CN112733951A - 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 - Google Patents
一种断路器机械缺陷诊断的多信息决策权重分配融合方法 Download PDFInfo
- Publication number
- CN112733951A CN112733951A CN202110067054.XA CN202110067054A CN112733951A CN 112733951 A CN112733951 A CN 112733951A CN 202110067054 A CN202110067054 A CN 202110067054A CN 112733951 A CN112733951 A CN 112733951A
- Authority
- CN
- China
- Prior art keywords
- softmax
- circuit breaker
- diagnosis
- diagnostic
- clustering
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种断路器机械缺陷诊断的多信息决策权重分配融合方法,此方法首先采集断路器合闸时的机构行程、线圈电流和多个位置振动信号,通过经验模态分解,获得信号的本征模函数,识别主要模态,计算主模态下模函数近似熵,构成描述断路器缺陷状态的特征向量;其次将每个信号的特征向量集作为训练集,设计多个Softmax诊断模型;再次将测试样本输入各个Softmax诊断模型,用近邻传播聚类算法聚合各诊断结果,定义Softmax模型诊断结果聚类权重;最后用D‑S证据理论结合Softmax模型诊断结果聚类权重,融合各个Softmax诊断模型,实现诊断结果融合。本发明提出的多信息融合断路器机械缺陷诊断方法,可有效降低诊断信息单一产生的片面化误差,极大提高断路器机械缺陷诊断准确率。
Description
技术领域
本发明涉及一种含多信息下聚类过程的D-S证据融合诊断方法,具体涉及一种断路器机械缺陷诊断的多信息决策权重分配融合方法。
背景技术
在电力系统中,高压断路器是其中最重要的电力设备之一,除了作为电力系统的投切设备,还可以实现开断过载、短路等故障电流,起到对电网的保护作用。随着电力系统综合自动化水平的提高,高压断路器在电网中的使用率也在不断提升。同时为了应对电力系统的复杂性,电网对不同电压等级下的断路器性能要求不同,其作用不可替代。可以说,高压断路器设备的好坏直接决定了整个电力系统性能。为了防止断路器故障,需要对老旧或者失效部件更换来维持断路器的运行状态,目前对高压断路器的检修方式有事后检修、定期检修和状态检修。但这几种维修方式还存在诸多问题,其中:事后检修不能提前预防故障的发生,不能在第一时间发现故障,即使发觉故障,但不能在第一时间找出故障源;定期检修的盲目性导致需要的检修成本过大,浪费人力和物力。以上问题导致电网系统经常出现停电、断电等情况,严重影响了电网的运行效率。因此,为了提高高压断路器的运行可靠性,需要及时了解高压断路器运行状态、辨识预测其缺陷类型,以便于快速对其进行缺陷排除。
目前,能够有效反应高压断路器机械特性检测和状态诊断的方法主要依赖于高压断路器的动触头行程检测、分合闸机构线圈电流以及机械振动信号。其中动触头行程检测和分合闸机构线圈电流检测技术在应用测试过程中存在难以辨识部分机械缺陷的问题。而高压断路器的机械振动信号检测,对振动信号特征提取与缺陷分类方法仍存在有诊断准确率低、泛化能力差等问题。基于振动信息的高压断路器机械缺陷诊断精度低的原因众多,如振动信号分散性大、特征提取不充分、单一位置振动信息难以独立获得对多种缺陷场景的全面描述等。因此,将以上几种检测手段融合在一起,研发多维信息融合的高效、高精度断路器机械缺陷诊断方法,将有利于提高辨识准确性,促进高压断路器机械状态评估的进一步发展。
发明内容
本发明的目的在于:提供一种断路器机械缺陷诊断的多信息决策权重分配融合方法,该方法首先采集高压断路器合闸过程中的机构行程、线圈电流和多个位置振动信号,对信号进行经验模态分解(EMD),得到信号的本征模函数(IMF),计算主模态IMF的近似熵,构成描述断路器缺陷状态的特征向量;然后,将每个信息的特征样本集作为独立的训练集,建立Softmax诊断模型;接着,根据Softmax诊断模型在测试样本下的诊断概率向量,采用近邻传播聚类算法,将各个传感器的Softmax模型诊断结果进行聚类,定义Softmax模型诊断结果聚类权重;最后,以各个传感器的Softmax诊断模型及其诊断结果聚类权重融合决策出最终诊断结果,完成断路器机械缺陷诊断。
本发明采用的技术方案为:一种断路器机械缺陷诊断的多信息决策权重分配融合方法,所述方法包括步骤如下:
第一步:获取数据及构建原始特征空间
