CN113283479A - 一种适用于电力变压器故障的特征提取与诊断方法 - Google Patents

一种适用于电力变压器故障的特征提取与诊断方法 Download PDF

Info

Publication number
CN113283479A
CN113283479A CN202110513339.1A CN202110513339A CN113283479A CN 113283479 A CN113283479 A CN 113283479A CN 202110513339 A CN202110513339 A CN 202110513339A CN 113283479 A CN113283479 A CN 113283479A
Authority
CN
China
Prior art keywords
characteristic
fault
power transformer
individual
classifier
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
CN202110513339.1A
Other languages
English (en)
Inventor
汤晓君
王经纬
潘攀
孙业峥
李勇
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.)
Xian Jiaotong University
Original Assignee
Xian 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110513339.1A priority Critical patent/CN113283479A/zh
Publication of CN113283479A publication Critical patent/CN113283479A/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Abstract

本发明公开了一种适用于电力变压器故障的特征提取与诊断方法，该方法通过搜集典型变压器故障样本，分成训练集和测试集；首先采用互信息对变量进行评分排序，保留部分特征参量；使用遗传算法优化分类器进行特征选择，将特征参量和分类器超参数混合编码，最后得到最优特征集合和训练好的故障诊断模型；使用测试集测试故障诊断模型，得到诊断结果。由于本发明提出的适用于变压器故障的特征提取和诊断方法能够可以提取出变压器故障的有效特征参量，移除冗余特征以及无关特征，提高变压器故障诊断方法的准确率，提升整个模型的泛化能力。

