical patent/CN112163619A/zh
Pending legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明涉及变压器故障诊断方法技术领域，且公开了一种基于二维张量的变压器故障诊断方法，包括以下步骤，收集油浸式变压器特征气体在不同故障和非故障时的气体含量数据，构成数据集；将数据集中的数据气体含量不同特征空间数据信息融合，对气体含量原始数据进行特征工程处理，与各气体含量比的数据共同作为融合特征信息；对处理后的数据特征信息作进一步处理，使作为模型输入时不同特征信息不良影响减小，同时对数据集故障类别进行编码，分成训练样本和测试样本；将处理好的数据集输入到1DCNN网络模型中进行学习，并对测试数据进行准确率验证，本发明设计新颖，具有能够减小不同特征空间数据的不良影响、模型精度高、诊断准确率高的优点。

Description

一种基于二维张量的变压器故障诊断方法
技术领域
本发明涉及变压器故障诊断方法技术领域，具体为一种基于二维张量的变压器故障诊断方法。
背景技术
变压器是电力系统中重要的电气设备之一，其运行状态直接影响系统的安全性水平。因此，研究变压器故障诊断技术、提高变压器的运行维护水平具有非常重要的意义。现有技术中，常用的故障诊断方法较多，其中变压器油中溶解气体分析被公认为是一种探测变压器初期故障和进行绝缘寿命估计的有效手段，它为间接了解变压器内部的一般隐患提供了重要依据。
如中国专利公告号为：CN101587155B的专利，其公开了一种油浸式变压器的故障诊断方法，该方法首先获取样本，对样本中的5种气体浓度数据进行归一化处理，形成训练样本集和测试样本集；确定基本核函数的个数及每个基核的参数，使用交叉验证的方法确定最优的惩罚参数；根据最优惩罚参数，利用训练样本和多分类多核学习方法得到相应的分类模型；利用训练好的分类模型对验证集中的待测试样本进行故障诊断。
这种方法虽然能够保证很高的诊断准确率，具有很好的实用性和推广性，但仍然存在有一定的不足之处，比如，仅仅依据反映变压器运行状态的单一特征信息，往往很难对电力变压器状态做出正确辨识，即使将不同特征空间数据结合起来作为输入，但是其本身还是一维张量(向量)。作为输入时，不同特征空间数据之间存在一定影响，而在传统的机器学习模型训练过程中又难以把多种特征数据的影响减小。
基于此，我们提出了一种基于二维张量的变压器故障诊断方法，希冀解决现有技术中的不足之处。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于二维张量的变压器故障诊断方法，具备能够减小不同特征空间数据的不良影响、模型精度高、诊断准确率高的优点。
(二)技术方案
为实现上述能够减小不同特征空间数据的不良影响、模型精度高、诊断准确率高的目的，本发明提供如下技术方案：一种基于二维张量的变压器故障诊断方法，包括以下步骤：
S1：收集油浸式变压器特征气体在不同故障和非故障时的气体含量数据，构成数据集；
S2：将数据集中的数据气体含量不同特征空间数据信息融合，对气体含量原始数据进行特征工程处理，与各气体含量比的数据共同作为融合特征信息；
S3：对步骤S2中处理后的数据特征信息作进一步处理，使作为模型输入时不同特征信息不良影响减小，同时对数据集故障类别进行编码，将其分为训练样本和测试样本；
S4：将处理好的数据集输入到1DCNN网络模型中进行学习，并对测试数据进行准确率验证。
作为本发明的一种优选技术方案，所述步骤S2中还包括对数据集中不同特征气体对应的数据分别进行特征工程，不同气体对应的数据分别进行归一化，其公式如下：
Figure BDA0002704673080000021
式中，
Figure BDA0002704673080000031
为训练样本中j样本特征气体i的原始含量值，
Figure BDA0002704673080000032
分别为训练样本中各气体i含量的最小值与最大值，此外，需要保存训练集中
Figure BDA0002704673080000033
与
Figure BDA0002704673080000034
的值，在测试时之前利用该值对测试集样本进行归一化处理。
作为本发明的一种优选技术方案，所述不同特征气体有五种，分别是CH4、H2、C2H2、C2H4和C2H6。
作为本发明的一种优选技术方案，所述对步骤S2中处理后的数据特征信息作进一步处理，还包括以下步骤：
S301：把原选取变压器的气体含量和气体含量比值按顺序共同组成一维张量，一维张量先是气体含量数据，后是气体含量比值数据；
S302：将气体含量和气体含量比值的一维张量转变为二维张量。
作为本发明的一种优选技术方案，所述1DCNN网络模型的网络结构为卷积层，池化层，卷积层，池化层，最后平铺成一个一维向量，输入分类器中用于分类。