步骤1.1使用机构行程测量设备、线圈电流测量设备和若干个振动信息测量设备,同时多次采集高压断路器在不同机械缺陷下多个传感器的信号,记为X,第i个传感器的第j个信号记为Xi,j;
步骤1.2采用经验模态分解(EMD)对原始信号进行分解,得到本征模函数(IMF);
步骤1.3识别主要本征模函数,计算主本征模函数的近似熵值,组成缺陷信息特征向量集Y;
第二步:基于各传感器的特征向量集,构建Softmax诊断模型
步骤2.1选择第i个传感器的特征向量集Yi,将其定义为Softmax的模型训练集Ti,由此构建第i个传感器的Softmax诊断模型Mi;
步骤2.2循环步骤2.1直至构建全部a个传感器的Softmax诊断模型M;
第三步:基于诊断概率向量对各个传感器的Softmax诊断模型聚类
步骤3.1将第i个传感器下的测试样本的特征向量Oi分别放入对应的Softmax诊断模型Mi,获得缺陷发生概率列向量Qi,计算该测试样本在全部a个传感器下的缺陷发生概率列向量集合{Q1,Q2,…,Qa};
第四步:以各传感器的Softmax诊断模型及其聚类权重融合决策多个Softmax的诊断结果
步骤4.1根据步骤3.1所得的缺陷发生概率列向量集合{Q1,Q2,…,Qa},计算各传感器所得s类缺陷发生概率的加权期望Qλ,定义a个传感器对测试样本可能发生的s类缺陷的融合概率向量mass=Qλ;
步骤4.2根据传统的D-S证据理论,定义辨识框架F,以D-S证据推理方法将mass向量自身融合a-1次后,定义最大概率所在缺陷类别为此测试样本对应的缺陷类型,完成最终改进D-S证据推理的高压断路器机械缺陷诊断。
与最接近的现有技术相比,本发明的优异效果是:
本发明基于断路器合闸过程中多测量信息的Softmax诊断结果,利用近邻传播聚类方法,分析各诊断结果的聚合性,在无先验信息的情况下,定义出各诊断结果的权重,利用D-S证据理论获得最终诊断结果。相比于已有方法,本发明中充分综合利用了断路器合闸过程的多种信息进行诊断,避免了单一信息对诊断结果的片面性。同时,考虑各信息诊断结果的差异性,利用聚类方法分配各诊断结果的权重,利用D-S证据融合方法,提高了断路器机械故障诊断准确性和鲁棒性。
附图说明
下面结合附图对本发明进一步说明。
图1是:多维信息融合的高压断路器机械缺陷诊断流程图;
图2是:基于Softmax回归模型的断路器缺陷分类结构图;
图3是:基于近邻传播聚类的Softmax诊断模型聚类流程图;
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种断路器机械缺陷诊断的多信息决策权重分配融合方法,图1展示出了本实施例中的所述方法的流程图;包括下述步骤:
步骤1:同时获取多种多个传感器数据及本征模函数近似熵特征空间构建。
步骤1.1使用动触头行程测量设备、分合闸线圈电流测量设备和若干个振动信息测量设备同时采集高压断路器在几种机械缺陷下的各类信号,组成缺陷信息的多维原始信号Xa,b(t)。假设各类传感器总数量为a,每个传感器对应的样本数量为b;
步骤1.2将采集到的信号进行经验模态分解(Empirical Mode Decomposition,EMD),识别其主模态,计算主模态函数的近似熵,作为度量缺陷信息的特征向量,步骤如下:
步骤1.2.1对高压断路器中第i个传感器测量到的第j个样本信号Xi,j(t)进行经验模态分解,其中i=1,2,…a表示传感器编号;j=1,2,…,b表示测量样本编号,得到经验模态分解式,如公式(1)所示。
其中rn(t)为残余函数,代表信号的平均趋势,C1(t),C2(t)…Cn(t)代表内涵模态分量(Intrinsic Mode Functions,IMF),分别包含了信号不同时间特征尺度大小的成分。
步骤1.2.2根据公式(1),用概率密度函数的相似度来识别主要的IMF,由于存在噪声的信号其主要能量集中在低频段,定义L(k)=Dist[pdf(Xi,j(t)),pdf(IMFk(t))]为Xi,j(t)与IMF的概率密度函数之间的相似度距离,式中Dist代表欧氏距离,pdf表示概率密度函数。L(k)出现第一个局部最大值之后的模态认为是主模态:argmax{L(k)}表示使得L(k)取得最大值所对应的变量点k。即从第kth到n个模态为主模态,记km为IMF的主模态总个数。
步骤1.2.3计算经过主模态识别后的IMF主模态分量的近似熵值ApEnk(k=1,2,…,km),由此得到了评价第i个传感器下第j个测量样本缺陷信息的多维特征向量重复步骤1.2.1和步骤1.2.2,得到全部传感器的所有测量样本的特征向量。
步骤2:基于多维特征向量集构建模型训练集,建立传感器Softmax诊断模型。
