CN112364756A - 一种基于天牛须和随机森林的gis故障分类方法 - Google Patents
一种基于天牛须和随机森林的gis故障分类方法 Download PDFInfo
- Publication number
- CN112364756A CN112364756A CN202011240254.2A CN202011240254A CN112364756A CN 112364756 A CN112364756 A CN 112364756A CN 202011240254 A CN202011240254 A CN 202011240254A CN 112364756 A CN112364756 A CN 112364756A
- Authority
- CN
- China
- Prior art keywords
- longicorn
- gis
- random forest
- iteration
- defect
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Abstract
本发明公开了一种基于天牛须和随机森林的GIS故障分类方法,其步骤包括:步骤1、采集GIS局部放电特高频信号数据,并对数据进行预处理,构建对应的GIS缺陷特征集;步骤2、采用随机初始化的天牛须位置坐标构建初始随机森林模型;步骤3、使用天牛须算法优化随机森林模型,并建立GIS故障诊断模型;步骤4、使用建立的GIS故障诊断模型识别故障类型,获得故障识别结果。本发明能获得较好的分类效果,加快随机森林参数寻优的效率,从而实现GIS局部放电故障的自动诊断和准确识别。
Description
技术领域
本发明属于GIS局部放电故障诊断领域,具体的说是一种基于天牛须和随机森林的GIS故障分类方法,该诊断方法可以实现GIS的故障类型的准确识别。
背景技术
气体绝缘组合电器(Gas Insulated Switchgear,GIS)因其占地面积小、安全性好、易于维护等特点而被广泛地应用于城市电网。但生产、运输和装配过程中的人为因素可能导致GIS设备内部存在某些绝缘缺陷,长期运行导致的绝缘劣化也可能造成GIS设备的故障,从而威胁电网安全。实时掌控电力设备内部的绝缘状况对于维持整个电力系统的安全、可靠运行非常重要。局部放电检测是目前最常用一种在线监测电力设备绝缘状态的方式,当有局部放电发生时立刻采取行动,从而防止更严重事件的发生。特高频检测法即利用局部放电会产生的脉冲电流所激发的高频电磁波来监测局部放电的发生。对监测得到的信号进行分析处理从而判断设备存在的缺陷种类。
为了提高故障诊断区分的效率,需要将智能算法代替人工,模式识别就是用于智能诊断的工具。目前针对GIS局部放电模式识别的常用机器学习算法有神经网络、支持向量机(SVM)以及K近邻(KNN)算法,然而这些算法也存在一定的局限性。神经网络中较为常用的网络为反向传播神经网络(BPNN),然而其结构较难确定,且需调节的参数较多。SVM因其适用于小样本且能够克服维数灾等优点,被广泛应用于局部放电模式识别中,但传统的单一核函数SVM为二分类算法,而GIS常见的绝缘缺陷不只有两种。同时SVM和函数的选取大多依靠经验选取,严重影响识别的效率和准确率。KNN原理较为简单,且在局部放电模式识别领域中得到良好的应用,该算法在测试新数据时效率较低。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于天牛须和随机森林的GIS故障分类方法,以期能获得较好的GIS局部放电故障类型的分类效果,从而实现GIS局部放电故障的自动诊断和准确识别。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于天牛须和随机森林的GIS故障分类方法的特点包括以下步骤:
步骤1、获取包括a类缺陷的GIS局部放电特高频信号集并作为样本集合,提取所述样本集合中每个样本的N个统计特征并进行归一化处理,得到缺陷特征集合C={C1,C2,…,Ci,…,Ca},Ci表示GIS局部放电第i类缺陷特征样本集合,并有:表示第i类GIS缺陷特征样本集中第j个样本;且第j个样本包含N个归一化后的统计特征,1≤i≤a,1≤j≤M,M表示第i类缺陷特征样本的总数;
步骤2、初始化天牛触须长度、天牛运动步长、天牛迭代次数和天牛触须位置,构建初始随机森林模型;
步骤2.1、初始化天牛触须长度为s、天牛运动步长为u、天牛迭代次数为tmax、天牛两触须的三维位置坐标向量为P0={PL,PR},其中,PL表示天牛左触须位置坐标,PR表示天牛右触须位置坐标;
利用所述三维位置坐标向量P0中两触须的x方向、y方向、z方向的坐标值初始化随机森林参数,其中x方向的坐标值表示决策树的数量,y方向的坐标值表示单个决策树的最大特征数量,z方向的坐标值表示最小叶子节点数;
步骤2.2、采用bootstrap方法从缺陷特征集合C中有放回地重复随机抽取a×M个样本,并生成一个缺陷特征样本子集,并从所述缺陷特征样本子集的N个特征中无放回地随机抽取n个特征作为决策树的分裂特征,从而生成一棵的GIS缺陷特征决策树,n≤N;