Description

一种适用于电力变压器故障的特征提取与诊断方法
技术领域
本发明属于电气工程、高电压技术领域，具体涉及一种适用于电力变压器故障的特征提取与诊断方法。
背景技术
油浸式电力变压器是电网的核心设备之一，肩负着电压等级转换和电功率传输的重任。变压器如果发生故障，不仅可能会导致大规模的电力供应中断，还可能导致巨额的经济损失，危害社会秩序。因此，通过一系列故障诊断手段，监测变压器的运行状态，是十分必要的。目前，变压器油中溶解气体分析也是应用较广，效果较好的变压器故障诊断方法之一。电力变压器工作在持续的高温度高电压的作用下，绝缘材料如绝缘油或绝缘纸发生分解时，会生成相应的混合气体，最终溶解在变压器油中。油中溶解气体的组分和浓度都与变压器的故障类型之前存在较高的相关性，这部分气体也被称为特征气体。因此，通过油中溶解气体分析可以预先确定变压器的早期故障，把握故障演变规律，及时进行制定策略，对故障变压器进行检修处理。
传统的故障诊断方法如国标三比值，大卫三角形等都属于线性分类器，诊断精度较低，而且三比值存在缺码，在某些情况下，不能给出相应的故障诊断结果。随着机器学习及人工智能的发展，目前使用较多的结合机器学习的诊断方法。特征参量是决定故障诊断模型效果的最重要的因素，特征选择是机器学习领域的重点。有效的特征可以帮助模型更好的实现诊断与识别，提升诊断精度；而冗余或无效的特征不仅会浪费诊断模型训练时间，还可能影响诊断效果。目前，国内外研究者采用不同的特征参量作为诊断模型的输入，尚无统一的标准，且诊断效果也相差甚远。
发明内容
针对目前存在的特征参量不一，诊断方法精度低的现状，本发明旨在提供一种适用于电力变压器故障的特征提取与诊断方法。
本发明采用如下技术方案来实现的：
一种适用于电力变压器故障的特征提取与诊断方法，包括步骤：
A)收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据，关联故障类别标签，构建原始数据集M；
B)由原始数据集M衍生出待选择特征参量集F0，将每个样本原始气体数据转化成新的特征参量值，进行数据归一化处理，并关联故障标签，形成新的样本集T；将样本集T划分为训练集T1和测试集T2；
C)对特征参量进行预评估，采用互信息对训练集T1的特征参量进行打分并排序；移除低于分数阈值S的特征集，保留高于分数阈值S的特征，分数阈值S可自行设定；也可以按固定比例K保留得分较高的前N个特征参量，保留比例K可自行设定；设经过预评估后的特征集合为F1；
D)采用遗传算法对于特征参量集合F1进行特征选择，同时优化分类器的超参数，建立变压器故障诊断模型；遗传算法的染色体采用二进制编码，第一段代表特征变量，第二至M段代表M-1个分类器超参数；
E)按照步骤D)的编码方式，随机初始化种群；
F)计算种群中每个个体的适应度；
G)对个体进行选择、交叉、变异操作；
H)对每个个体进行排序，保留适应度最高的前二分之一的个体；
I)判断是否满足终止条件，若不满足终止条件，则返回步骤F)；在满足终止条件后，输出优选的最终特征集合即F2，同时获得最优故障诊断模型；
J)使用测试集T2对故障诊断模型进行预测。
本发明进一步的改进在于，步骤A)中，原始数据包括以下变压器油中溶解气体的含量：H2、CH4、C2H6、C2H4、C2H2、CO和CO2；典型故障及故障标签包括：正常、局部放电、低能放电、高能放电、低温过热、中温过热和高温过热。
本发明进一步的改进在于，步骤D)中，分类器包括K近邻分类器、支持向量机和神经网络。
本发明进一步的改进在于，步骤B)中，待选择特征参量集F0包括H2、CH4、C2H6、C2H4、C2H2、CO、CO2、KA、TH、H2/CH4、H2/C2H6、H2/C2H4、H2/C2H2、H2/CO、H2/CO2、H2/KA、H2/TH、CH4/C2H6、CH4/C2H4、CH4/C2H2、CH4/CO、CH4/CO2、CH4/KA、CH4/TH、C2H6/C2H4、C2H6/C2H2、C2H6/CO、C2H6/CO2、C2H6/KA、C2H6/TH、C2H4/C2H2、C2H4/CO、C2H4/CO2、C2H4/KA、C2H4/TH、C2H2/CO、C2H2/CO2、C2H2/KA、C2H2/TH、CO/CO2、CO/KA、CO/TH、CO2/KA、CO2/TH、KA/TH、CH4/THD、C2H6/THD、C2H2/THD、H2/THH、C2H4/THH、C2H2/THH、TCG，其中KA＝CH4+C2H6，TH＝CH4+C2H6+C2H4+C2H2，THD＝CH4+C2H2+C2H4，THH＝H2+C2H2+C2H4，TCG＝H2+CH4+C2H6+C2H4+C2H2+CO。
