CN113723476A - 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法 - Google Patents

一种基于融合不定核特征提取的LightGBM变压器故障诊断方法 Download PDF

Info

Publication number
CN113723476A
CN113723476A CN202110928798.6A CN202110928798A CN113723476A CN 113723476 A CN113723476 A CN 113723476A CN 202110928798 A CN202110928798 A CN 202110928798A CN 113723476 A CN113723476 A CN 113723476A
Authority
CN
China
Prior art keywords
lightgbm
transformer
adventitious
fusion
fault diagnosis
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
Application number
CN202110928798.6A
Other languages
English (en)
Other versions
CN113723476B (zh
Inventor
马洪斌
史娜
杨飞
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.)
State Grid Corp of China SGCC
Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd
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 State Grid Corp of China SGCC, Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110928798.6A priority Critical patent/CN113723476B/zh
Publication of CN113723476A publication Critical patent/CN113723476A/zh
Application granted granted Critical
Publication of CN113723476B publication Critical patent/CN113723476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，包括以下的步骤：步骤1、基于气体组分的不定核相似性度量特征提取及特征融合；步骤2、融合不定核特征提取的LightGBM变压器故障诊断；步骤3、未知变压器状态的识别，将采集的变压器油中气体组分输入值故障诊断器，得到变压器的故障类型。本发明实现了对变压器运行状态进行实时监测，及时发现并消除潜伏安全隐患，保障了电力系统的安全经济运行。有效利用有限的历史数据信息充分地挖掘变压器故障与油中溶解气体的潜在规律，有效的提高故障诊断的正确率。