步骤2.1将步骤1中第i个传感器下第j个测量样本的特征描述A重p定义E为nSoftmax模型训练集Ti,j=[xi,j,1,xi,j,2,...,xi,j,w]T,其中w=km表示特征个数,即特征空间维度,则Ti={Ti,1,Ti,2,...,Ti,j}为第i个传感器的所有测量样本的特征向量集。定义Lj为第j个测量样本的缺陷类型编号。
步骤2.2基于步骤2.1中定义的训练集Ti,j,构建Softmax诊断模型。假设高压断路器缺陷类型有s个,那么可以列出Softmax回归模型的系统方程,如公式(2)所示。
其中p(yj=s|xi,j;θ)表示第i个传感器下第j个测量样本在参数θ下的第s类缺陷发生的概率,θ表示一个s×w的矩阵,l∈[1,s]用来遍历缺陷类型。计算梯度并利用梯度下降法优化基于训练集为Ti,j的Softmax诊断模型Mi。重复该步骤直至完成全部a个传感器Softmax诊断模型M的计算。
步骤3:基于近邻传播聚类算法将多个传感器在测试样本下的诊断结果聚类,作为改进D-S证据融合算法的聚类权重。
步骤3.1将第i个传感器下的测试样本Oi=[xi,1,xi,2,...,xi,w]T输入到诊断模型Mi,获得第i个传感器对测试样本可能发生s类缺陷的概率向量Qi,同理,通过同一时间的O=[x1,x2,...,xw]T计算全部a个传感器对测试样本可能产生缺陷的概率向量集合{Q1,Q2,...,Qa};
步骤3.2基于向量集{Q1,Q2,...,Qa},采用近邻传播聚类算法将a个传感器的Softmax模型诊断结果聚类,定义第i个传感器Softmax模型诊断结果的聚类权重为δi
步骤3.2.1定义相似度矩阵S,S(i,j)表示数据点Qi与Qj之间的相似度,通常采用欧氏距离进行度量S(i,j)=-||Qi-Qj||2,则S为a×a的矩阵,S(k,k)代表第k个样本点成为聚类中心的可能性程度,通常采取对应行的中位数进行表示。定义最大迭代次数tmax,支持度矩阵R(i,k)代表第k个样本点Qk作为第i个样本点Qi的聚类中心点的可能性程度,归属度矩阵A(i,k)代表第i个样本点Qi选择第k个样本点Qk作为其聚类中心的可能性程度。
步骤3.2.2计算每个样本点的支持度R和归属度A:
R(i,k)=S(i,k)-max{A(i,j)+S(i,j)},j=1,2...a and j≠i,k (3)
R(k,k)=B(k)-max{A(k,j)+S(k,j)},j=1,2…a and j≠k (5)
B(k)为先验数值,代表所有样本点被选为聚类中心点的倾向性,一般设置为相似矩阵S的均值。
步骤3.2.3根据R(k,k)+A(k,k)>0来决定第k个样本点能否作为聚类中心点,同时根据式(7)计算总的相似度数值。对于样本点本身,其相似度数值设置为B(k)。
R(i,k)=(1-lam)·R(i,k)+lam·R(i-1,k) (6)
A(i,k)=(1-lam)·A(i,k)+lam·A(i-1,k) (7)
式中lam为阻尼因子,其作用是为了避免发生震荡,平衡前后两次迭代中的可信度R和可用度A,一般设置为0.6~0.9。
步骤3.2.4循环执行步骤3.2.2和步骤3.2.3直至最大迭代次数tmax,计算决策矩阵A+R,将决策矩阵中的对角线元素大于零的数据点作为聚类中心,其余的点按照决策矩阵中最大值所在位置依次分配到各个聚类中心。得到聚类结果为t类,每一类中传感器的个数为t′,则定义第i个传感器Softmax模型诊断结果的聚类权重为定义聚类权重向量δ=[δ1,δ2,...,δa]。
步骤4:以各传感器的Softmax诊断模型及其诊断结果的聚类权重融合决策多个Softmax的诊断结果,优化D-S证据推理的多维信息融合流程。
步骤4.1根据步骤3.2.4所得a个传感器的聚类权重向量δ=[δ1,δ2,...,δa]以及步骤3.1所得a个传感器对测试样本O=[x1,x2,...,xw]T可能产生缺陷的概率向量集合{Q1,Q2,...,Qa},分别计算s类缺陷的概率期望向量作为a个传感器对测试样本可能发生s类缺陷的初始概率指派mass;
步骤4.2传统的D-S证据推理方法如下,定义辨识框架F={F1,F2,…,Fs},其中Fs表示第s类缺陷发生,同时定义massi表示第i个传感器对对于SoftMax模型Mi的输出,即对于s类故障的基本概率指派,则多传感器massi融合过程如公式(5)所示。
其中massc(Fs)表示融合后第s类缺陷的概率,当i=1时,mass1(Fs);massi+1(Fsj)表示第i+1个传感器对测试样本发生第sj类缺陷的概率值,这说明a个传感器只需要融合a-1次;Kc表示冲突系数等于根据上述传统D-S证据推理方法,在本发明中利用步骤4.1.3得到的a个传感器融合概率向量mass,利用公式(8)进行a-1次的自身融合后,定义最大概率所在缺陷类别为此测试样本对应的缺陷类型,完成最终改进D-S证据推理的高压断路器机械缺陷诊断。
最后应当说明的是:所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
