CN112257335A - 一种结合pnn和svm的油浸式变压器的故障诊断方法 - Google Patents

一种结合pnn和svm的油浸式变压器的故障诊断方法 Download PDF

Info

Publication number
CN112257335A
CN112257335A CN202011078963.5A CN202011078963A CN112257335A CN 112257335 A CN112257335 A CN 112257335A CN 202011078963 A CN202011078963 A CN 202011078963A CN 112257335 A CN112257335 A CN 112257335A
Authority
CN
China
Prior art keywords
fault
svm
fault diagnosis
pnn
layer
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
CN202011078963.5A
Other languages
English (en)
Other versions
CN112257335B (zh
Inventor
谢乐
蒋启龙
刘俐廷
李松枟
邹昀廷
任晓旋
刘�东
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011078963.5A priority Critical patent/CN112257335B/zh
Publication of CN112257335A publication Critical patent/CN112257335A/zh
Application granted granted Critical
Publication of CN112257335B publication Critical patent/CN112257335B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了一种结合PNN和SVM的油浸式变压器的故障诊断方法，包括S1、采集故障变压器5种DGA特征气体数据；S2、对采集的5种DGA特征气体数据进行预处理；S3、将5种DGA特征气体数据作为输入特征向量代入训练好的PNN模型中进行初步故障诊断，并输出诊断结果；S4、将诊断结果中能够100％正确诊断的故障类型标记为易区分故障类型，并结束故障诊断；将剩余的故障类型标记为易混淆故障类型，并进入步骤S5；S5、建立SVM故障诊断模型，并采用训练样本数据对SVM故障诊断模型进行训练，并根据训练的结果对SVM故障诊断模型的参数进行优化求解；S6、将易混淆故障类型对应的样本数据作为输入带入训练好的SVM故障诊断模型中，输出故障类型。

