CN113111574A - 一种基于b-cmopso算法优化的电力变压器故障特征选择方法 - Google Patents
一种基于b-cmopso算法优化的电力变压器故障特征选择方法 Download PDFInfo
- Publication number
- CN113111574A CN113111574A CN202110329532.XA CN202110329532A CN113111574A CN 113111574 A CN113111574 A CN 113111574A CN 202110329532 A CN202110329532 A CN 202110329532A CN 113111574 A CN113111574 A CN 113111574A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- feature
- algorithm
- cmopso
- subset
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 24
- 239000002245 particle Substances 0.000 claims description 17
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 3
- 238000012549 training Methods 0.000 claims 2
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 238000000691 measurement method Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241001611138 Isma Species 0.000 description 1
- 101100522751 Xenorhabdus nematophila (strain ATCC 19061 / DSM 3370 / CCUG 14189 / LMG 1036 / NCIMB 9965 / AN6) pvcA gene Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于B‑CMOPSO算法优化的电力变压器故障特征选择方法。首先,基于模糊信息熵理论构建了特征关联度目标函数和冗余度函数;然后利用B‑CMOPSO算法对45类常见的特征参量进行优化,得到多种优化后的特征子集组合;最后基于这些特征子集在BPNN、SVM、ELM、Adaboost.M1上的算例仿真效果,选取最优特征子集。该电力变压器特征选择方法所输出的最优特征子集,有助于提高变压器故障诊断模型的准确率,为变压器在线监测算法模型提供统一的特征输入方式。
Description
技术领域
本发明涉及油浸式电力变压器在线监测领域,是一种基于B-CMOPSO算法优化的电力变压器故障特征选择方法,通过合理化电力变压器故障诊断模型的特征输入,以实现提高模型故障诊断准确率的目的。
背景技术
电力变压器是电力系统中的核心设备之一,在电力系统中发挥着至关重要的作用。若在线服役的变压器发生故障,将对电力系统产生严重影响,甚至会引起大范围的供电事故,这会对社会的安定和经济的发展带来一定的冲击;所以准确识别变压器运行状态,及时发现异常运行的变压器是一项具有重要意义的工作。
目前,电力变压器故障诊断大多是基于油中溶解气体数据进行展开的。传统的变压器故障诊断方法主要是一种基于经验式的图表查询方法,主要包括Doernerburg比值、IEC三比值法、Rogers比值法、Duval三角形法等。这些方法虽然具有较强的可实施性,但在实际应用中存在着故障类型漏缺和诊断准确率低的问题;近年来,随着计算机技术和智能算法的飞速发展,人工智能在变压器故障诊断中得到了很好的应用;利用各类优化算法不断提升人工神经网络(ANN)、支持向量机(SVM)以及极限学习机(ELM)等各类分类器在变压器故障诊断中的性能成为了当前变压器故障诊断方法的研究热点之一;考虑到实际中所获取的DGA数据存在着类别不平衡问题,集成学习模型以及其他各种数据样本不平衡化处理方法在变压器故障诊断中也得到了充分应用。
但是基于智能算法的变压器故障诊断模型并没有一个标准的特征输入,不同模型中采用的特征输入方式也存在着差异;由于不同特征气体浓度之间相差较大,所以模型的输入多是采用气体浓度的比值,而部分DGA气体比值不存在变压器故障诊断的特征信息,这些比值不仅不会提升模型的准确率,还会影响模型的正确分类;为分类模型选取合适的特征输入是提升变压器故障诊断准确率的关键一步。
发明内容