作为本发明的一种优选技术方案，所述1DCNN网络模型中，除了输出层其余各网络层的激活函数均为ReLU函数，其中，第一个卷积层为1024个1*4大小的卷积核，第一个池化层的池化区域大小为1*2，接下来的卷积层为1*2大小的卷积核，数量不变，接下来的池化层的池化区域大小为1*2，全连接层前后有dropout层，使用L2参数正则化，神经元个数为512个，输出层的激活函数为SoftMax函数。
(三)有益效果
与现有技术相比，本发明提供了一种基于二维张量的变压器故障诊断方法，具备以下有益效果：
该基于二维张量的变压器故障诊断方法，以变压器的五种气体含量和气体含量比值数据为研究对象，为了提高模型精度，把不同特征空间数据的相互影响减弱，利用1D-CNN网络模型模型特有的一维卷积和池化算法特点，自主的提取出不同特征空间信息的特征，最后把所提取出的特征共同作为状态诊断的依据，从而可以有效的识别变压器状态，诊断性能相比于传统的机器学习，具有更高的诊断准确率。
附图说明
图1为本发明方法流程示意图；
图2为本发明样本特征预处理过程示意图；
图3为本发明样本数据处理示意图；
图4为本发明多层特征空间示意图；
图5为本发明诊断流程示意图；
图6为本发明诊断准确率与其他诊断方法的诊断准确率的对比示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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做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。
在本发明的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1-6，一种基于二维张量的变压器故障诊断方法，包括以下方法：
收集油浸式变压器特征气体在不同故障和非故障时的气体含量数据，构成数据集；
其中，特征气体有五种，分别是CH4、H2、C2H2、C2H4和C2H6，本申请中，特征工程基准值为对应样本数据的五种关键气体体积之和，即各气体浓度比值：CH4/S，H2/S，C2H2/S，C2H4/S，C2H6/S，其中，S为五种关键气体总体积，将各种溶解气体含量换算成[0，1]范围内的相对含量，降低气体之间的互斥性及提供不同的特征信息。同时为了缩小不同特征气体含量值的差异，使各气体含量服从同分布，将DGA原始数据进行最大最小归一化处理；
最后，将两者特征数据融合为一起成1*10的一维张量，输入模型时需要将1*10的一维张量转变成2*5的二维张量，让一维卷积层和池化层对溶解气体各气体的含量和溶解气体含量比值两者分别进行特征学习与提取。这些处理就可以让不同特征空间的一维张量在一维卷积和池化过程中，让不同的特征空间的数据不相互影响，各自进行卷积和池化运算，完成不同特征空间数据特征提取。
综上所述，设变压器样本气体含量特征信息排列：
Figure BDA0002704673080000051
Figure BDA0002704673080000052
表现为j样本的归一化后的五种气体含量数值。其中：
Figure BDA0002704673080000053
式中，
Figure BDA0002704673080000054
为训练样本中j样本特征气体i的原始含量值，
Figure BDA0002704673080000055
分别为训练样本中各气体i含量的最小值与最大值，此外，需要保存训练集中
Figure BDA0002704673080000061
与
Figure BDA0002704673080000062
的值，在测试时之前利用该值对测试集样本进行归一化处理；
那么，变压器样本气体含量比值特征信息排列：
Figure BDA0002704673080000063
Figure BDA0002704673080000064
表现为j样本的五种气体含量比值数值，同时各气体含量数值和含量比值数值相对应。其中：
Figure BDA0002704673080000065
将两者特征数据按顺序前后连接起来为1*10的一维张量：
Figure BDA0002704673080000066
将一维张量转变为二维张量，可得变压器样本气体特征信息最终排列：
Figure BDA0002704673080000067
其中：
Figure BDA0002704673080000068
之后对处理后的数据特征信息作进一步处理，使作为模型输入时不同特征信息不良影响减小，具体为，先把原选取变压器的气体含量和气体含量比值按顺序共同组成一维张量，一维张量先是气体含量数据，后是气体含量比值数据，之后将气体含量和气体含量比值的一维张量转变为二维张量。
同时对数据集故障类别进行编码，将其分为训练样本和测试样本，其中故障类型包括低能放电D1、高能放电D2、中低温过热T12、高温过热T3及局部放电PD这5种故障类型，一共构成6种类别的故障诊断问题，因此，本申请将诊断结果分为6种，具体故障类型及编码如下：0—正常，1—低中温过热，2—高温过热，3—低能放电，4—高能放电，5—局部放电，具体样本特征预处理过程如图2所示。