Description

一种结合PNN和SVM的油浸式变压器的故障诊断方法
技术领域
本发明属于变压器故障诊断的技术领域，具体涉及一种结合PNN和SVM的油浸式变压器的故障诊断方法。
背景技术
电力变压器是电力系统中的重要设备之一，其安全运行保障了电力系统的安全稳定。油浸式变压器又是被广泛采用的变压器类型，因此，对油浸式电力变压器的故障能够准确诊断，从而才能针对故障类型进行精准地维修，进而保障电力系统稳定性和减小对社会的损害。
传统油浸式电力变压器诊断方法主要是IEC三比值法。该方法通过计算三组DGA气体比值，然后根据比值进行编码，通过查表法来找到对应的编码故障。这种方法由于编码不全等原因，存在无法识别某些故障和误判率过高的缺陷。目前随着人工智能的进步，单一神经网络(NN)和支持向量机(SVM)逐渐被用来诊断油浸式变压器故障。由于单一神经网络容易陷入局部最优和单一支持向量机结构复杂的原因，此类方法存在着诊断精度不高和诊断效率低下的缺陷。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种结合PNN和SVM的油浸式变压器的故障诊断方法，以解决现有方法存在着诊断准确率不高和诊断效率低下的问题。
为达到上述目的，本发明采取的技术方案是：
一种结合PNN和SVM的油浸式变压器的故障诊断方法，其包括：
S1、采集故障变压器5种DGA特征气体数据；
S2、对采集的5种DGA特征气体数据进行归一化处理，并将归一化后的数据随机划分为测试样本数据和训练样本数据；
S3、将归一化处理后的5种DGA特征气体数据作为输入特征向量代入训练好的PNN模型中进行初步故障诊断，并输出诊断结果；
S4、将诊断结果中能够100％正确诊断的故障类型标记为易区分故障类型，并结束故障诊断；将剩余未能100％正确诊断的故障类型标记为易混淆故障类型，并进入步骤S5；
S5、建立SVM故障诊断模型，并采用训练样本数据对SVM故障诊断模型进行训练，并根据训练的结果对SVM故障诊断模型的参数进行优化求解；
S6、将易混淆故障类型对应的样本数据作为输入带入训练好的SVM故障诊断模型中，输出故障类型。
优选地，S1中5种DGA特征气体数据，包括：
低温过热T1、中温过热T2、高温过热T3、低能放电D1、高能放电D2和局部放电PD六种典型故障类型；且每种故障类型数据不少于30组，共200组故障数据。
优选地，S2中将归一化后的5种DGA特征气体数据投影到[0，1]区间内。
优选地，S3中的PNN模型结构包括4层：输入层、模式层、求和层和决策层。
优选地，输入层将接收到的值传递给模式层的神经元，输入层的神经元数量与输入值的维度相同，模式层的神经元计算输入值与每个模式之间的对应关系，每个模式层单元的输出Φij(x)为：
Figure BDA0002717715370000021
其中，d为模式向量的维度，σ是平滑参数；x是模式；xij是模式层神经元矢量。
优选地，求和层神经元计算模式x被分类为Ci的最大可能性，求和然后求均值计算属于同一类的所有神经元的输出pi(x)：
Figure BDA0002717715370000031
其中，Ni为Ci类中的样本总数。
优选地，决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类：
Figure BDA0002717715370000032
其中，
Figure BDA0002717715370000033
为模式x的估计类，m是训练样本中的类的总数，pi(x)为求和层神经元的输出。
本发明提供的结合PNN和SVM的油浸式变压器的故障诊断方法，具有以下有益效果：
本发明综合利用PNN神经网络和SVM两种机器学习模型，达到了优势互补的效果，具有更高的诊断正确率和诊断速度，从而减小故障变压器维修时间和成本，减小对电网以及社会的损失。同时，本发明无论是大数据故障样本还是小数据故障样本，本发明模型都能进行正确且快速地诊断，对于一些单个变压器还是变压器组都具有通用型。
附图说明
图1为结合PNN和SVM的油浸式变压器的故障诊断方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的一个实施例，参考图1，本方案的结合PNN和SVM的油浸式变压器的故障诊断方法，包括：
S1、采集故障变压器5种DGA特征气体数据；
S2、对采集的5种DGA特征气体数据进行归一化处理，并将归一化后的数据随机划分为测试样本数据和训练样本数据；
S3、将归一化处理后的5种DGA特征气体数据作为输入特征向量代入训练好的PNN模型中进行初步故障诊断，并输出诊断结果；
S4、将诊断结果中能够100％正确诊断的故障类型标记为易区分故障类型，并结束故障诊断；将剩余未能100％正确诊断的故障类型标记为易混淆故障类型，并进入步骤S5；
S5、建立SVM故障诊断模型，并采用训练样本数据对SVM故障诊断模型进行训练，并根据训练的结果对SVM故障诊断模型的参数进行优化求解；
S6、将易混淆故障类型对应的样本数据作为输入带入训练好的SVM故障诊断模型中，输出故障类型。