本发明解决的问题是基于人工智能算法的电力变压器故障诊断模型特征输入不规范,拟通过优化特征输入方式,来实现提高变压器故障诊断准确率的目的。
为了解决上述问题,提出了一种基于B-CMOPSO算法优化的电力变压器故障特征选择方法。首先基于模糊信息熵理论,构建了特征参量与故障类型之间的关联度函数以及不同特征参量之间的冗余度函数;然后在MOPSO中引入了混沌映射因子和二值化转换方法,进而提出了B-CMOPSO算法,并利用B-CMOPSO算法在45种不同的特征参量中选取一些较优的特征子集;最后基于4类常见的变压器故障诊断模型在特征子集上的准确率,综合选取最优的特征子集。所选取的最优特征子集相比于其他特征子集,在特征参量与状态目标之间具有更多的关联度,在特征子集内的冗余信息也是最小的,这有助于提高变压器故障诊断准确率,对电力变压器状态在线监测工作具有十分重要的意义。
对于一个数据集D = (E, F∪T),其中E = {x 1, x 2,…, x m }表示有m个数据的有限
集合,F = {f 1, f 2,…, f n }表示有n个特征的有限集合,T = {t 1, t 2,…, t k }表示k个类别
的有限集合。每一类特征f ϵ F在E上的特征信息可以用模糊关联矩阵表示。
为保证所优选的特征子集具有更多特征信息的同时,减少子集内各个特征之间的冗余信息,所以构造了基于模糊互信息的关联度函数和冗余度函数,如公式(3)、(4)所示:
公式(4)中f i ∈ S = {f 1, f 2,…, f s },S ∈ F表示含有s个特征的特征子集;t j
∈ T表示数据标签类别;R是对特征子集S中所有特征参量同各类标签类别之间信息量的度
量,值越大表示特征子集S与标签类别的信息量越大。公式(6)中表
示特征集合F中所有特征的冗余信息量,表示特征子集S内的冗
余信息;N越大,表示特征子集S中的冗余信息越少。
基于Pareto非劣解下的多目标规划结果相对客观、可供方案选择性强的特点,使其成为特征选择方法研究的热点。多标签特征选择是通过去除无关特征和冗余特征,从原始特征空间中选择一组与标签具有最大信息量的特征集合作为备选特征子集。
Pareto最优解是在整个可行解空间中,不存在其他可行解使得减少某些函数大小的同时保证其他函数值不变。Pareto最优解,是一种资源分配的理想状态,是基于没有使得其他函数指标变差的前提下,使得某些函数指标变得更优的结果。
Pareto前沿是是Pareto解的集合,其所有元素均不存在Pareto支配解,换句话说,Pareto前沿的每个元素是没有更多的Pareto改进余地。所以基于Pareto理论的多目标优化算法,可以产生丰富的预选方案,便于结合实际工程背景下,选择最优方案。
多目标粒子群算法(MOPSO)是Coello等人在2004年提出的一种多目标优化算法,他将Pareto非劣解的概念引入到了粒子群算法中,以使其具备多目标优化的能力。该算法在特征选择和其他多目标规划的工程应用中取得了良好效果。本文为增加种群初始化的多样性,在算法初始化中引入了混沌映射因子,如公式(5)所示:
为便于MOPSO算法在特征空间进行搜索,本文将粒子位置进行了二值化处理,如公式(6)所示,其中x[i, j]表示第i个个体在第j维上的数值,rand∈[0,1]表示随机数,T表示二值化后的粒子群。如图1所示,为粒子二进制编码方式,图中“1”表示其所在列的特征被选中,反之表示未选中。
图2为B-CMOPSO的算法流程图,具体实现可做出如下描述:
1)算法初始化;
初始化种群规模S及维度dim、最大迭代次数iter和搜索空间Ω;
根据公式(5)初始化种群个体位置P;
2)二值化转换
根据公式(6),将个体位置转换成二进制编码;
计算多目标适应度值;
3.1)基于二进制编码,按照公式(3)、(4)计算各粒子对应的关联度值和冗余值;
3.2)把P中非劣解存储到Archive集中;
4)确定局部最优pbest和全局最优gbest;
根据Archieve集中粒子的密度信息,确定pbest和gbest;
5)位置更新
6)更新Archive集
判断更新后的粒子同原来的Archive是否存在Pareto主导关系,并同步更新Archive集;
7)判断粒子是否在搜索空间Ω内,若超出搜索空间,则进行初始化;
8)判断是否完成迭代循环,若未完成继续执行步骤2-7,否则输出Archive集。
附图说明
图1:基于B-CMOPSO和多种分类模型联合选取的电力变压器故障特征选择方法流程图;
图2:粒子二进制编码方式;
图3:B-CMOPSO算法流程图;
图4:基于不同特征子集的准确率箱线图;
图5:油中溶解气体比值特征参量表;
图6:故障类型编码表;
图7:Archive集输出表;
图8:基于不同特征子集的四种故障诊断方法准确率表。
具体实施方式