将处理好的数据集输入到1DCNN网络模型中进行学习，1DCNN网络模型的网络结构为卷积层，池化层，卷积层，池化层，最后平铺成一个一维向量，输入分类器中用于分类，1DCNN网络模型中，除了输出层其余各网络层的激活函数均为ReLU函数，其中，第一个卷积层为1024个1*4大小的卷积核，第一个池化层的池化区域大小为1*2，接下来的卷积层为1*2大小的卷积核，数量不变，接下来的池化层的池化区域大小为1*2，全连接层前后有dropout层，使用L2参数正则化，神经元个数为512个，输出层的激活函数为SoftMax函数，具体的：
在第一个卷积网络模块中，网络的神经元个数为1024，卷积核大小为1*4。在第一个池化层模块中，池化区域大小为1*2，可将池化区域长度减小一半，该文采用平均池化，因为该变压器各气体元素之间有所关联，为能获得各气体间的特征信息，之后还有一层卷积层和池化层，不同是卷积核大小为1*2。最后平铺成一个一维特征向量，输入全连接层中用于分类。模型需要通过不断地迭代，利用反向传播算法来训练网络，使模型的损失函数值最小，提高变压器状态分类精度。
该模型所对应的损失函数为交叉熵损失函数：
Figure BDA0002704673080000071
式中：N为训练样本的个数。yi'为输入样本xi所对应的期望输出，即输入样本的实际标签。yi为输入样本xi所对应实际模型的输出。
最后，从已经公开发表的论文文献及变压器故障相关的丛书中，摘录整理变压器不同状态下的各气体含量的数据信息，对测试数据进行准确率验证。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于二维张量的变压器故障诊断方法，其特征在于：包括以下步骤：
S1：收集油浸式变压器特征气体在不同故障和非故障时的气体含量数据，构成数据集；
S2：将数据集中的数据气体含量不同特征空间数据信息融合，对气体含量原始数据进行特征工程处理，与各气体含量比的数据共同作为融合特征信息；
S3：对步骤S2中处理后的数据特征信息作进一步处理，使作为模型输入时不同特征信息不良影响减小，同时对数据集故障类别进行编码，将其分为训练样本和测试样本；
S4：将处理好的数据集输入到1DCNN网络模型中进行学习，并对测试数据进行准确率验证。
2.根据权利要求1所述的一种基于二维张量的变压器故障诊断方法，其特征在于：所述步骤S2中还包括对数据集中不同特征气体对应的数据分别进行特征工程，不同气体对应的数据分别进行归一化，其公式如下：
Figure FDA0002704673070000011
式中，
Figure FDA0002704673070000012
为训练样本中j样本特征气体i的原始含量值，
Figure FDA0002704673070000013
分别为训练样本中各气体i含量的最小值与最大值，此外，需要保存训练集中
Figure FDA0002704673070000014
与
Figure FDA0002704673070000015
的值，在测试时之前利用该值对测试集样本进行归一化处理。
3.根据权利要求2所述的一种基于二维张量的变压器故障诊断方法，其特征在于：所述不同特征气体有五种，分别是CH4、H2、C2H2、C2H4和C2H6。
4.根据权利要求1所述的一种基于二维张量的变压器故障诊断方法，其特征在于：所述对步骤S2中处理后的数据特征信息作进一步处理，还包括以下步骤：
S301：把原选取变压器的气体含量和气体含量比值按顺序共同组成一维张量，一维张量先是气体含量数据，后是气体含量比值数据；
S302：将气体含量和气体含量比值的一维张量转变为二维张量。
5.根据权利要求4所述的一种基于二维张量的变压器故障诊断方法，其特征在于：所述1DCNN网络模型的网络结构为卷积层，池化层，卷积层，池化层，最后平铺成一个一维向量，输入分类器中用于分类。
6.根据权利要求5所述的一种基于二维张量的变压器故障诊断方法，其特征在于：所述1DCNN网络模型中，除了输出层其余各网络层的激活函数均为ReLU函数，其中，第一个卷积层为1024个1*4大小的卷积核，第一个池化层的池化区域大小为1*2，接下来的卷积层为1*2大小的卷积核，数量不变，接下来的池化层的池化区域大小为1*2，全连接层前后有dropout层，使用L2参数正则化，神经元个数为512个，输出层的激活函数为SoftMax函数。
CN202011034356.9A 2020-09-27 2020-09-27 一种基于二维张量的变压器故障诊断方法 Pending CN112163619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011034356.9A CN112163619A (zh) 2020-09-27 2020-09-27 一种基于二维张量的变压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011034356.9A CN112163619A (zh) 2020-09-27 2020-09-27 一种基于二维张量的变压器故障诊断方法