步骤2.3、重复执行x次步骤2.2,从而生成x棵相应的GIS缺陷特征决策树,并构建形成初始的随机森林模型;
步骤3、采用天牛须和随机森林相结合的方法对x个缺陷特征样本子集进行训练;
步骤3.1、定义当前迭代次数为t,并初始化t=1;
以天牛须的三维坐标向量P0作为第t次迭代的三维坐标向量Pt;以所述初始的随机森林模型作为第t次迭代的随机森林模型;
步骤3.2、利用第t次迭代的三维坐标向量Pt构建第t次迭代的随机森林模型,并利用第t次迭代的随机森林模型对x个缺陷特征样本子集进行oob估计,得到第t次迭代的随机森林模型的GIS缺陷误分率,并以所述GIS缺陷误分率作为天牛须算法中第t次迭代的适应度值;
步骤3.3、选择天牛左右两须所对应的第t次迭代的适应度值中的较小值,以所述较小值作为第t次迭代的局部最优值,并获取局部最优值所对应的天牛的触须坐标;
步骤3.4、天牛按照所述天牛运动步长u向第t次迭代的局部最优值所对应的触须一侧移动,从而得到第t+1次迭代的三维坐标向量Pt+1;
步骤3.5、将t+1赋值给t后,判断t是否达到tmax,若达到,则选出tmax次迭代的局部最优值中的最小值作为全局最优值;以所述全局最优值所对应的三维坐标向量作为最优随机森林参数,从而构造GIS故障诊断的随机森林模型;否则,返回步骤3.2;
步骤4、利用所述GIS故障诊断的随机森林模型对GIS局部放电特高频信号的测试样本集合进行诊断,并根据全部决策树的投票结果确定最终的分类结果,从而输出GIS故障诊断的识别结果。
与已有技术相比,本发明的有益效果体现在:
1、本发明采用一种基于天牛须和随机森林的GIS故障分类方法,解决了传统方法寻优参数多、识别效率低的问题,提高了GIS局部放电故障诊断的准确率。相较于传统智能算法优化随机森林算法的方法,本发明可以更高效、准确地完成GIS故障诊断和识别。
2、本发明将天牛须算法引入随机森林分类器中,通过天牛须算法对随机森林分类器进行特征选择并对参数进行优化,解决了该模型中特征冗余、计算量大的问题,提高了随机森林的分类精度和效率。
附图说明
图1为本发明方法流程示意图。
具体实施方式
本实施例中,一种基于天牛须和随机森林的GIS故障分类方法,如图1所示,包括以下步骤:
步骤1、获取包括a类缺陷的GIS局部放电特高频信号集并作为样本集合,提取样本集合中每个样本的N个统计特征并进行归一化处理,达到提取局部放电信息的目的,便于提高后续模式识别的速度与效率,得到缺陷特征集合C={C1,C2,…,Ci,…,Ca},Ci表示GIS局部放电第i类缺陷特征样本集合,并有:表示第i类GIS缺陷特征样本中第j个样本;且第j个样本包含N个归一化后的统计特征,1≤i≤a,1≤j≤M,M表示第i类缺陷特征样本的总数;GIS局部放电缺陷类型一般分为4种,分别为金属尖端缺陷、悬浮电极缺陷、自由金属微粒缺陷、气隙模型缺陷;提取的统计特征包括平均值、有效值、峰值、脉冲指标、裕度指标、歪度指标和峭度指标;
步骤2、初始化天牛触须长度、天牛运动步长、天牛迭代次数和天牛触须位置,构建初始随机森林模型;
步骤2.1、初始化天牛触须长度s、天牛运动步长u、天牛迭代次数tmax和天牛触须的三维位置坐标向量P0={PL,PR},其中,PL表示天牛左触须位置坐标,PR表示天牛右触须位置坐标;
利用天牛须触须的三维位置坐标向量P0的左右两触须的x方向、y方向、z方向的坐标值初始化随机森林参数,其中,x方向的坐标值表示决策树的数量,y方向的坐标值表示单个决策树的最大特征数量,z方向的坐标值表示最小叶子节点数;
步骤2.2、采用bootstrap方法从缺陷特征集合C中有放回地重复随机抽取与缺陷特征集合C容量大小相同的样本,并生成一个缺陷特征样本子集,并从缺陷特征样本子集的N个归一化后的统计特征中无放回地随机抽取n个特征作为决策树的分裂特征,从而生成一棵的GIS缺陷特征决策树记为,n≤N;
步骤2.3、重复执行x次步骤2.2,从而生成x棵相应的GIS缺陷特征决策树,并采用CART方法构建形成初始的随机森林模型;
步骤3、采用天牛须和随机森林相结合的方法对x个缺陷特征样本子集进行训练;
步骤3.1、定义当前迭代次数为t,并初始化t=1;
以天牛须的三维坐标向量P0作为第t次迭代的三维坐标向量Pt;以初始的随机森林模型作为第t次迭代的随机森林模型;
步骤3.2、利用第t次迭代的三维坐标向量Pt构建第t次迭代的随机森林模型,并利用第t次迭代的随机森林模型对m个缺陷特征样本子集进行oob估计,得到第t次迭代的随机森林模型的GIS缺陷误分率,并以GIS缺陷误分率作为天牛须算法中第t次迭代的适应度值;
采用bootstrap方法对样本进行抽样时会产生1/3的未被抽中的样本,因此可以直接在其内部进行评估,而不必对其进行交叉验证或用一个独立的测试集来获得误差的无偏估计。oob估计法可有效地提高算法的效率。本发明利用oob估计在森林生成的过程中对误差建立无偏估计,具体为:将没有参与第k棵树生成的样本作为第k棵树的oob样本,计算该样本的分类情况,并以多数决策树的投票结果作为该样本的最终分类结果,最终用错误分类个数占样本总数的比率作为随机森林的oob误分率W,其中误分率W代表标签为i的测试样本但未被预测为i的个数与测试样本总个数的比值。1≤k≤x。