本发明根据油浸式电力变压器故障时产生的故障特征气体(DGA)，利用PNN结构简单、训练简洁和SVM泛化能力和鲁棒性强的优点，利用已经通过预训练好的权重和参数的网络模型，通过训练好的机器学习模型对故障特征气体进行分步诊断。
根据本申请的一个实施例，以下将对上述步骤进行详细描述。
步骤S1、采集故障变压器5种DGA特征气体数据，具体包括：低温过热(T1)、中温过热(T2)、高温过热(T3)、低能放电(D1)、高能放电(D2)和局部放电(PD)六种典型故障类型。每组故障类型数据不少于30组，共200组故障数据。
步骤S2、对采集的5种DGA特征气体数据进行归一化处理，并将归一化后的数据随机划分为测试样本数据和训练样本数据。
其中，将特征气体数据归一化处理，便于PNN模型的初步诊断，而将数据随机划分为测试样本数据和训练样本数据，则是便于SVM模型的训练、构建、参数优化和故障的诊断。
且将归一化后的5种DGA特征气体数据投影到[0，1]区间内。
步骤S3、将归一化处理后的5种DGA特征气体数据作为输入特征向量代入训练好的PNN模型中进行初步故障诊断，并输出诊断结果。
通过PNN的初步故障诊断，可以迅速识别出部分故障类型，提高了故障诊断效率。PNN。PNN诊断效率高的原因在于其结构简单和训练简洁。PNN结构共有4层：输入层、模式层、求和层和决策层。
其中，输入层不执行任何计算，只是将接收到的值传递给模式层的神经元。
输入层的神经元数量与输入值的维度相同。
模式层的神经元计算输入值与每个模式之间的对应关系，每个模式层单元的输出为：
Figure BDA0002717715370000051
其中，d为模式向量的维度；σ是平滑参数；x是模式；xij是模式层神经元矢量。
求和层神经元计算模式x被分类为Ci的最大可能性，求和然后求均值计算属于同一类的所有神经元的输出：
Figure BDA0002717715370000052
其中，Ni为Ci类中的样本总数。
如果每个类别的先验概率相同，并且与每个类别做出错误决策相关的损失是相同的，那么决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类：
Figure BDA0002717715370000061
其中，
Figure BDA0002717715370000062
为模式x的估计类，m为训练样本中的类的总数，pi(x)为求和层神经元的输出。
步骤S4、将诊断结果中能够100％正确诊断的故障类型标记为易区分故障类型，并结束故障诊断；将剩余未能100％正确诊断的故障类型标记为易混淆故障类型，并进入步骤S5。
步骤S5、建立SVM故障诊断模型，并采用训练样本数据对SVM故障诊断模型进行训练，并根据训练的结果对SVM故障诊断模型的参数进行优化求解。
本发明SVM的主要思想是将低维空间中的非线性数据通过非线性变换映射到高维空间中，通过寻找最优超平面，达到数据线性可分的目的。假设超平面方程ωTx+b＝0为最优的分类平面，即样本被正确分类并实现了分类间隔最大的状况，则最优分类平面求解的问题就转化成了如式(4)所示的目标函数与约束条件：
Figure BDA0002717715370000063
式中，ω为权重向量；xi为输入数据；yi为对应xi的所属分类；b为偏置向量。
为了保证在数据非线性可分情况下的分类准确度，引入松弛变量ξi来代表训练样本的错分程度，则公式(4)可改写为：
Figure BDA0002717715370000071
式中，C为惩罚因子，控制出现样本错误分类的惩罚度。
使用拉格朗日函数对式(5)进行求解，根据KKT条件可知求解最优超平面的问题可以转化为求解二次优化问题：
Figure BDA0002717715370000072
式中，αi为拉格朗日乘子。
求解式(6)后得到最优分类函数为：
Figure BDA0002717715370000073
式中，sgn()为符号函数。
对于非线性分类问题，SVM通过构造核函数将低维数据映射到高维，然后再在高维空间中实现线性分类，引入核函数后的最优分类为：
Figure BDA0002717715370000074
式中，K()为核函数。
本文选择的核函数为径向基核函数，其表达式如下：
Figure BDA0002717715370000075
式中，g为核函数参数。
S6、将易混淆故障类型对应的样本数据作为输入带入训练好的SVM故障诊断模型中，输出故障类型。
其中，SVM采用结构风险最小化准则(structure risk minimization,SRM)的二分类器，降低了结构风险，减小了样本误差，具有良好的泛化能力和鲁棒性,更适合小样本的学习分类。
本发明综合利用PNN神经网络和SVM两种机器学习模型，达到了优势互补的效果，具有更高的诊断正确率和诊断速度，从而减小故障变压器维修时间和成本，减小对电网以及社会的损失。同时，本发明无论是大数据故障样本还是小数据故障样本，本发明模型都能进行正确且快速地诊断，对于一些单个变压器还是变压器组都具有通用型。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (7)