Description

一种基于融合不定核特征提取的LightGBM变压器故障诊断 方法
技术领域
本发明涉及变压器故障诊断技术领域，尤其涉及一种基于融合不定核特征提取的LightGBM变压器故障诊断方法。
背景技术
变压器作为电力系统的重要组成部分，其性能的好坏直接影响整个电力系统的运行情况。因此需要对变压器运行状态进行实时监测，及时发现并消除潜伏安全隐患，以保障电力系统的安全经济运行。目前油中溶解气体分析法是诊断变压器故障的主要方法。将中溶解气体分析法与人工神经网络、贝叶斯分类器、支持向量机、极限学习机等学习算法相结合，可以有效的提高故障诊断的正确率。但是，如果现实场景中变压器故障经验数据量较少且有效特征维度较低，会导致模型分类性能大打折扣。如何有效利用有限的历史数据信息充分地挖掘变压器故障与油中溶解气体的潜在规律至关重要。
发明内容
本发明的目的在于提供一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，以解决上述技术问题。
为实现上述目的本发明采用以下技术方案：
一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，包括以下的步骤：
步骤1、基于气体组分的不定核相似性度量特征提取及特征融合；
步骤2、融合不定核特征提取的LightGBM变压器故障诊断；
步骤3、未知变压器状态的识别，将采集的变压器油中气体组分输入值故障诊断器，得到变压器的故障类型。
作为本发明进一步的方案，所述步骤1具体内容如下：
（1）获得初始的变压器油中气体组分作为原始训练样本集；
（2）选择合适的相似度量函数，将原始训练样本数据带入函数，得到函数的输出值作为相似度的衡量；
（3）将提取的相似度衡量与原始的样本集进行特征组合，形成新的用于训练模型的特征向量。
作为本发明进一步的方案，所述步骤2具体内容如下：
（1）特征向量初始化LightGBM分类器；
（2）LightGBM模型迭代，计算一阶导数和二阶导数；
（3）基于当前的节点尝试分类决策树，计算score；
（4）对样本按照特征排序，继续求一阶导数和二阶导数；
（5）计算当前的score；
（6）若最大的score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕；
（10）得到基于融合不定核特征提取的LightGBM变压器故障诊断器。
作为本发明进一步的方案，所述步骤1的步骤（2）中，相似度量函数选择的是Sigmoid核。
作为本发明进一步的方案，所述步骤1的步骤（2）中，相似度量函数的输出作为相似度的衡量。
作为本发明进一步的方案，所述步骤1的步骤（3）中，相似度衡量与原始的样本集进行特征组合，作为新的特征向量。
作为本发明进一步的方案，（1）设给定原始训练样本数据集；
Figure DEST_PATH_IMAGE002
；
式中：
Figure DEST_PATH_IMAGE004
为给定的
Figure DEST_PATH_IMAGE006
维数据样本特征表示，在本文中表示
Figure 332073DEST_PATH_IMAGE006
种气体成分的浓度情况；
Figure DEST_PATH_IMAGE008
表示变压器故障类型标签；
（2）选用Sigmoid核
Figure DEST_PATH_IMAGE010
，作为不定核函数用来度量不同样本之间的相似性，其中，核参数
Figure DEST_PATH_IMAGE012
，核参数
Figure DEST_PATH_IMAGE014
；
（3）原始训练数据集经过Sigmoid不定核特征提取后，得到：
Figure DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE018
为训练集提取的不定核特征矩阵；
Figure DEST_PATH_IMAGE020
为所有训练样本特征向量组成的特征矩阵；
（4）将提取的辅助特征矩阵
Figure 655738DEST_PATH_IMAGE018
对原始样本集
Figure 842000DEST_PATH_IMAGE020
进行横向特征扩充，得到最终用于训练算法模型的扩充特征向量矩阵：
Figure DEST_PATH_IMAGE022
；
（5）LightGBM的损失函数可以表示为：
Figure DEST_PATH_IMAGE024
；
式中：
Figure DEST_PATH_IMAGE026
为第
Figure DEST_PATH_IMAGE028
轮迭代后损失函数的值；
Figure DEST_PATH_IMAGE030
表示第
Figure DEST_PATH_IMAGE032
轮的预测函数 ；
Figure DEST_PATH_IMAGE034
表示第
Figure 307049DEST_PATH_IMAGE028
轮迭代的拟合函数；
Figure DEST_PATH_IMAGE036
表示叶子节点的个数；
Figure DEST_PATH_IMAGE038
表示第
Figure 59104DEST_PATH_IMAGE028
轮迭代第
Figure DEST_PATH_IMAGE040
个叶子区域的值；
（6）计算一阶导数和二阶导数，分别为：
Figure DEST_PATH_IMAGE042
；
式中：
Figure DEST_PATH_IMAGE044
为第
Figure 553671DEST_PATH_IMAGE028
轮迭代的一阶导数矩阵；
Figure DEST_PATH_IMAGE046
为第
Figure 23966DEST_PATH_IMAGE028
轮迭代的二阶导数矩阵；
然后，基于当前节点尝试分类决策树，默认分数score=0；
将样本按照特征从大到小排序，依次取出第个样本，依次计算当前样本放入左子树后，左右子树一阶和二阶导数和：
Figure DEST_PATH_IMAGE048
；
尝试更新最大分数score：
Figure DEST_PATH_IMAGE050
；
如果最大score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕。