步骤3.3、选择天牛两须所对应的第t次迭代的适应度值中的较小值,以较小值作为第t次迭代的局部最优值,并获取局部最优值所对应的天牛的触须坐标;将计算得到的天牛左须的适应度值记为WL,天牛左须适应度值记为WR。若WL小于WR,并记录此时天牛左须的坐标,否则,记录天牛右须的坐标,将局部最优值对应的坐标记为Jt。
步骤3.4、天牛按照天牛运动步长u向第t次迭代的局部最优值所对应的触须一侧移动,从而得到第t+1次迭代的三维坐标向量Pt+1;若WL小于WR,则天牛向左侧移动,否则天牛向右侧移动;
步骤3.5、将t+1赋值给t后,判断t是否达到tmax,若达到,则选出tmax次迭代的局部最优值集合中的最小值min{J}作为全局最优值;以全局最优值所对应的三维坐标向量作为最优随机森林参数,从而构造GIS故障诊断的随机森林模型;否则,返回步骤3.2;
步骤4、利用GIS故障诊断的随机森林模型对GIS局部放电特高频信号的测试样本集合进行诊断,并根据全部决策树的投票结果确定最终的分类结果,从而输出GIS故障诊断的识别结果。
为验证本方法的准确性,同时建立随机森林(RF)模型以及在模式识别领域中广泛应用的SVM、BPNN作为对比。
经特高频局部放电实验共采集获得400组GIS绝缘缺陷局部放电数据,提取其特征量。将所得样本分为训练样本和测试样本,随机选择300组作为训练样本,剩余为测试样本,用以对经过训练后的分类器进行测试。
分别采用RF算法、基于天牛须(BAS)优化的RF算法、SVM、BPNN算法建立4个不同的分类器用于识别。将训练样本先放入分类器中进行学习,再将完成训练的分类器对测试样本分类识别,所得识别结果如下表所示:
表1 不同算法识别效果对比
比较表1中的数值可以明显地看到,在这四种分类器中,BAS-RF算法的整体识别正确率最高,为95.9%,远高于基础RF模型的90.3%、SVM模型的88.2%和BPNN模型的89.1%的正确率。同时对比BAS-RF与基础RF的识别结果可知,BAS-RF模型比基础RF模型的识别准确率提高了5.6%,证明天牛须算法对于优化随机森林模型是可行和有效的。实验结果验证了本专利提出方法能够准确诊断GIS局部放电故障缺陷类型,同时为运维人员在实际现场中提供检测和判断依据,有利于电网安全稳定运行。
Claims (1)
1.一种基于天牛须和随机森林的GIS故障分类方法,其特征包括以下步骤:
步骤1、获取包括a类缺陷的GIS局部放电特高频信号集并作为样本集合,提取所述样本集合中每个样本的N个统计特征并进行归一化处理,得到缺陷特征集合C={C1,C2,…,Ci,…,Ca},Ci表示GIS局部放电第i类缺陷特征样本集合,并有: 表示第i类GIS缺陷特征样本集中第j个样本;且第j个样本包含N个归一化后的统计特征,1≤i≤a,1≤j≤M,M表示第i类缺陷特征样本的总数;
步骤2、初始化天牛触须长度、天牛运动步长、天牛迭代次数和天牛触须位置,构建初始随机森林模型;
步骤2.1、初始化天牛触须长度为s、天牛运动步长为u、天牛迭代次数为tmax、天牛两触须的三维位置坐标向量为P0={PL,PR},其中,PL表示天牛左触须位置坐标,PR表示天牛右触须位置坐标;
利用所述三维位置坐标向量P0中两触须的x方向、y方向、z方向的坐标值初始化随机森林参数,其中x方向的坐标值表示决策树的数量,y方向的坐标值表示单个决策树的最大特征数量,z方向的坐标值表示最小叶子节点数;
步骤2.2、采用bootstrap方法从缺陷特征集合C中有放回地重复随机抽取a×M个样本,并生成一个缺陷特征样本子集,并从所述缺陷特征样本子集的N个特征中无放回地随机抽取n个特征作为决策树的分裂特征,从而生成一棵的GIS缺陷特征决策树,n≤N;
步骤2.3、重复执行x次步骤2.2,从而生成x棵相应的GIS缺陷特征决策树,并构建形成初始的随机森林模型;
步骤3、采用天牛须和随机森林相结合的方法对x个缺陷特征样本子集进行训练;
步骤3.1、定义当前迭代次数为t,并初始化t=1;
以天牛须的三维坐标向量P0作为第t次迭代的三维坐标向量Pt;以所述初始的随机森林模型作为第t次迭代的随机森林模型;
步骤3.2、利用第t次迭代的三维坐标向量Pt构建第t次迭代的随机森林模型,并利用第t次迭代的随机森林模型对x个缺陷特征样本子集进行oob估计,得到第t次迭代的随机森林模型的GIS缺陷误分率,并以所述GIS缺陷误分率作为天牛须算法中第t次迭代的适应度值;
步骤3.3、选择天牛左右两须所对应的第t次迭代的适应度值中的较小值,以所述较小值作为第t次迭代的局部最优值,并获取局部最优值所对应的天牛的触须坐标;
步骤3.4、天牛按照所述天牛运动步长u向第t次迭代的局部最优值所对应的触须一侧移动,从而得到第t+1次迭代的三维坐标向量Pt+1;
步骤3.5、将t+1赋值给t后,判断t是否达到tmax,若达到,则选出tmax次迭代的局部最优值中的最小值作为全局最优值;以所述全局最优值所对应的三维坐标向量作为最优随机森林参数,从而构造GIS故障诊断的随机森林模型;否则,返回步骤3.2;
