CN112733878A - 一种基于kmeans-SVM算法的变压器故障诊断方法 - Google Patents

一种基于kmeans-SVM算法的变压器故障诊断方法 Download PDF

Info

Publication number
CN112733878A
CN112733878A CN202011423876.9A CN202011423876A CN112733878A CN 112733878 A CN112733878 A CN 112733878A CN 202011423876 A CN202011423876 A CN 202011423876A CN 112733878 A CN112733878 A CN 112733878A
Authority
CN
China
Prior art keywords
data
transformer
kmeans
fault
svm algorithm
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
CN202011423876.9A
Other languages
English (en)
Inventor
付一峰
孟镇
祝杰
李永勤
韩飞
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.)
Jinzhou Electric Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
Original Assignee
Jinzhou Electric Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
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 Jinzhou Electric Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd, State Grid Corp of China SGCC filed Critical Jinzhou Electric Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
Priority to CN202011423876.9A priority Critical patent/CN112733878A/zh
Publication of CN112733878A publication Critical patent/CN112733878A/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
    • G06F18/2411—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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Combustion & Propulsion (AREA)
  • Probability & Statistics with Applications (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Housings And Mounting Of Transformers (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于kmeans‑SVM算法的变压器故障诊断方法，包括对所获取的变压器历史特征气体数据的异常值进行检测和筛选，基于kmeans聚类算法对筛选完的数据进行分类，基于支持向量机对变压器故障进行诊断；本发明对初始数据进行精准分类；能够在很广的各种函数集中构造函数；模型训练学习效果好、泛化能力强；为电力变压器诊断提供了一种新的诊断方法，能够保证电力系统安全稳定地运行、保证供电可靠性、提高社会经济效益。