1.一种结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，包括：
S1、采集故障变压器5种DGA特征气体数据；
S2、对采集的5种DGA特征气体数据进行归一化处理，并将归一化后的数据随机划分为测试样本数据和训练样本数据；
S3、将归一化处理后的5种DGA特征气体数据作为输入特征向量代入训练好的PNN模型中进行初步故障诊断，并输出诊断结果；
S4、将诊断结果中能够100％正确诊断的故障类型标记为易区分故障类型，并结束故障诊断；将剩余未能100％正确诊断的故障类型标记为易混淆故障类型，并进入步骤S5；
S5、建立SVM故障诊断模型，并采用训练样本数据对SVM故障诊断模型进行训练，并根据训练的结果对SVM故障诊断模型的参数进行优化求解；
S6、将易混淆故障类型对应的样本数据作为输入带入训练好的SVM故障诊断模型中，输出故障类型。
2.根据权利要求1所述的结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，所述S1中5种DGA特征气体数据，包括：
低温过热T1、中温过热T2、高温过热T3、低能放电D1、高能放电D2和局部放电PD六种典型故障类型；且每种故障类型数据不少于30组，共200组故障数据。
3.根据权利要求1所述的结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，所述S2中将归一化后的5种DGA特征气体数据投影到[0，1]区间内。
4.根据权利要求1所述的结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，所述S3中的PNN模型结构包括4层：输入层、模式层、求和层和决策层。
5.根据权利要求4所述的结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，所述输入层将接收到的值传递给模式层的神经元，输入层的神经元数量与输入值的维度相同，模式层的神经元计算输入值与每个模式之间的对应关系，每个模式层单元的输出Φij(x)为：
Figure FDA0002717715360000021
其中，d为模式向量的维度，σ是平滑参数；x是模式；xij是模式层神经元矢量。
6.根据权利要求4所述的结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，所述求和层神经元计算模式x被分类为Ci的最大可能性，求和然后求均值计算属于同一类的所有神经元的输出pi(x)：
Figure FDA0002717715360000022
其中，Ni为Ci类中的样本总数。
7.根据权利要求4所述的结合PNN和SVM的油浸式变压器的故障诊断方法，其特征在于，所述决策层神经元根据贝叶斯决策规则对所有求和层神经元的输出对模式进行分类：
Figure FDA0002717715360000023
其中，
Figure FDA0002717715360000024
为模式x的估计类，m是训练样本中的类的总数，pi(x)为求和层神经元的输出。
CN202011078963.5A 2020-10-10 2020-10-10 一种结合pnn和svm的油浸式变压器的故障诊断方法 Active CN112257335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011078963.5A CN112257335B (zh) 2020-10-10 2020-10-10 一种结合pnn和svm的油浸式变压器的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011078963.5A CN112257335B (zh) 2020-10-10 2020-10-10 一种结合pnn和svm的油浸式变压器的故障诊断方法