油浸式电力变压器发生电、热故障而建立绝缘油的热解反应与化学平衡反应,可根据反应的产物对系统状态进行判定。由于不同气体浓度相差较大,气体的相对浓度比例和基于能量权重系数的气体浓度具有更好的特征信息。本文将油中溶解的H2、CH4、C2H6、C2H4、C2H2浓度相关比值及其基于能量系数的气体浓度作为模型的特征参量,如图5所示,共有45种特征类别,其中1-5号的特征为各类气体基于能量系数的气体浓度,H表示氢烃总量,C表示总烃量,C1、C26、C24和C22分别表示CH4、C2H6、C2H4和C2H2的气体浓度。
根据变压器故障在温度和能量上不同的表现,将其分为:正常(N)、低能放电(D1)、高能放电(D2)、中低温过热(T12)、高温过热(T3)和局部放电(PD),其对应的故障编码如图6所示。在图5中存在着多种不同的特征表示,而每种特征参量具有不同的输出范围,所以按如下方式对数据进行预处理:
1) 将缺失的气体浓度置为0;
2) 对于图5中1-5号特征参量根据公式(9)单独进行归一化处理;
3) 对于图5中6-40号特征参量中,若分母出现0,则该比值置为0,表示该特征对分类模型不产生任何影响;
4) 对于图5中41-45号特征参量中,若分母出现0,则先把该比值置为0,在这5个特征参量之间按照公式(9)做完归一化后,将其置为1。
特征选择算法中,不同的特征选择方式及特征搜索策略具有各自的优势。相比于Wrapper式算法,Filter式算法具有更少的计算量,能够高效的选择多种特征输出结果,但是,其所输出的特征集由于不是针对特定分类器进行优化的,所以最终的分类效果不及Wrapper式特征选择方法。同样,由于Wrapper式特征选择方法是基于某个分类器的分类效果,评估特征集合的优劣,所以其对分类器的学习能力十分敏感,输出的特征子集普适性较差。本专利将处理好的DGA数据集输入到B-CMOPSO算法中进行特征搜索,最终输出如图7所示的7种特征子集。
DGA数据预处理为45种特征数据后,将其输入到本文的特征选择模型中,通过B-CMOPSO算法产生了7个较优的特征子集,如图7所示;然后,选用5折交叉验证,生成7类特征子集下的数据集,并将其分别输入到BPNN、PSO-SVM、PSO-ELM、AdaBoost.M1进行故障诊断。如图7所示,为4种常用的变压器故障诊断方法在7种特征子集下的诊断结果。图7中,特征子集0和特征子集3的4类故障诊断方法的平均准确率较优,分别为0.832和0.837,明显高于其他特征子集下的平均准确率。另外,如图3所示,其为7种不同特征子集下的变压器故障诊断准确率的箱线图,其中特征子集0和特征子集3准确率较高,且基于特征子集0的不同变压器诊断方法的故障准确率更加稳定。因此,本文选用特征子集0作为后续故障诊断的数据输入。
Claims (5)
1.一种基于B-CMOPSO算法优化的电力变压器故障特征选择方法,其特征在于包括多目标优化算法在45种特征参量中的全局搜索、特征子集的综合评估以及最优特征子集的验证,具体步骤如下:
S01、将DGA数据按照45种特征参量的比值方法,将其转换为特征维度为45的数据集;
S02、根据不同的特征属性,对每类特征参量进行归一化处理;
S03、将预处理的DGA数据输入到B-CMOPSO算法中,对特征空间进行全局搜索,产生较优的多个特征子集;
S04、将多个特征子集输入到BPNN、AdaBoost.M1、PSO-SVM、PSO-ELM算法模型中,综合评估各个特征子集并选出最优的特征子集作为后续故障诊断模型的特征输入;
S05、根据最优特征子集的特征属性,基于原始数据集生成在最优特征子集属性下的新的数据集,用于训练和验证变压器故障诊断模型。
2.根据权利要求1所述的一种基于B-CMOPSO算法优化的电力变压器故障特征选择方法,其特征在于,在步骤S01中按照常用45种特征参量比值方式处理DGA数据集;
搜集当前常用的DGA特征参量形式,并根据相应的特征属性,对数据进行归一化处理,以便于变压器故障诊断模型更加迅速、准确地进行故障诊断。
3.根据权利要求1所述的一种基于B-CMOPSO算法优化的电力变压器故障特征选择方法,其特征在于,在步骤S03中将预处理的DGA数据输入到B-CMOPSO算法中,对特征空间进行全局搜索,产生较优的多个特征子集;
基于启发式算法在特征空间搜索获取最优特征子集的特征选择方法,首先需要选择合适的目标函数,然后合理化搜索策略及粒子位置与特征表达的关系,最后将维度为45的DGA数据集输入到B-CMOPSO算法模型中;
变压器特征参量均是连续型特征变量,为更好地衡量多个特征参量与多个故障类型间的信息量以及各特征参量之间的信息冗余大小,提出了一种基于模糊信息熵的变压器特征信息衡量方法,包括特征参量与目标以及特征参量之间的信息衡量;另外,在MOPSO的基础上,为提高多目标搜索策略在特征空间的种群多样性,所以将混沌因子引入到算法初始化中,同时为使得粒子位置信息和特征参量之间建立对应关系,所以将粒子位置进行二值化处理,形成二进制编码,用来表示对特征参量的选择情况。