Description

一种基于kmeans-SVM算法的变压器故障诊断方法
技术领域
本发明涉及变压器故障技术领域，并且更具体地，涉及一种基于kmeans-SVM算法的变压器故障诊断方法。
背景技术
电力变压器是电力系统中重要的电气设备之一,它一旦发生事故,则所需的修复时间较长,造成的影响也比较严重。随着我国电力工业的迅速发展，电网规模不断扩大，电力变压器的单机容量和安装容量随之不断增加，电压等级也在不断地提高。一般而言，容量越大，电压等级越高，变压器故障造成的损失也就越大。近年来，电力变压器虽然由于材料的改进、设计方法和制造技术的提高，运行可靠率有所提高，但仍会发生料想不到的事故。
此时对变压器进行故障诊断就尤其重要，但由于变压器的故障分类本身存在模糊性，在三比值编码边界模糊的比值区间内的故障，往往容易被误判，如误判低能放电和高能放电。而且当有多种故障出现时，可能在找不到相对应的比值。而基于神经网络的故障诊断方法，例如BPNN和RBFNN，由于经验风险最小原理的不足，需要大量的训练样本支撑才能得到较好的诊断结果。此外，神经网络的训练可能出现过拟合的结果。
支持向量机(Support Vector Machine，SVM)是基于统计学习理论的一种学习方法，其目标是在有限样本的信息下得到最优解。支持向量机分类方法的实质是，将样本空间通过非线性映射到特征空间(其维数通常比样本空间高)，在这一高维特征空间中找到最优分类面，这样就可以把一个非线性问题通过非线性变换转换为某个高维空间中的线性问题，使其在高维特征空间中线性可分。这种方法与传统的人工神经网络相比，支持向量机不仅结构简单，而且各种技术性能、尤其是泛化能力有明显提高。但是SVM存在分类率较低的缺点。
发明内容
本发明的目的是解决现有技术存在的上述问题，提供一种基于kmeans-SVM算法的变压器故障诊断方法。
本发明的技术方案是：一种基于kmeans-SVM算法的变压器故障诊断方法，步骤如下：
S1基于3σ原则对所获取的变压器的历史特征气体数据集进行数据清洗、异常值检测处理；
S2基于kmeans聚类算法对清洗后的数据进行分簇；
S3数据归一化；
S4按照分簇数据选定训练集和测试集；
S5构建SVM故障诊断模型；
S6测试数据带入模型，得到分类结果及准确率。
进一步，所述步骤S1所述特征气体数据为变压器油中溶解气体的含量，其中所述变压器油中溶解气体，包括：H2、CH4、C2H2、C2H4和C2H6。
进一步，所述步骤S1中采用3σ原则，分别计算数据的四分位数：第一四分位数(Q1)和第三四分位数(Q3)，设定可接受的正常数据值的取值范围为：
Q3+K(Q3-Q1)～Q1-K(Q3-Q1) (1)
其中，K为正态总体的标准差σ，上述范围之外的值则认定为异常值。
进一步，所述异常值剔除后，将作为缺失值进行填充，对于序数型数据，在处理时可直接对其进行顺序填充；对于标称型数据考虑季节因素，采用本月删除空值之后的众数填充。
进一步，步骤S2对于给定的样本集，按照样本之间的距离大小，将样本集划分为k个簇，让簇内的点紧密的连在一起，而让簇间保持一定的距离，所述k按照数据维度和规格取值；
如果用数据表达式表示，假设簇划分为(C1，C2，...Ck)，则目标是最小化平方误差E：
Figure BDA0002823831660000031
其中μi是簇Ci的均值向量，有时也称为质心，表达式为：
μi＝1|Ci|∑x∈Cix (3)
进一步，步骤S3中数据进行区间归一化采用采用SVM算法：
Figure BDA0002823831660000032
其中，x,y∈Rn；xmin＝min(x)；xmax＝max(x)；归一化的效果是原始数据被规整到[0,1]范围内，即yi∈[0,1],i＝1,2,...n。
kmeans聚类算法也称k均值聚类算法，是集简单和经典于一身的基于距离的聚类算法。它采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。优点是原理比较简单，实现也很容易和敛速度快，可解释度高，当结果簇是密集的，而簇与簇之间区别明显时，它的效果较好。此方法可弥补SVM分类率较低的缺点。因此，将kmeans聚类算法和支持向量机算法结合可以大幅度地提高变压器故障的诊断能力，从而能够保证电力系统安全稳定地运行、保证供电可靠性、提高社会经济效益。
附图说明
图1为本发明的基于kmeans-SVM算法的变压器故障诊断方法的流程图；
图2为本发明的基于kmeans-SVM算法的变压器故障诊断方法的训练集和测试集处理流程图；
图3是本发明基于kmeans-SVM算法的变压器故障诊断方法对数据集分类图；
图4是基于数据不进行预处理的支持向量机算法对变压器故障诊断的分析结果图；
图5是基于数据不进行kmeans聚类算法分簇的支持向量机算法对变压器故障诊断的结果分析图；
图6、图7是本发明的基于kmeans-SVM算法的变压器故障诊断的结果分析图。
具体实施方式
现参考附图和具体实例对本发明进行详细说明。
1)图1为根据本发明实施方式的基于kmeans-SVM算法的变压器故障诊断方法的流程图。如图1所示，本发明提供的基于支持向量机的变压器故障诊断方法，基于kmeans分类和支持向量机训练预测对变压器故障进行诊断，将kmeans算法与支持向量机相结合，基于3σ原则对数据集进行数据冲洗(标准化预处理)，基于kmeans进行分簇，支持向量机算法将数据分为训练集和预测集，通过以H2、CH4、C2H2、C2H4、C2H6五种特征气体含量组成的样本进行训练学习，确定kmeans-SVM故障诊断模型，并利用所述的kmeans-SVM故障诊断模型有效地对变压器模型进行诊断。无论是从泛化能力、分类率还是测试诊断准确率角度，本发明提出的方法均比传统三比值法更具有说服力。具体步骤是：