步骤4、利用所述GIS故障诊断的随机森林模型对GIS局部放电特高频信号的测试样本集合进行诊断,并根据全部决策树的投票结果确定最终的分类结果,从而输出GIS故障诊断的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240254.2A CN112364756B (zh) | 2020-11-09 | 2020-11-09 | 一种基于天牛须和随机森林的gis故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240254.2A CN112364756B (zh) | 2020-11-09 | 2020-11-09 | 一种基于天牛须和随机森林的gis故障分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364756A true CN112364756A (zh) | 2021-02-12 |
CN112364756B CN112364756B (zh) | 2022-09-06 |
Family
ID=74510252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011240254.2A Active CN112364756B (zh) | 2020-11-09 | 2020-11-09 | 一种基于天牛须和随机森林的gis故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364756B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283371A (zh) * | 2021-06-09 | 2021-08-20 | 上海交通大学 | 一种基于brisk特征的局部放电特征提取及分类方法 |
CN113343550A (zh) * | 2021-06-09 | 2021-09-03 | 上海交通大学 | 基于局部图像特征的局部放电故障的诊断方法 |
CN113341278A (zh) * | 2021-04-20 | 2021-09-03 | 云南电网有限责任公司临沧供电局 | 一种气体绝缘电压互感器绝缘性能测评系统和方法 |
CN113569492A (zh) * | 2021-09-23 | 2021-10-29 | 中国铁道科学研究院集团有限公司铁道科学技术研究发展中心 | 一种轴箱转臂橡胶定位节点加速寿命评估方法及其系统 |
CN113706220A (zh) * | 2021-09-15 | 2021-11-26 | 华人运通(上海)自动驾驶科技有限公司 | 用户画像确定、用户需求预测方法以及数据处理系统 |
CN113837096A (zh) * | 2021-09-24 | 2021-12-24 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102004948B1 (ko) * | 2018-12-18 | 2019-07-29 | 이지지아이에스 주식회사 | 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법 |
CN110138766A (zh) * | 2019-05-10 | 2019-08-16 | 福州大学 | 天牛须结合随机森林的网络入侵检测方法 |
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 |
CN110632484A (zh) * | 2019-11-06 | 2019-12-31 | 广东电网有限责任公司 | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
CN111721834A (zh) * | 2020-06-22 | 2020-09-29 | 南京南瑞继保电气有限公司 | 一种电缆局部放电在线监测缺陷辨识方法 |
CN111766487A (zh) * | 2020-07-31 | 2020-10-13 | 南京南瑞继保电气有限公司 | 基于多性质特征量的电缆局部放电缺陷类型辨识方法 |
-
2020
- 2020-11-09 CN CN202011240254.2A patent/CN112364756B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102004948B1 (ko) * | 2018-12-18 | 2019-07-29 | 이지지아이에스 주식회사 | 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법 |
CN110138766A (zh) * | 2019-05-10 | 2019-08-16 | 福州大学 | 天牛须结合随机森林的网络入侵检测方法 |
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 |
CN110632484A (zh) * | 2019-11-06 | 2019-12-31 | 广东电网有限责任公司 | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