4.根据权利要求1所述的一种基于B-CMOPSO算法优化的电力变压器故障特征选择方法,其特征在于,在步骤S04中将多个特征子集输入到BPNN、AdaBoost.M1、PSO-SVM、PSO-ELM算法模型中,综合评估各个特征子集并选出最优的特征子集作为后续故障诊断模型的特征输入;
对于BPNN、AdaBoost.M1、PSO-SVM和PSO-ELM这4种常用的电力变压器故障诊断模型,预先根据数据维度大小对各类模型进行初始化处理,根据B-CMOPSO输出的Archive集在原始数据集中生成对应的数据集,并基于该数据集对各类模型进行训练和测试;然后,基于各类诊断模型在每类特征子集下的故障诊断准确率,评判出最优特征子集,并将其作为后续变压器故障诊断模型的特征输入。
5.根据权利要求1所述的一种基于B-CMOPSO算法优化的电力变压器故障特征选择方法,其特征在于,在步骤S05中根据最优特征子集的特征属性,基于原始数据集生成在最优特征子集属性下的新的数据集,用于训练和验证变压器故障诊断模型;
依据B-CMOPSO算法在特征空间中所输出的最优特征子集,产生对应的数据集,该数据集由于通过优化算法的处理,所以相比于原始数据集该数据集包含了少量冗余信息的同时含有较优的特征参量与目标之间的信息,这有助于提高变压器故障诊断模型的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329532.XA CN113111574A (zh) | 2021-03-28 | 2021-03-28 | 一种基于b-cmopso算法优化的电力变压器故障特征选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329532.XA CN113111574A (zh) | 2021-03-28 | 2021-03-28 | 一种基于b-cmopso算法优化的电力变压器故障特征选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111574A true CN113111574A (zh) | 2021-07-13 |
Family
ID=76712507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110329532.XA Pending CN113111574A (zh) | 2021-03-28 | 2021-03-28 | 一种基于b-cmopso算法优化的电力变压器故障特征选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111574A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006209331A (ja) * | 2005-01-26 | 2006-08-10 | Fuji Electric Holdings Co Ltd | ネットワーク上の機器診断装置及び計測器診断装置 |
CN103675518A (zh) * | 2013-09-29 | 2014-03-26 | 广州供电局有限公司 | 油浸式高压设备检修方法及装置 |
CN107992880A (zh) * | 2017-11-13 | 2018-05-04 | 山东斯博科特电气技术有限公司 | 一种电力变压器最优集总分类故障诊断方法 |
CN111313957A (zh) * | 2020-02-12 | 2020-06-19 | 军事科学院系统工程研究院网络信息研究所 | 基于分类多目标优化的混合卫星通信系统资源分配方法 |
CN112116058A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
-
2021
- 2021-03-28 CN CN202110329532.XA patent/CN113111574A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006209331A (ja) * | 2005-01-26 | 2006-08-10 | Fuji Electric Holdings Co Ltd | ネットワーク上の機器診断装置及び計測器診断装置 |
CN103675518A (zh) * | 2013-09-29 | 2014-03-26 | 广州供电局有限公司 | 油浸式高压设备检修方法及装置 |