S1基于3σ原则对所获取的变压器的历史特征气体数据集进行数据清洗、异常值检测处理；
S2基于kmeans聚类算法对清洗后的数据进行分簇；
S3数据归一化；
S4按照分簇数据选定训练集和测试集；
S5构建SVM故障诊断模型；
S6测试数据带入模型，得到分类结果及准确率。
步骤S1所述特征气体数据为变压器油中溶解气体的含量，其中所述变压器油中溶解气体，包括H2、CH4、C2H2、C2H4和C2H6。
所述步骤S1中采用3σ原则，分别计算数据的四分位数：第一四分位数(Q1)和第三四分位数(Q3)，设定可接受的正常数据值的取值范围为：
Q3+K(Q3-Q1)～Q1-K(Q3-Q1) (1)
其中，K为正态总体的标准差σ，上述范围之外的值则认定为异常值。
所述异常值剔除后，将作为缺失值进行填充，对于序数型数据，在处理时可直接对其进行顺序填充；对于标称型数据考虑季节因素，采用本月删除空值之后的众数填充。
所述步骤S2中对于给定的样本集，按照样本之间的距离大小，将样本集划分为k个簇，让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大，所述k按照数据维度和规格取值，一般为3～5；
如果用数据表达式表示，假设簇划分为(C1，C2，...Ck)，则目标是最小化平方误差E：
Figure BDA0002823831660000061
其中μi是簇Ci的均值向量，也称为质心，表达式为：
μi＝1|Ci|∑x∈Cix (3)
步骤S3中数据进行区间归一化采用采用SVM算法：
Figure BDA0002823831660000062
其中，x,y∈Rn；xmin＝min(x)；xmax＝max(x)；归一化的效果是原始数据被规整到[0,1]范围内，即yi∈[0,1],i＝1,2,...n。
本发明提供的基于kmeans-SVM算法的变压器故障诊断方法，在对所获取的变压器的历史特征气体数据进行数据清洗：异常值检测(标准化预处理)，获取处理后的数据集。
其中所述特征气体数据集为变压器油中溶解气体的含量，其中，所述变压器油中溶解气体，包括：H2、CH4、C2H2、C2H4和C2H6。
其中利用SVM在经过kmeans聚类算法处理后的数据中选定训练集和测试集，再将数据进行归一化处理(预处理)，之后用训练集对SVM进行训练，最后用得到的模型来预测测试集分类标签，算法流程图如图2所示。
其中利用SVM对经过kmeans聚类算法分簇后的数据集A和数据集B中分别提取出训练集和测试集，再将数据集A、B进行归一化，再将每一个训练集和测试集分为三类分别作训练和预测，分类图如图3所示。
在本发明的实施方式中，利用油中溶解气体基于kmeans-SVM的电力变压器的故障诊断方法包括：根据广性、紧凑性和代表性原则，搜集和有效选择电力变压器特征气体含量即H2、CH4、C2H2、C2H4和C2H6样本数据；对原始样本数据进行进一步的标准化预处理，以提高故障诊断算法的泛化性，并将标准化后的样本用进行kmeans聚类算法进行分类，再将分类后的样本分成训练集和测试集两部分；建立故障诊断算法的程序和诊断模型，其中训练样本用于程序的训练和建模；测试样本用于诊断模型的验证，判断变压器的故障状态，进行故障分析。
为了验证诊断方法的准确度，对搜集的139组对应变压器不同故障状态的有中溶解气体分析DGA数据进行研究。该DGA数据统计包括4种实际电力变压器故障类型及正常运行的变压器数据：低能放电、低温和中温热故障、高能放电、高温热故障及正常状态。其中，选取60组数据样本作为故障诊断的训练集样本，剩余79组数据样本作为测试集，各类故障及正常运行状态的样本统计分布如表1所示。
表1电力变压器故障诊断样本
Figure BDA0002823831660000071
为了体现基于kmeans-SVM算法的电力变压器故障诊断方法的优越性，本发明与其他两种方式进行了对比实验。
①本发明对比了不对数据进行预处理的支持向量机算法对对变压器故障诊断。
②本发明对比了不进行kmeans聚类算法分类的支持向量机对变压器故障进行诊断。
根据上述说法对不同诊断方式进行了对比实验，实验结果如下：基于数据不进行预处理的支持向量机算法对变压器故障诊断的方法，其诊断结果如图4所示，准确率为80.7962％；基于数据不进行kmeans聚类算法分类的支持向量机算法对变压器故障诊断其诊断结果如图5所示，准确率为97.4684％；本发明基于kmeans-SVM算法对变压器故障诊断，其诊断结果如图6、图7所示，准确率为100％。
根据上述内容可以比较三种不同的诊断方式对变压器故障诊断准确率影响不同，如表2所示。
表2三种不同的数据处理方式对变压器故障诊断准确率影响
Figure BDA0002823831660000081
在对比实验中，可以得出结论：本发明结合充分结合kmeans聚类算法和支持向量机算法的优点，消除了分类重叠区和拒绝分类区，提高了泛化能力，在变压器故障诊断中具有高度准确性，从而具有更广泛的使用价值。
本发明不局限于上述实施方式，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，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (6)