本发明进一步的改进在于，步骤B)中，将特征参量值归一化公式：
Figure BDA0003061138950000031
其中，xj表示归一化前的特征变量值，
Figure BDA0003061138950000032
表示归一化后的特征变量值，xmin表示特征变量值中的最小值，xmax表示特征变量值中的最大值。
本发明进一步的改进在于，步骤C)中，对于某个特征参量为X，类别为Y，采用互信息按照下面公式对于特征量评分：
Figure BDA0003061138950000041
其中，p(x,y)当前是X和Y的联合概率密度函数，而p(x)和p(y)分别是X和Y的边缘概率密度函数。
本发明进一步的改进在于，步骤F)中，个体适应度为：
Figure BDA0003061138950000042
其中，fi代表个体适应度，y代表样本集样本个数，yi代表正确分类的样本个数，p代表交叉验证的折数，N代表交叉验证的次数。
本发明进一步的改进在于，步骤G)中，个体采用单点交叉和基本位变异，交叉概率P1，变异概率P2取定值，用户可设；每个个体选择概率Pi与其适应度值大小有关，具体计算公式为：
Figure BDA0003061138950000043
本发明至少具有如下有益的技术效果：
本发明提供的一种适用于电力变压器故障的特征提取与诊断方法，通过搜集电力变压器故障典型案例，在原始数据的基础上衍生出待选择特征集，进而形成训练集和测试集，通过互信息对待选择特征参量进行预评估，保留评分较高的特征；通过遗传算法优化分类器的超参数和进一步特征选择，得到最优特征集合和变压器故障诊断模型，最后使用测试集对变压器故障诊断模型进行测试。本发明通过搜集典型故障案例，可以减少样本偏差引起的诊断效果过拟合，通过互信息对待选择特征量集合进行预评估和遗传算法进行特征选择可以提取出变压器故障的有效特征参量，提高变压器故障诊断方法的准确率，提升整个诊断模型的泛化能力。
进一步，互信息用以计算自变量与因变量之间所共有的信息。由于互信息计算的不是数据序列，而是数据的分布，因此互信息可以用于检测特征间的非线性关系。对于特征选择来说，一个特征与其标签之间的互信息越高，可以认为该特征对于后续预测越有用。
进一步，个体适应度公式可以消除训练集的偶然性，保证特征选择的稳定性以及代表性，消除训练集的偶然性，保证特征选择结果的稳定性以及代表性。
附图说明
图1为本发明一种适用于变压器故障的特征提取和诊断方法的流程图。
具体实施方式
为详细说明本发明的实施方法，本发明以支持向量机分类器为例，结合附图进一步说明和论述本发明的原理与实施方法。
如图1所示，本发明提供的一种适用于电力变压器故障的特征提取与诊断方法，其步骤如下：
A)收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据，关联故障类别标签，构建原始数据集M；
B)由原始数据集M衍生出待选择特征参量集F0，将每个样本原始气体数据转化成新的特征参量值，进行数据归一化处理，并关联故障标签，形成新的样本集T；将样本集T划分为训练集T1和测试集T2；
C)对特征参量进行预评估，采用互信息对样本集T的特征参量进行打分并排序；移除低于分数阈值S的特征集，保留高于分数阈值S的特征，分数阈值S可自行设定；也可以按固定比例K保留得分较高的前N个特征参量，保留比例K可自行设定；设经过预评估后的特征集合为F1；
D)采用遗传算法对于特征参量集合F1进行特征选择，同时优化分类器的超参数，建立变压器故障诊断模型；其中，分类器包括但不局限于KNN分类器、支持向量机、神经网络等；遗传算法的染色体采用二进制编码，第一段代表特征变量，第二至M段代表M-1个分类器超参数。
E)按照步骤D)的编码方式，随机初始化种群；
F)计算种群中每个个体的适应度；
G)对个体进行选择、交叉、变异操作；
H)对每个个体进行排序，保留适应度最高的前二分之一的个体；