CN107992880A (zh) * | 2017-11-13 | 2018-05-04 | 山东斯博科特电气技术有限公司 | 一种电力变压器最优集总分类故障诊断方法 |
CN111313957A (zh) * | 2020-02-12 | 2020-06-19 | 军事科学院系统工程研究院网络信息研究所 | 基于分类多目标优化的混合卫星通信系统资源分配方法 |
CN112116058A (zh) * | 2020-09-16 | 2020-12-22 | 昆明理工大学 | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
吐松江・卡日;高文胜;张紫薇;莫文雄;王红斌;崔屹平;: "基于支持向量机和遗传算法的变压器故障诊断", 清华大学学报(自然科学版), no. 07, 27 April 2018 (2018-04-27), pages 623 - 629 * |
辜超;杨;张晓星;金淼;周思远;: "基于最大相关最小冗余准则的变压器故障诊断特征选择", 电工电能新技术, no. 07, 5 December 2017 (2017-12-05), pages 85 - 89 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177132B (zh) | 基于联合语义矩阵的深度跨模态哈希的图像检索方法 | |
CN113095439A (zh) | 基于注意力机制的异构图嵌入学习方法 | |
CN109298330B (zh) | 基于ghpso-bp的高压断路器故障诊断方法 | |
CN117034179B (zh) | 基于图神经网络的异常电量识别及溯源方法及系统 | |
CN112132188B (zh) | 一种基于网络属性的电商用户分类方法 | |
CN113468291B (zh) | 基于专利网络表示学习的专利自动分类方法 | |
CN111797146A (zh) | 一种基于大数据的设备缺陷关联分析方法 | |
CN111737907A (zh) | 一种基于深度学习和dga的变压器故障诊断方法及装置 | |
CN113139570A (zh) | 一种基于最优混合估值的大坝安全监测数据补全方法 | |
Yu et al. | Product portfolio identification with data mining based on multi-objective GA | |
CN112364889A (zh) | 一种基于云平台的制造资源智能匹配系统 | |
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 | |
Waqas et al. | Robust bag classification approach for multi-instance learning via subspace fuzzy clustering | |
CN117076871B (zh) | 一种基于不平衡半监督对抗训练框架的电池故障分类方法 | |
CN110852344A (zh) | 一种基于智能变电站网络故障分类的方法 | |
CN112948581B (zh) | 专利自动分类方法、装置、电子设备及存储介质 | |
CN105868422A (zh) | 一种基于弹性维特征向量优化抽取的协同过滤推荐方法 | |
CN113111574A (zh) | 一种基于b-cmopso算法优化的电力变压器故障特征选择方法 | |
CN114595788B (zh) | 一种变压器故障诊断方法、装置及设备 | |
CN117171393A (zh) | 一种面向多模态检索的自适应半配对询问哈希方法 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN114418111A (zh) | 标签预测模型训练及样本筛选方法、装置、存储介质 | |
Su et al. | A power transformer fault diagnosis method based on hierarchical classification and ensemble learning | |
Ba-Alwi | Knowledge acquisition tool for classification rules using genetic algorithm approach | |
CN116737671B (zh) | 用于电力工程项目全过程管理的数据文件分析处理方法 |
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 |