1.一种基于kmeans-SVM算法的变压器故障诊断方法，其特征在于，包括：
S1基于3σ原则对所获取的变压器的历史特征气体数据集进行数据清洗、异常值检测处理；
S2基于kmeans聚类算法对清洗后的数据进行分簇；
S3数据归一化；
S4按照分簇数据选定训练集和测试集；
S5构建SVM故障诊断模型；
S6测试数据带入模型，得到分类结果及准确率。
2.根据权利要求1所述的一种基于kmeans-SVM算法的变压器故障诊断方法，其特征在于，步骤S1所述特征气体数据为变压器油中溶解气体的含量，其中所述变压器油中溶解气体包括：H2、CH4、C2H2、C2H4和C2H6。
3.根据权利要求1所述的一种基于kmeans-SVM算法的变压器故障诊断方法，其特征在于，采用3σ原则，分别计算数据的四分位数：第一四分位数(Q1)和第三四分位数(Q3)，设定可接受的值的取值范围为：
Q3+K(Q3-Q1)～Q1-K(Q3-Q1) (1)
其中，K为正态总体的标准差σ,上述范围之外的值则认定为异常值。
4.根据权利要求3所述的一种基于kmeans-SVM算法的变压器故障诊断方法，其特征在于，所述异常值剔除后，将作为缺失值进行填充，对于序数型数据，在处理时可直接对其进行顺序填充；对于标称型数据考虑季节因素，采用本月删除空值之后的众数填充。
5.根据权利要求1所述的一种基于kmeans-SVM算法的变压器故障诊断方法，其特征在于，步步骤S2对于给定的样本集，按照样本之间的距离大小，将样本集划分为k个簇，让簇内的点紧密的连在一起，而让簇间保持一定的距离，所述k按照数据维度和规格取值；
如果用数据表达式表示，假设簇划分为(C1，C2，...Ck)，则目标是最小化平方误差E：
Figure FDA0002823831650000021
其中μi是簇Ci的均值向量，有时也称为质心，表达式为：
μi＝1|Ci|∑x∈Cix (3) 。
6.根据权利要求1所述的一种基于kmeans-SVM算法的变压器故障诊断方法，其特征在于，步骤S3中数据进行区间归一化采用采用SVM算法即：
Figure FDA0002823831650000022
其中，x,y∈Rn；xmin＝min(x)；xmax＝max(x)。归一化的效果是原始数据被规整到[0,1]范围内，即yi∈[0，1]，i＝1，2，...n。
CN202011423876.9A 2020-12-08 2020-12-08 一种基于kmeans-SVM算法的变压器故障诊断方法 Pending CN112733878A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011423876.9A CN112733878A (zh) 2020-12-08 2020-12-08 一种基于kmeans-SVM算法的变压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011423876.9A CN112733878A (zh) 2020-12-08 2020-12-08 一种基于kmeans-SVM算法的变压器故障诊断方法