CN111721834A (zh) * | 2020-06-22 | 2020-09-29 | 南京南瑞继保电气有限公司 | 一种电缆局部放电在线监测缺陷辨识方法 |
CN111766487A (zh) * | 2020-07-31 | 2020-10-13 | 南京南瑞继保电气有限公司 | 基于多性质特征量的电缆局部放电缺陷类型辨识方法 |
Non-Patent Citations (2)
Title |
---|
ANONYMOUS等: "Feature extraction method of PRPD data based on deep learning", 《ELECTRICAL MEASUREMENT AND INSTRUMENTATION》 * |
李大中等: "一种利用混合算法选择变量的天牛须优化神经网络风速预测方法", 《电力科学与工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341278A (zh) * | 2021-04-20 | 2021-09-03 | 云南电网有限责任公司临沧供电局 | 一种气体绝缘电压互感器绝缘性能测评系统和方法 |
CN113283371A (zh) * | 2021-06-09 | 2021-08-20 | 上海交通大学 | 一种基于brisk特征的局部放电特征提取及分类方法 |
CN113343550A (zh) * | 2021-06-09 | 2021-09-03 | 上海交通大学 | 基于局部图像特征的局部放电故障的诊断方法 |
CN113706220A (zh) * | 2021-09-15 | 2021-11-26 | 华人运通(上海)自动驾驶科技有限公司 | 用户画像确定、用户需求预测方法以及数据处理系统 |
CN113569492A (zh) * | 2021-09-23 | 2021-10-29 | 中国铁道科学研究院集团有限公司铁道科学技术研究发展中心 | 一种轴箱转臂橡胶定位节点加速寿命评估方法及其系统 |
CN113837096A (zh) * | 2021-09-24 | 2021-12-24 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
CN113837096B (zh) * | 2021-09-24 | 2024-02-13 | 合肥工业大学 | 一种基于ga随机森林的滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112364756B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364756B (zh) | 一种基于天牛须和随机森林的gis故障分类方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN110795690A (zh) | 风电场运行异常数据检测方法 | |
CN111751714A (zh) | 一种基于svm和hmm的射频模拟电路故障诊断方法 | |
CN116522268B (zh) | 一种配电网的线损异常识别方法 | |
CN112418065A (zh) | 设备运行状态识别方法、装置、设备及存储介质 | |
CN114091334A (zh) | 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN107977672A (zh) | 基于海量数据并行运算的sf6设备二级故障诊断方法 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN117493922A (zh) | 一种基于数据驱动的配电网户变关系识别方法 | |
CN111369179A (zh) | 一种配电自动化终端设备闭环检测方法和装置 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN114781551B (zh) | 一种基于大数据的电池多故障智能分类识别方法 | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
Elgamal et al. | Seamless Machine Learning Models to Detect Faulty Solar Panels | |
CN116150687A (zh) | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 | |
CN114417909A (zh) | 一种气体绝缘组合电器的故障识别方法及系统 | |
CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
CN112183745A (zh) | 基于粒子群算法和dbn的高压电缆局部放电模式识别方法 | |
CN111626329A (zh) | 一种基于lda寻优多尺度纹理特征的绝缘管母故障诊断方法 |
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 |