Publications (2)

Publication Number Publication Date
CN112257335A true CN112257335A (zh) 2021-01-22
CN112257335B CN112257335B (zh) 2023-04-07

Family

ID=74242737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011078963.5A Active CN112257335B (zh) 2020-10-10 2020-10-10 一种结合pnn和svm的油浸式变压器的故障诊断方法

Country Status (1)

Country Link
CN (1) CN112257335B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990546A (zh) * 2021-02-08 2021-06-18 国网上海市电力公司 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法
CN113283292A (zh) * 2021-04-13 2021-08-20 江苏大学镇江流体工程装备技术研究院 一种水下微型推进器故障诊断的方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701940A (zh) * 2009-10-26 2010-05-05 南京航空航天大学 基于svm和dga的变压器在线故障诊断方法
CN103016464A (zh) * 2012-11-26 2013-04-03 西南交通大学 一种液压试验机加载速度控制装置及控制方法
CN104573355A (zh) * 2014-12-30 2015-04-29 北华大学 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法
CN106526370A (zh) * 2016-10-27 2017-03-22 国家电网公司 一种基于化学反应算法的rvm变压器故障诊断方法
CN106980822A (zh) * 2017-03-14 2017-07-25 北京航空航天大学 一种基于选择性集成学习的旋转机械故障诊断方法
CN107884706A (zh) * 2017-11-09 2018-04-06 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
CN108846411A (zh) * 2018-05-03 2018-11-20 武汉理工大学 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法
CN109036385A (zh) * 2018-10-19 2018-12-18 北京旋极信息技术股份有限公司 一种语音指令识别方法、装置及计算机存储介质
CN109165687A (zh) * 2018-08-28 2019-01-08 哈尔滨理工大学 基于多分类支持向量机算法的车用锂电池故障诊断方法
CN109270390A (zh) * 2018-09-14 2019-01-25 广西电网有限责任公司电力科学研究院 基于高斯变换与全局寻优svm的变压器故障诊断方法
CN109858837A (zh) * 2019-03-01 2019-06-07 西南交通大学 一种大型桥梁工程风险评估方法
CN110084106A (zh) * 2019-03-19 2019-08-02 中国地质大学（武汉） 基于小波变换和概率神经网络的微网逆变器故障诊断方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701940A (zh) * 2009-10-26 2010-05-05 南京航空航天大学 基于svm和dga的变压器在线故障诊断方法
CN103016464A (zh) * 2012-11-26 2013-04-03 西南交通大学 一种液压试验机加载速度控制装置及控制方法
CN104573355A (zh) * 2014-12-30 2015-04-29 北华大学 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法
CN106526370A (zh) * 2016-10-27 2017-03-22 国家电网公司 一种基于化学反应算法的rvm变压器故障诊断方法
CN106980822A (zh) * 2017-03-14 2017-07-25 北京航空航天大学 一种基于选择性集成学习的旋转机械故障诊断方法
CN107884706A (zh) * 2017-11-09 2018-04-06 合肥工业大学 基于向量值正则核函数逼近的模拟电路故障诊断方法
CN108846411A (zh) * 2018-05-03 2018-11-20 武汉理工大学 基于配对稀疏贝叶斯极限学习机的主减速器故障诊断方法
CN109165687A (zh) * 2018-08-28 2019-01-08 哈尔滨理工大学 基于多分类支持向量机算法的车用锂电池故障诊断方法
CN109270390A (zh) * 2018-09-14 2019-01-25 广西电网有限责任公司电力科学研究院 基于高斯变换与全局寻优svm的变压器故障诊断方法
CN109036385A (zh) * 2018-10-19 2018-12-18 北京旋极信息技术股份有限公司 一种语音指令识别方法、装置及计算机存储介质
CN109858837A (zh) * 2019-03-01 2019-06-07 西南交通大学 一种大型桥梁工程风险评估方法
CN110084106A (zh) * 2019-03-19 2019-08-02 中国地质大学（武汉） 基于小波变换和概率神经网络的微网逆变器故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M. JHA,ET AL: "Artificial intelligence based Fault Diagnosis of Power Transformer-A Probabilistic Neural Network and Interval Type-2 Support Vector Machine Approach", 《AMSE JOURNALS –2014-SERIES: ADVANCES C》 *
吴浩: "基于人工神经网络的变压器差动保护研究", 《国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990546A (zh) * 2021-02-08 2021-06-18 国网上海市电力公司 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法
CN113283292A (zh) * 2021-04-13 2021-08-20 江苏大学镇江流体工程装备技术研究院 一种水下微型推进器故障诊断的方法及装置
CN113283292B (zh) * 2021-04-13 2023-08-08 江苏大学镇江流体工程装备技术研究院 一种水下微型推进器故障诊断的方法及装置

Also Published As

Publication number Publication date
CN112257335B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Liao et al. Fault diagnosis of power transformers using graph convolutional network
Li et al. Interpretation of DGA for transformer fault diagnosis with complementary SaE-ELM and arctangent transform
CN104750979B (zh) 面向体系结构的综合化风险优先数计算方法
CN109842373A (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN112257335B (zh) 一种结合pnn和svm的油浸式变压器的故障诊断方法
CN109740859A (zh) 基于主成分分析法和支持向量机的变压器状态评估方法及系统
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
CN110263837A (zh) 一种基于多层dbn模型的断路器故障诊断方法
CN112464565B (zh) 一种融合智能建模及模糊规则的设备故障预警方法
Yin et al. Deep learning based feature reduction for power system transient stability assessment
Tang et al. Review and perspectives of machine learning methods for wind turbine fault diagnosis
Yan et al. Deep learning based total transfer capability calculation model
Zhang et al. Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet
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
Liang et al. Dissolved gas analysis of transformer oil based on Deep Belief Networks
Chen et al. Prediction of critical clearing time for transient stability based on ensemble extreme learning machine regression model
CN114595788B (zh) 一种变压器故障诊断方法、装置及设备
CN111814394B (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
CN114548762A (zh) 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统
Zou et al. Fault diagnosis of shield machine based on SOM-BP neural network fusion
CN112651628A (zh) 一种基于胶囊神经网络的电力系统暂态稳定评估方法
Shi et al. Learn From Raw Data or Statistical Featuresƒ A Comparison Between Two Deep Learning Patterns in Power System Stability Analysis
Wang et al. Fault Diagnosis of Wind Turbine Generator with Stacked Noise Reduction Autoencoder Based on Group Normalization
CN113705615B (zh) 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统
Ge et al. Transformer fault diagnosis based on Chaotic Particle Swarm Optimization RBF Neural Network

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