I)判断是否满足终止条件，若不满足终止条件，则返回步骤F)；在满足终止条件后，输出优选的最终特征集合即F2，同时获得最优故障诊断模型。
J)使用测试集T2对故障诊断模型进行预测。
步骤A)中原始数据包括以下变压器油中溶解气体的含量：氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳(CO)、二氧化碳(CO2)；典型故障及故障标签包括：正常(无故障)、局部放电、低能放电、高能放电、低温过热、中温过热、高温过热。
待选择特征参量集F0包括H2、CH4、C2H6、C2H4、C2H2、CO、CO2、KA、TH、H2/CH4、H2/C2H6、H2/C2H4、H2/C2H2、H2/CO、H2/CO2、H2/KA、H2/TH、CH4/C2H6、CH4/C2H4、CH4/C2H2、CH4/CO、CH4/CO2、CH4/KA、CH4/TH、C2H6/C2H4、C2H6/C2H2、C2H6/CO、C2H6/CO2、C2H6/KA、C2H6/TH、C2H4/C2H2、C2H4/CO、C2H4/CO2、C2H4/KA、C2H4/TH、C2H2/CO、C2H2/CO2、C2H2/KA、C2H2/TH、CO/CO2、CO/KA、CO/TH、CO2/KA、CO2/TH、KA/TH、CH4/THD、C2H6/THD、C2H2/THD、H2/THH、C2H4/THH、C2H2/THH、TCG，其中KA＝CH4+C2H6，TH＝CH4+C2H6+C2H4+C2H2，THD＝CH4+C2H2+C2H4，THH＝H2+C2H2+C2H4，TCG＝H2+CH4+C2H6+C2H4+C2H2+CO。
将特征参量值归一化公式：
Figure BDA0003061138950000071
其中，xj表示归一化前的特征变量值，
Figure BDA0003061138950000072
表示归一化后的特征变量值，xmin表示特征变量值中的最小值，xmax表示特征变量值中的最大值。
对于某个特征参量为X，类别为Y。采用互信息按照下面公式对于特征量评分：
Figure BDA0003061138950000073
其中，p(x,y)当前是X和Y的联合概率密度函数，而p(x)和p(y)分别是X和Y的边缘概率密度函数。
个体适应度为：
Figure BDA0003061138950000074
其中，fi代表个体适应度，y代表样本集样本个数，yi代表正确分类的样本个数，p代表交叉验证的折数，N代表交叉验证的次数。
个体采用单点交叉和基本位变异，交叉概率P1，变异概率P2取定值，用户可设；每个个体选择概率Pi与其适应度值大小有关，具体计算公式为：
Figure BDA0003061138950000075
实施例：
本实施例结合图1的一种适用于变压器故障的特征提取和诊断方法流程图，简要说明实施过程。
本发明提供的低压用户端防触电监测与保护方法，搜集典型变压器典型故障样本，其具体分布及故障类型编码如下表1所示。使用互信息对特征参量进行评分排序，选择前40个特征参量进行下一步的特征选择选择。支持向量机作为分类器，核函数选择径向基核函数。遗传算法种群数设为50，迭代代数为100，变异概率0.01，交叉概率0.9。迭代结束后，训练集准确率为91％，最终优选特征集合为H2/CH4、H2/C2H2、H2/TH、C2H4/C2H2、C2H4/TH、CO/CO2、CH4/THD、C2H4/THD、C2H2/THD。采用测试集对训练好的模型、三比值法以及大卫三角形法分别进行测试。结果表明，本方法准确率最高达87％，优于三比值法的81.3％和大卫三角形法的83.7％。
表1典型故障样本状态类型编码及样本分布表
Figure BDA0003061138950000081
显然，通过上述实施例说明本发明提出的适用于变压器故障的特征提取和诊断方法能够可以提取出变压器故障的有效特征参量，提高变压器故障诊断方法的准确率，提升整个模型的泛化能力。
以上内容是结合具体实施方案对本发明的进一步详细说明。需要特别说明的是，本发明的具体实施方案不仅仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干的推演和扩展，但都应当视为本发明所提交的权利要求书所确定的专利保护范围。