本发明的有益效果是：本发明实现了对变压器运行状态进行实时监测，及时发现并消除潜伏安全隐患，保障了电力系统的安全经济运行。有效利用有限的历史数据信息充分地挖掘变压器故障与油中溶解气体的潜在规律，有效的提高故障诊断的正确率。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
具体实施例
（1）设给定原始训练样本数据集；
Figure 160550DEST_PATH_IMAGE002
；
式中：
Figure 563849DEST_PATH_IMAGE004
为给定的
Figure 88371DEST_PATH_IMAGE006
维数据样本特征表示，在本文中表示
Figure 514805DEST_PATH_IMAGE006
种气体成分的浓度情况；
Figure 986237DEST_PATH_IMAGE008
表示变压器故障类型标签；
（2）选用Sigmoid核
Figure 40781DEST_PATH_IMAGE010
，作为不定核函数用来度量不同样本之间的相似性，其中，核参数
Figure 142729DEST_PATH_IMAGE012
，核参数
Figure 118775DEST_PATH_IMAGE014
；
（3）原始训练数据集经过Sigmoid不定核特征提取后，得到：
Figure 190637DEST_PATH_IMAGE016
；
Figure 240632DEST_PATH_IMAGE018
为训练集提取的不定核特征矩阵；
Figure 310219DEST_PATH_IMAGE020
为所有训练样本特征向量组成的特征矩阵；
（4）将提取的辅助特征矩阵
Figure 570299DEST_PATH_IMAGE018
对原始样本集
Figure 318288DEST_PATH_IMAGE020
进行横向特征扩充，得到最终用于训练算法模型的扩充特征向量矩阵：
Figure 550686DEST_PATH_IMAGE022
；
（5）LightGBM的损失函数可以表示为：
Figure 853492DEST_PATH_IMAGE024
；
式中：
Figure 476234DEST_PATH_IMAGE026
为第
Figure 93160DEST_PATH_IMAGE028
轮迭代后损失函数的值；
Figure 976803DEST_PATH_IMAGE030
表示第
Figure 591455DEST_PATH_IMAGE032
轮的预测函数 ；
Figure 763810DEST_PATH_IMAGE034
表示第
Figure 715585DEST_PATH_IMAGE028
轮迭代的拟合函数；
Figure 860259DEST_PATH_IMAGE036
表示叶子节点的个数；
Figure 504867DEST_PATH_IMAGE038
表示第
Figure 164518DEST_PATH_IMAGE028
轮迭代第
Figure 60930DEST_PATH_IMAGE040
个叶子区域的值；
（6）计算一阶导数和二阶导数，分别为：
Figure 653586DEST_PATH_IMAGE042
；
式中：
Figure 672357DEST_PATH_IMAGE044
为第
Figure 756988DEST_PATH_IMAGE028
轮迭代的一阶导数矩阵；
Figure 316145DEST_PATH_IMAGE046
为第
Figure 232149DEST_PATH_IMAGE028
轮迭代的二阶导数矩阵；
然后，基于当前节点尝试分类决策树，默认分数score=0；
将样本按照特征从大到小排序，依次取出第个样本，依次计算当前样本放入左子树后，左右子树一阶和二阶导数和：
Figure 828346DEST_PATH_IMAGE048
；
尝试更新最大分数score：
Figure 524907DEST_PATH_IMAGE050
；
如果最大score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕。
选用的变压器故障样本共包含115组数据样本，每条数据样本包含5个特征，及1个类别标签。其中，5个特征是能反映故障状态的5种特征气体，即H2、CH4、C2H6、C2H4和C2H2；一个类别标签，用0-4表示变压器正常、中低温过热、高温过热、低能量放电和高能量放电5种类型。
通过分层抽样方法，将原始数据集划分成两个不相交的训练集与测试集。在训练数据集上进行模型的训练，在测试集上对模型的多分类性能进行评估。其中训练集数据75组，每类故障数据15组，测试集数据40组，每类故障数据8组。
利用Sigmoid对初始的训练数据集进行不定核特征求解并与初始的训练数据集组成新的特征向量作为模型的输入。
采用LightGBM分类算法对特征向量进行学习，得到变压器故障诊断的模型。
下表1变压器油中气体组分数据及故障类型；
Figure DEST_PATH_IMAGE052
表1
表2融合不定核LightGBM识别结果；
分类器 正常 中低温过热 高温过热 低能量放电 高能量放电 合计
融合不定核LightGBM 8 8 8 6 8 38
表2
以40组测试数据对得到的模型进行验证，得到故障识别正确的为38组，变压器故障识别的准确率达到了95%。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于，包括以下的步骤：
步骤1、基于气体组分的不定核相似性度量特征提取及特征融合；
步骤2、融合不定核特征提取的LightGBM变压器故障诊断；
步骤3、未知变压器状态的识别，将采集的变压器油中气体组分输入值故障诊断器，得到变压器的故障类型。
2.如权利要求1所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于，所述步骤1具体内容如下：
（1）获得初始的变压器油中气体组分作为原始训练样本集；
（2）选择合适的相似度量函数，将原始训练样本数据带入函数，得到函数的输出值作为相似度的衡量；