Claims (1)
1.一种断路器机械缺陷诊断的多信息决策权重分配融合方法,其特点在于建立基于断路器线圈电流、机构行程和多个位置振动信号的缺陷诊断模型,形成多信息融合决策下的断路器机械缺陷诊断方法,所述方法包括下述步骤:
第一步:获取数据及原始特征空间构建
使用电流测量设备、机构行程测量设备和多个振动信息测量设备同时采集断路器合闸过程中不同机械缺陷下共a个传感器的信号,共采集b次,记第i个传感器的样本集为Xi,对其进行经验模态分解(EMD),得到信号的本征模函数(IMF),计算主模态IMF的近似熵,组成多维度特征向量集Yi;
第二步:基于各传感器的特征向量集,构建Softmax诊断模型
步骤2.1对于第i个传感器的本征模函数近似熵特征向量集,将其作为建立第i个Softmax诊断模型的训练集,根据训练集构建第i个传感器的Softmax诊断模型;
步骤2.2循环执行步骤2.1直至建立全部a个传感器的Softmax诊断模型;
第三步:将各个传感器的Softmax模型诊断结果聚类
步骤3.1计算测试样本在每个传感器Softmax诊断模型下对不同缺陷的诊断概率向量,构成全部传感器的Softmax模型诊断概率向量集合;
步骤3.2基于步骤3.1所得概率向量集合,采用近邻传播聚类算法将各个传感器的Softmax诊断结果进行聚类,定义Softmax模型诊断结果的聚类权重;
第四步:以各传感器的Softmax诊断模型及其聚类权重融合决策多个Softmax模型的诊断结果
步骤4.1根据步骤3.1中的诊断概率向量和步骤3.2所得各诊断结果的聚类权重,计算诊断概率向量加权期望;
步骤4.2基于D-S证据融合算法,多次融合步骤4.1中所得多个传感器融合的诊断概率向量加权期望,将最大概率对应的缺陷类型定义为此测试样本的缺陷类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067054.XA CN112733951B (zh) | 2021-01-19 | 2021-01-19 | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067054.XA CN112733951B (zh) | 2021-01-19 | 2021-01-19 | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733951A true CN112733951A (zh) | 2021-04-30 |
CN112733951B CN112733951B (zh) | 2021-09-28 |
Family
ID=75592271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110067054.XA Active CN112733951B (zh) | 2021-01-19 | 2021-01-19 | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733951B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956290A (zh) * | 2016-05-06 | 2016-09-21 | 国网江苏省电力公司检修分公司 | 一种基于多数据融合技术的高压断路器机械故障诊断方法 |
CN109000926A (zh) * | 2018-10-25 | 2018-12-14 | 中国计量大学 | 基于emd和近似熵的滚动轴承声发射信号特征提取方法 |
CN109858458A (zh) * | 2019-02-19 | 2019-06-07 | 武汉科技大学 | 一种基于eemd近似熵的矿山微震信号智能识别方法 |
CN110006645A (zh) * | 2019-05-10 | 2019-07-12 | 北京航空航天大学 | 一种多源融合的高压断路器机械故障诊断方法 |
CN110119713A (zh) * | 2019-05-14 | 2019-08-13 | 云南电网有限责任公司电力科学研究院 | 基于d-s证据理论的高压断路器机械故障诊断方法 |
CN110609210A (zh) * | 2019-09-25 | 2019-12-24 | 广东电网有限责任公司 | 一种基于多源数据融合的电网故障诊断告警方法 |
CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
-
2021
- 2021-01-19 CN CN202110067054.XA patent/CN112733951B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956290A (zh) * | 2016-05-06 | 2016-09-21 | 国网江苏省电力公司检修分公司 | 一种基于多数据融合技术的高压断路器机械故障诊断方法 |