Publications (1)

Publication Number Publication Date
CN112163619A true CN112163619A (zh) 2021-01-01

Family

ID=73860509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011034356.9A Pending CN112163619A (zh) 2020-09-27 2020-09-27 一种基于二维张量的变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN112163619A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113804861A (zh) * 2021-09-15 2021-12-17 北华大学 变压器在线监测预警系统及方法
CN117851897A (zh) * 2024-03-08 2024-04-09 国网山西省电力公司晋城供电公司 一种多维度特征融合的油浸式变压器在线故障诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268905A (zh) * 2018-03-21 2018-07-10 广东电网有限责任公司电力科学研究院 一种基于支持向量机的变压器故障诊断方法及系统
CN109669087A (zh) * 2019-01-31 2019-04-23 国网河南省电力公司 一种基于多源信息融合的电力变压器故障诊断方法
CN110398348A (zh) * 2019-06-18 2019-11-01 清华大学 存储器、高压断路器机械故障诊断方法和装置
CN110689069A (zh) * 2019-09-25 2020-01-14 贵州电网有限责任公司 一种基于半监督bp网络的变压器故障类型诊断方法
CN110879373A (zh) * 2019-12-12 2020-03-13 国网电力科学研究院武汉南瑞有限责任公司 一种神经网络和决策融合的油浸式变压器故障诊断方法
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN111337768A (zh) * 2020-03-02 2020-06-26 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统
CN111539486A (zh) * 2020-05-12 2020-08-14 国网四川省电力公司电力科学研究院 一种基于Dropout深度置信网络的变压器故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268905A (zh) * 2018-03-21 2018-07-10 广东电网有限责任公司电力科学研究院 一种基于支持向量机的变压器故障诊断方法及系统
CN109669087A (zh) * 2019-01-31 2019-04-23 国网河南省电力公司 一种基于多源信息融合的电力变压器故障诊断方法
CN110398348A (zh) * 2019-06-18 2019-11-01 清华大学 存储器、高压断路器机械故障诊断方法和装置
CN110689069A (zh) * 2019-09-25 2020-01-14 贵州电网有限责任公司 一种基于半监督bp网络的变压器故障类型诊断方法
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN110879373A (zh) * 2019-12-12 2020-03-13 国网电力科学研究院武汉南瑞有限责任公司 一种神经网络和决策融合的油浸式变压器故障诊断方法
CN111337768A (zh) * 2020-03-02 2020-06-26 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统
CN111539486A (zh) * 2020-05-12 2020-08-14 国网四川省电力公司电力科学研究院 一种基于Dropout深度置信网络的变压器故障诊断方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIAOXIN WU,等: "A Deep Parallel Diagnostic Method for Transformer Dissolved Gas Analysis", 《APPL. SCI》 *
彭丽维: "电力变压器故障特征提取及诊断方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
朱永利，等: "组合核相关向量机在电力变压器故障诊断中的应用研究", 《中国电机工程学报》 *
李辉等: "基于卷积神经网络的变压器故障诊断", 《河南理工大学学报(自然科学版)》 *
贾京龙，等: "基于卷积神经网络的变压器故障诊断方法", 《电测与仪表》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113804861A (zh) * 2021-09-15 2021-12-17 北华大学 变压器在线监测预警系统及方法
CN117851897A (zh) * 2024-03-08 2024-04-09 国网山西省电力公司晋城供电公司 一种多维度特征融合的油浸式变压器在线故障诊断方法

Similar Documents

Publication Publication Date Title
CN115564203B (zh) 基于多维数据协同的设备实时性能评估系统及其方法
CN109299741B (zh) 一种基于多层检测的网络攻击类型识别方法
CN111060838B (zh) 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法
CN113962259B (zh) 一种燃料电池系统多模式双层故障诊断方法
CN109298258A (zh) 结合rvm和dbn的变压器故障诊断方法及系统
CN112163619A (zh) 一种基于二维张量的变压器故障诊断方法
CN109000930A (zh) 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN114912533B (zh) 一种应用于变压器的状态监测系统及监测方法
CN113516228B (zh) 一种基于深度神经网络的网络异常检测方法
CN117272116B (zh) 一种基于loras平衡数据集的变压器故障诊断方法
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
CN116843400A (zh) 基于图表示学习的区块链碳排放交易异常检测方法和装置
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
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN111177010B (zh) 一种软件缺陷严重程度识别方法
CN116416478A (zh) 一种基于图结构数据特征的生物信息学分类模型
CN113159225B (zh) 多变量工业过程故障分类方法
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
CN110414338B (zh) 基于稀疏注意力网络的行人再辨识方法
CN111950429A (zh) 一种基于加权协同表示的人脸识别方法
CN115470839A (zh) 一种电力变压器故障诊断方法
CN114913156A (zh) 变压器故障诊断系统及其诊断方法
CN110017989B (zh) 一种风力机轴承故障诊断的方法
CN112240964B (zh) 一种用于配电网故障类型识别的方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210101

RJ01 Rejection of invention patent application after publication