（3）将提取的相似度衡量与原始的样本集进行特征组合，形成新的用于训练模型的特征向量。
3.如权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于，所述步骤2具体内容如下：
（1）特征向量初始化LightGBM分类器；
（2）LightGBM模型迭代，计算一阶导数和二阶导数；
（3）基于当前的节点尝试分类决策树，计算score；
（4）对样本按照特征排序，继续求一阶导数和二阶导数；
（5）计算当前的score；
（6）若最大的score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕；
（10）得到基于融合不定核特征提取的LightGBM变压器故障诊断器。
4.根据权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于：所述步骤1的步骤（2）中，相似度量函数选择的是Sigmoid核。
5.根据权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于：所述步骤1的步骤（2）中，相似度量函数的输出作为相似度的衡量。
6.根据权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于：所述步骤1的步骤（3）中，相似度衡量与原始的样本集进行特征组合，作为新的特征向量。
7.根据权利要求3所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于：
（1）设给定原始训练样本数据集；
Figure DEST_PATH_IMAGE001
；
式中：
Figure 631023DEST_PATH_IMAGE002
为给定的
Figure DEST_PATH_IMAGE003
维数据样本特征表示，在本文中表示
Figure 7777DEST_PATH_IMAGE003
种气体成分的浓度情况；
Figure 752879DEST_PATH_IMAGE004
表示变压器故障类型标签；
（2）选用Sigmoid核
Figure DEST_PATH_IMAGE005
，作为不定核函数用来度量不同样本之间的相似性，其中，核参数
Figure 927027DEST_PATH_IMAGE006
，核参数
Figure DEST_PATH_IMAGE007
；
（3）原始训练数据集经过Sigmoid不定核特征提取后，得到：
Figure 288739DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE009
为训练集提取的不定核特征矩阵；
Figure 203605DEST_PATH_IMAGE010
为所有训练样本特征向量组成的特征矩阵；
（4）将提取的辅助特征矩阵
Figure 803214DEST_PATH_IMAGE009
对原始样本集
Figure 348595DEST_PATH_IMAGE010
进行横向特征扩充，得到最终用于训练算法模型的扩充特征向量矩阵：
Figure DEST_PATH_IMAGE011
；
（5）LightGBM的损失函数可以表示为：
Figure 135286DEST_PATH_IMAGE012
；
式中：
Figure DEST_PATH_IMAGE013
为第
Figure DEST_PATH_IMAGE015
轮迭代后损失函数的值；
Figure 463630DEST_PATH_IMAGE016
表示第
Figure DEST_PATH_IMAGE017
轮的预测函数 ；
Figure 652166DEST_PATH_IMAGE018
表示第
Figure 365520DEST_PATH_IMAGE015
轮迭代的拟合函数；
Figure DEST_PATH_IMAGE019
表示叶子节点的个数；
Figure 701823DEST_PATH_IMAGE020
表示第
Figure 427334DEST_PATH_IMAGE015
轮迭代第
Figure DEST_PATH_IMAGE021
个叶子区域的值；
（6）计算一阶导数和二阶导数，分别为：
Figure 204797DEST_PATH_IMAGE022
；
式中：
Figure DEST_PATH_IMAGE023
为第
Figure 951036DEST_PATH_IMAGE015
轮迭代的一阶导数矩阵；
Figure 915581DEST_PATH_IMAGE024
为第
Figure 303837DEST_PATH_IMAGE015
轮迭代的二阶导数矩阵；
然后，基于当前节点尝试分类决策树，默认分数score=0；
将样本按照特征从大到小排序，依次取出第个样本，依次计算当前样本放入左子树后，左右子树一阶和二阶导数和：
Figure DEST_PATH_IMAGE025
；
尝试更新最大分数score：
Figure 139069DEST_PATH_IMAGE026
；
如果最大score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕。
CN202110928798.6A 2021-08-13 2021-08-13 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法 Active CN113723476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110928798.6A CN113723476B (zh) 2021-08-13 2021-08-13 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110928798.6A CN113723476B (zh) 2021-08-13 2021-08-13 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法