Publications (1)

Publication Number Publication Date
CN112733878A true CN112733878A (zh) 2021-04-30

Family

ID=75598316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011423876.9A Pending CN112733878A (zh) 2020-12-08 2020-12-08 一种基于kmeans-SVM算法的变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN112733878A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570200A (zh) * 2021-06-30 2021-10-29 国电南瑞科技股份有限公司 一种基于多维信息的电网运行状态监测方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245861A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的变压器故障诊断方法
CN104809328A (zh) * 2014-10-09 2015-07-29 许继电气股份有限公司 一种基于信息瓶颈的变压器故障诊断方法
CN107677903A (zh) * 2017-09-14 2018-02-09 广西电网有限责任公司电力科学研究院 一种变压器状态监测数据的聚类分析方法
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
US20180238951A1 (en) * 2016-09-07 2018-08-23 Jiangnan University Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter
CN109030791A (zh) * 2018-09-07 2018-12-18 广西电网有限责任公司电力科学研究院 一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法
CN109342862A (zh) * 2018-12-14 2019-02-15 国网山东省电力公司电力科学研究院 基于非监督聚类与和svm分类的变压器故障诊断方法
CN109856494A (zh) * 2019-01-02 2019-06-07 广东工业大学 一种基于支持向量机的变压器故障诊断方法
CN110009208A (zh) * 2019-03-26 2019-07-12 武汉理工大学 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置
CN110133410A (zh) * 2019-05-31 2019-08-16 国网河北省电力有限公司石家庄供电分公司 基于模糊c均值聚类算法的变压器故障诊断方法及系统
CN110197222A (zh) * 2019-05-29 2019-09-03 国网河北省电力有限公司石家庄供电分公司 一种基于多分类支持向量机变压器故障诊断的方法
CN110472671A (zh) * 2019-07-24 2019-11-19 西安工程大学 基于多阶段的油浸式变压器故障数据预处理方法
CN111090050A (zh) * 2020-01-21 2020-05-01 合肥工业大学 一种基于支持向量机和k均值的锂电池故障诊断方法
CN111340248A (zh) * 2020-02-27 2020-06-26 中国电力科学研究院有限公司 一种基于智能集成算法的变压器故障诊断方法及系统
CN111898690A (zh) * 2020-08-05 2020-11-06 山东大学 一种电力变压器故障分类方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103245861A (zh) * 2013-05-03 2013-08-14 云南电力试验研究院（集团）有限公司电力研究院 一种基于贝叶斯网络的变压器故障诊断方法
CN104809328A (zh) * 2014-10-09 2015-07-29 许继电气股份有限公司 一种基于信息瓶颈的变压器故障诊断方法
US20180238951A1 (en) * 2016-09-07 2018-08-23 Jiangnan University Decision Tree SVM Fault Diagnosis Method of Photovoltaic Diode-Clamped Three-Level Inverter
CN107677903A (zh) * 2017-09-14 2018-02-09 广西电网有限责任公司电力科学研究院 一种变压器状态监测数据的聚类分析方法
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
CN109030791A (zh) * 2018-09-07 2018-12-18 广西电网有限责任公司电力科学研究院 一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法
CN109342862A (zh) * 2018-12-14 2019-02-15 国网山东省电力公司电力科学研究院 基于非监督聚类与和svm分类的变压器故障诊断方法
CN109856494A (zh) * 2019-01-02 2019-06-07 广东工业大学 一种基于支持向量机的变压器故障诊断方法
CN110009208A (zh) * 2019-03-26 2019-07-12 武汉理工大学 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置
CN110197222A (zh) * 2019-05-29 2019-09-03 国网河北省电力有限公司石家庄供电分公司 一种基于多分类支持向量机变压器故障诊断的方法
CN110133410A (zh) * 2019-05-31 2019-08-16 国网河北省电力有限公司石家庄供电分公司 基于模糊c均值聚类算法的变压器故障诊断方法及系统
CN110472671A (zh) * 2019-07-24 2019-11-19 西安工程大学 基于多阶段的油浸式变压器故障数据预处理方法
CN111090050A (zh) * 2020-01-21 2020-05-01 合肥工业大学 一种基于支持向量机和k均值的锂电池故障诊断方法
CN111340248A (zh) * 2020-02-27 2020-06-26 中国电力科学研究院有限公司 一种基于智能集成算法的变压器故障诊断方法及系统
CN111898690A (zh) * 2020-08-05 2020-11-06 山东大学 一种电力变压器故障分类方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570200A (zh) * 2021-06-30 2021-10-29 国电南瑞科技股份有限公司 一种基于多维信息的电网运行状态监测方法及系统
CN113570200B (zh) * 2021-06-30 2023-10-03 国电南瑞科技股份有限公司 一种基于多维信息的电网运行状态监测方法及系统

Similar Documents

Publication Publication Date Title
JP7240691B1 (ja) データドライブの能動配電網異常状態検知方法及びシステム
CN106371427B (zh) 基于层次分析法和模糊融合的工业过程故障分类方法
US8868985B2 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN101464964B (zh) 一种设备故障诊断的支持向量机模式识别方法
CN112084237A (zh) 一种基于机器学习和大数据分析的电力系统异常预测方法
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN103914064A (zh) 基于多分类器和d-s证据融合的工业过程故障诊断方法
CN111898690B (zh) 一种电力变压器故障分类方法及系统
CN108717149A (zh) 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法
CN112990286A (zh) 一种数据不平衡场景下的恶意流量检测方法
CN110161388A (zh) 一种高压设备的故障类型识别方法及其系统
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
CN107153841A (zh) 一种城市轨道交通车辆门系统的亚健康预测方法
CN110503133A (zh) 一种基于深度学习的离心式压缩机故障预测方法
CN108803555B (zh) 一种基于性能监测数据的亚健康在线识别和诊断方法
CN112464439A (zh) 基于三层数据挖掘的电力系统故障类型分析方法及装置
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
WO2023273249A1 (zh) 基于tsvm模型的智能电能表自动化检定系统异常检测方法
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN112733878A (zh) 一种基于kmeans-SVM算法的变压器故障诊断方法
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
CN110689324A (zh) 一种配电变压器检测结果的辅助评判方法
CN112085064B (zh) 基于支持向量机多分类概率输出的变压器故障诊断方法

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