CN109000926A (zh) * | 2018-10-25 | 2018-12-14 | 中国计量大学 | 基于emd和近似熵的滚动轴承声发射信号特征提取方法 |
CN109858458A (zh) * | 2019-02-19 | 2019-06-07 | 武汉科技大学 | 一种基于eemd近似熵的矿山微震信号智能识别方法 |
CN110006645A (zh) * | 2019-05-10 | 2019-07-12 | 北京航空航天大学 | 一种多源融合的高压断路器机械故障诊断方法 |
CN110119713A (zh) * | 2019-05-14 | 2019-08-13 | 云南电网有限责任公司电力科学研究院 | 基于d-s证据理论的高压断路器机械故障诊断方法 |
CN110609210A (zh) * | 2019-09-25 | 2019-12-24 | 广东电网有限责任公司 | 一种基于多源数据融合的电网故障诊断告警方法 |
CN110954744A (zh) * | 2019-11-18 | 2020-04-03 | 浙江工业大学 | 一种基于事件检测的非侵入式负荷监测方法 |
Non-Patent Citations (2)
Title |
---|
振浩 等: "基于EMD近似熵的高压断路器故障诊断", 《高压电器》 * |
许凡 等: "基于EEMD的样本熵的滚动轴承AP聚类故障诊断", 《仪表技术与传感器》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112733951B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
CN110398348B (zh) | 存储器、高压断路器机械故障诊断方法和装置 | |
Shi et al. | Power system event identification based on deep neural network with information loading | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN107103332A (zh) | 一种面向大规模数据集的相关向量机分类方法 | |
KR20200014129A (ko) | 딥러닝을 이용한 변압기 진단 방법 | |
CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN113485863A (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
CN116975741A (zh) | 基于物联网的能源设备故障预测方法、装置及电子设备 | |
CN115130578A (zh) | 一种基于增量式粗糙聚类的配电设备状态在线评估方法 | |
Sá et al. | A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators | |
CN115329663A (zh) | 处理电力负荷监测稀疏数据的关键特征选择方法和装置 | |
CN112507605A (zh) | 基于AnoGAN的配电网异常检测方法 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN112541524B (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN112733951B (zh) | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 | |
CN112613494A (zh) | 基于深度对抗网络的电力线路监控异常识别方法及系统 | |
Wang et al. | A novel hybrid meta-learning for few-shot gas-insulated switchgear insulation defect diagnosis | |
CN112132226A (zh) | 一种±1100kV复合绝缘子缺陷诊断方法 | |
CN116952554A (zh) | 基于图卷积网络的多传感器机械设备故障诊断方法及装置 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 |
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 |