Claims (8)

1.一种适用于电力变压器故障的特征提取与诊断方法，其特征在于，包括步骤：
A)收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据，关联故障类别标签，构建原始数据集M；
B)由原始数据集M衍生出待选择特征参量集F0，将每个样本原始气体数据转化成新的特征参量值，进行数据归一化处理，并关联故障标签，形成新的样本集T；将样本集T划分为训练集T1和测试集T2；
C)对特征参量进行预评估，采用互信息对训练集T1的特征参量进行打分并排序；移除低于分数阈值S的特征集，保留高于分数阈值S的特征，分数阈值S可自行设定；也可以按固定比例K保留得分较高的前N个特征参量，保留比例K可自行设定；设经过预评估后的特征集合为F1；
D)采用遗传算法对于特征参量集合F1进行特征选择，同时优化分类器的超参数，建立变压器故障诊断模型；遗传算法的染色体采用二进制编码，第一段代表特征变量，第二至M段代表M-1个分类器超参数；
E)按照步骤D)的编码方式，随机初始化种群；
F)计算种群中每个个体的适应度；
G)对个体进行选择、交叉、变异操作；
H)对每个个体进行排序，保留适应度最高的前二分之一的个体；
I)判断是否满足终止条件，若不满足终止条件，则返回步骤F)；在满足终止条件后，输出优选的最终特征集合即F2，同时获得最优故障诊断模型；
J)使用测试集T2对故障诊断模型进行预测。
2.根据权利要求1所述的一种适用于电力变压器故障的特征提取与诊断方法，其特征在于，步骤A)中，原始数据包括以下变压器油中溶解气体的含量：H2、CH4、C2H6、C2H4、C2H2、CO和CO2；典型故障及故障标签包括：正常、局部放电、低能放电、高能放电、低温过热、中温过热和高温过热。
3.根据权利要求1所述的一种适用于电力变压器故障的特征提取与诊断方法，其特征在于，步骤D)中，分类器包括K近邻分类器、支持向量机和神经网络。
4.根据权利要求1所述的一种适用于电力变压器故障的特征提取与诊断方法，其特征在于，步骤B)中，待选择特征参量集F0包括H2、CH4、C2H6、C2H4、C2H2、CO、CO2、KA、TH、H2/CH4、H2/C2H6、H2/C2H4、H2/C2H2、H2/CO、H2/CO2、H2/KA、H2/TH、CH4/C2H6、CH4/C2H4、CH4/C2H2、CH4/CO、CH4/CO2、CH4/KA、CH4/TH、C2H6/C2H4、C2H6/C2H2、C2H6/CO、C2H6/CO2、C2H6/KA、C2H6/TH、C2H4/C2H2、C2H4/CO、C2H4/CO2、C2H4/KA、C2H4/TH、C2H2/CO、C2H2/CO2、C2H2/KA、C2H2/TH、CO/CO2、CO/KA、CO/TH、CO2/KA、CO2/TH、KA/TH、CH4/THD、C2H6/THD、C2H2/THD、H2/THH、C2H4/THH、C2H2/THH、TCG，其中KA＝CH4+C2H6，TH＝CH4+C2H6+C2H4+C2H2，THD＝CH4+C2H2+C2H4，THH＝H2+C2H2+C2H4，TCG＝H2+CH4+C2H6+C2H4+C2H2+CO。
5.根据权利要求1所述的一种适用于电力变压器故障的特征提取与诊断方法，其特征在于，步骤B)中，将特征参量值归一化公式：
Figure FDA0003061138940000021
其中，xj表示归一化前的特征变量值，
Figure FDA0003061138940000022
表示归一化后的特征变量值，xmin表示特征变量值中的最小值，xmax表示特征变量值中的最大值。
6.根据权利要求1所述的一种适用于电力变压器故障的特征提取与诊断方法，其特征在于，步骤C)中，对于某个特征参量为X，类别为Y，采用互信息按照下面公式对于特征量评分：
Figure FDA0003061138940000031
其中，p(x,y)当前是X和Y的联合概率密度函数，而p(x)和p(y)分别是X和Y的边缘概率密度函数。
7.根据权利要求1所述的一种适用于电力变压器故障的特征提取与诊断方法，其特征在于，步骤F)中，个体适应度为：
Figure FDA0003061138940000032
其中，fi代表个体适应度，y代表样本集样本个数，yi代表正确分类的样本个数，p代表交叉验证的折数，N代表交叉验证的次数。
8.根据权利要求7所述的一种适用于电力变压器故障的特征提取与诊断方法，其特征在于，步骤G)中，个体采用单点交叉和基本位变异，交叉概率P1，变异概率P2取定值，用户可设；每个个体选择概率Pi与其适应度值大小有关，具体计算公式为：
Figure FDA0003061138940000033
CN202110513339.1A 2021-05-11 2021-05-11 一种适用于电力变压器故障的特征提取与诊断方法 Pending CN113283479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110513339.1A CN113283479A (zh) 2021-05-11 2021-05-11 一种适用于电力变压器故障的特征提取与诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110513339.1A CN113283479A (zh) 2021-05-11 2021-05-11 一种适用于电力变压器故障的特征提取与诊断方法