Publications (2)

Publication Number Publication Date
CN113723476A true CN113723476A (zh) 2021-11-30
CN113723476B CN113723476B (zh) 2024-03-26

Family

ID=78675719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110928798.6A Active CN113723476B (zh) 2021-08-13 2021-08-13 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN113723476B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972616A (zh) * 2024-03-28 2024-05-03 江西江投能源技术研究有限公司 一种抽水蓄能发电机组安全状态监测诊断方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488521A (zh) * 2015-11-24 2016-04-13 章林柯 一种基于核函数的扩容样本筛选方法
CN106022382A (zh) * 2016-05-26 2016-10-12 东南大学 面向复杂数据的混合范数多不定核分类方法
CN106446963A (zh) * 2016-10-17 2017-02-22 江苏找化网络科技有限公司 找化网背景下多不定核匹配算法
US20170336461A1 (en) * 2015-02-13 2017-11-23 State Grid Corporation Of China Internal transformer composite-defect fuzzy diagnostic method based on gas dissolved in oil
CN108717149A (zh) * 2018-05-25 2018-10-30 西安工程大学 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法
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
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
CN112085084A (zh) * 2020-08-24 2020-12-15 宁波大学 一种基于多特征融合共同向量的变压器故障诊断方法
WO2021135630A1 (zh) * 2019-12-31 2021-07-08 福州大学 基于grcmse与流形学习的滚动轴承故障诊断方法
CN115201394A (zh) * 2022-09-15 2022-10-18 广东电网有限责任公司肇庆供电局 一种多组分变压器油色谱在线监测方法及相关装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170336461A1 (en) * 2015-02-13 2017-11-23 State Grid Corporation Of China Internal transformer composite-defect fuzzy diagnostic method based on gas dissolved in oil
CN105488521A (zh) * 2015-11-24 2016-04-13 章林柯 一种基于核函数的扩容样本筛选方法
CN106022382A (zh) * 2016-05-26 2016-10-12 东南大学 面向复杂数据的混合范数多不定核分类方法
CN106446963A (zh) * 2016-10-17 2017-02-22 江苏找化网络科技有限公司 找化网背景下多不定核匹配算法
CN108717149A (zh) * 2018-05-25 2018-10-30 西安工程大学 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法
WO2021135630A1 (zh) * 2019-12-31 2021-07-08 福州大学 基于grcmse与流形学习的滚动轴承故障诊断方法
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
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
CN112085084A (zh) * 2020-08-24 2020-12-15 宁波大学 一种基于多特征融合共同向量的变压器故障诊断方法
CN115201394A (zh) * 2022-09-15 2022-10-18 广东电网有限责任公司肇庆供电局 一种多组分变压器油色谱在线监测方法及相关装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
彭丽维;张彼德;孔令瑜;梅婷;: "监督自适应核熵成分分析特征提取的电力变压器故障诊断", 高压电器, no. 06 *
朱永利;尹金良;: "组合核相关向量机在电力变压器故障诊断中的应用研究", 中国电机工程学报, no. 22 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117972616A (zh) * 2024-03-28 2024-05-03 江西江投能源技术研究有限公司 一种抽水蓄能发电机组安全状态监测诊断方法及系统

Also Published As

Publication number Publication date
CN113723476B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN110596492B (zh) 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
CN112116058B (zh) 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
CN105279365B (zh) 用于学习异常检测的样本的方法
CN110542819B (zh) 一种基于半监督dbnc的变压器故障类型诊断方法
CN111444940A (zh) 风机关键部位故障诊断方法
CN110929847A (zh) 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN111523778A (zh) 基于粒子群算法和梯度提升树的电网运行安全评估方法
CN110263934B (zh) 一种人工智能数据标注方法和装置
CN112756759B (zh) 点焊机器人工作站故障判定方法
CN111046961B (zh) 基于双向长短时记忆单元和胶囊网络的故障分类方法
CN110689069A (zh) 一种基于半监督bp网络的变压器故障类型诊断方法
CN113949549B (zh) 一种面向入侵和攻击防御的实时流量异常检测方法
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN115659258B (zh) 一种基于多尺度图卷积孪生网络的配电网故障检测方法
CN112465124A (zh) 孪生深度时空神经网络模型获取/故障诊断方法、装置
CN108304567A (zh) 高压变压器工况模式识别与数据分类方法及系统
CN108879732A (zh) 电力系统暂态稳定评估方法及装置
CN116821774B (zh) 一种基于人工智能的发电故障诊断方法
CN113225346A (zh) 一种基于机器学习的网络运维态势评估方法
Zhang et al. Improved GWO-MCSVM algorithm based on nonlinear convergence factor and tent chaotic mapping and its application in transformer condition assessment
CN113723476A (zh) 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
CN112861443B (zh) 一种融入先验知识的深度学习故障诊断方法
CN112362292B (zh) 对风洞试验数据进行异常检测的方法

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