Publications (1)

Publication Number Publication Date
CN113283479A true CN113283479A (zh) 2021-08-20

Family

ID=77278608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110513339.1A Pending CN113283479A (zh) 2021-05-11 2021-05-11 一种适用于电力变压器故障的特征提取与诊断方法

Country Status (1)

Country Link
CN (1) CN113283479A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115407053A (zh) * 2022-08-19 2022-11-29 山东科技大学 征兆优选方法、计算机设备以及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104869126A (zh) * 2015-06-19 2015-08-26 中国人民解放军61599部队计算所 一种网络入侵异常检测方法
CN105574589A (zh) * 2016-01-07 2016-05-11 西安工程大学 基于小生境遗传算法的变压器油色谱故障诊断方法
CN106067066A (zh) * 2016-05-31 2016-11-02 西安工程大学 基于遗传算法优化装袋算法的电力变压器故障诊断方法
CN107679615A (zh) * 2017-09-05 2018-02-09 西安工程大学 基于改进遗传算法的变压器样本选择方法
CN111598150A (zh) * 2020-05-12 2020-08-28 国网四川省电力公司电力科学研究院 一种计及运行状态等级的变压器故障诊断方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104869126A (zh) * 2015-06-19 2015-08-26 中国人民解放军61599部队计算所 一种网络入侵异常检测方法
CN105574589A (zh) * 2016-01-07 2016-05-11 西安工程大学 基于小生境遗传算法的变压器油色谱故障诊断方法
CN106067066A (zh) * 2016-05-31 2016-11-02 西安工程大学 基于遗传算法优化装袋算法的电力变压器故障诊断方法
CN107679615A (zh) * 2017-09-05 2018-02-09 西安工程大学 基于改进遗传算法的变压器样本选择方法
CN111598150A (zh) * 2020-05-12 2020-08-28 国网四川省电力公司电力科学研究院 一种计及运行状态等级的变压器故障诊断方法
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 (1)

* Cited by examiner, † Cited by third party
Title
何敏等: "遗传优化核极限学习机的数据分类算法", 《传感器与微系统》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115407053A (zh) * 2022-08-19 2022-11-29 山东科技大学 征兆优选方法、计算机设备以及可读存储介质
CN115407053B (zh) * 2022-08-19 2024-03-15 山东科技大学 征兆优选方法、计算机设备以及可读存储介质

Similar Documents

Publication Publication Date Title
CN104535865A (zh) 基于多参数的电力变压器运行故障综合诊断方法
CN110428005B (zh) 一种基于伞式算法的电力系统动态安全误分类约束方法
US9135557B2 (en) Internal abnormality diagnosis method, internal abnormality diagnosis system, and decision tree generation method for internal abnormality diagnosis of oil-filled electric apparatus utilizing gas concentration in oil
CN102930299B (zh) 基于优化方法的多特征选择多层次变压器故障诊断方法
CN110689068B (zh) 一种基于半监督svm的变压器故障类型诊断方法
CN115563563A (zh) 基于变压器油色谱分析的故障诊断方法及装置
CN110879373A (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
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
CN102435893A (zh) 一种基于自适应遗传算法的油浸式变压器故障诊断方法
CN113468461A (zh) 基于支持向量机和遗传算法的油浸式变压器故障诊断方法
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
CN112861417A (zh) 一种基于加权和选择性朴素贝叶斯的变压器故障诊断方法
CN110059773B (zh) 一种变压器故障复合诊断方法
CN113283479A (zh) 一种适用于电力变压器故障的特征提取与诊断方法
CN117113166A (zh) 一种基于改进的集成学习的工业锅炉故障检测方法
CN111275204A (zh) 一种基于混合采样和集成学习的变压器状态识别方法
de Aquino et al. A fuzzy system for detection of incipient fault in power transformers based on gas-in-oil analysis
Nanfak et al. Hybrid DGA method for power transformer faults diagnosis based on evolutionary k-means clustering and dissolved gas subsets analysis
CN114660375A (zh) 一种电力设备故障的辨识方法
Zhou et al. A novel method of transformer fault diagnosis based on k-mediods and decision tree algorithm
CN111709495A (zh) 一种基于nbc模型的变压器故障诊断方法
CN111175458A (zh) 一种基于XGBoost算法的变压器油中溶解气体分析方法
CN116522138A (zh) 一种基于弱监督集成的多元时间序列异常检测方法及系统
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
Nanfak et al. Hybrid Method for Power Transformers Faults Diagnosis Based on Ensemble Bagged Tree Classification and Training Subsets Using Rogers and Gouda Ratios.

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