CN113901999A - 一种高压并联电抗器故障诊断方法和系统 - Google Patents
一种高压并联电抗器故障诊断方法和系统 Download PDFInfo
- Publication number
- CN113901999A CN113901999A CN202111156233.7A CN202111156233A CN113901999A CN 113901999 A CN113901999 A CN 113901999A CN 202111156233 A CN202111156233 A CN 202111156233A CN 113901999 A CN113901999 A CN 113901999A
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- data set
- fault diagnosis
- reactor
- 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
- G06F18/24—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
- 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
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种高压并联电抗器故障诊断方法和系统,属于高压并联电抗器的故障诊断技术领域。包括:在不同工况下采集电抗器运行产生的振动信号,所述振动信号来自电抗器表面P个不同位置;分别在时域、频域和时频域对电抗器表面每个采样位置的振动信号构建特征数据集并进行归一化,然后划分为特征训练数据集和特征测试数据集;利用SVM‑RFE算法对电抗器表面每个采样位置各自的特征训练数据集进行特征重要性排序,获得每个采样位置的最优特征索引;利用GA算法以所有位置共有的最优特征索引为搜索空间,去除冗余特征,选出最优特征组合;将最优特征组合利用SVM分类器对所有采样位置的特征测试数据集进行故障诊断,有效实现了基于多元振动序列的特征选择。
Description
技术领域
本发明属于高压并联电抗器的故障诊断技术领域,更具体地,涉及一种高压并联电抗器故障诊断方法和系统。
背景技术
高压并联电抗器(以下简称电抗器)在电力系统中起到无功补偿的作用,可以补偿远距离输电线路电容电流和保护用电设备。近年来,电抗器的需求在不断增加,其可靠性关系到电网的安全运行。当电抗器运行时,设备表面振动信号含有丰富的特征信息,但电抗器表面不同位置振动信号包含的特征信息往往各不相同,即在做特征选择时,无法统一各个采样位置的特征。
当前流行的特征选择算法主要有基于支持向量机的递归特征消除算法(SVM-RFE),通过搜索可能的特征组合,选出评价标准最优的特征子集。SVM-RFE在设备故障诊断领域得到广泛应用,采用启发式搜索策略,从原始特征空间出发,利用支持向量机的分类权重值对特征进行递归消除从而实现特征子集选择,该方法搜索效率高,可以快速去掉噪声特征,但它无法很好的去除冗余特征。有必要研究一种故障诊断方法,能够综合不同采样位置振动信号的特征,选出一组与电抗器运行状态最相关但与采样位置无关的共性特征,以期在实际应用时避免受到场地限制,无法采集全部位置的振动信号。
发明内容
针对相关技术的缺陷,本发明的目的在于提供一种高压并联电抗器故障诊断方法和系统,旨在解决现有方法在做特征选择时,无法统一各个采样位置的特征的问题。
为实现上述目的,本发明的一个方面提供了一种高压并联电抗器故障诊断方法,包括以下步骤:
S1.在不同工况下采集电抗器运行产生的振动信号,所述振动信号来自电抗器表面P个不同位置;
S2.分别在时域、频域和时频域对电抗器表面每个采样位置的振动信号构建特征数据集并进行归一化,然后划分为特征训练数据集和特征测试数据集;
S3.利用SVM-RFE算法对电抗器表面每个采样位置各自的特征训练数据集进行特征重要性排序,获得每个采样位置的最优特征索引;
S4.利用GA算法以所有位置共有的最优特征索引为搜索空间,去除冗余特征,选择出最优特征组合;
S5.将所述最优特征组合利用SVM分类器对所有采样位置的特征测试数据集进行故障诊断。
进一步地,所述步骤S3具体包括:
S301.选择第一个采样位置的振动信号特征数据集进行特征选择,即令p=1;
S302.利用SVM-RFE算法对当前采样位置p处的特征数据集进行特征重要性排序,得到特征重要性索引:R(p)=[r1,r2,...,rn];
S303.选择R(p)中前1个特征,即令j=1;
S306.令j=j+1,返回步骤S304,直至j>n;
S307.记录最高分类准确率maxj c(p)(j)及此时的特征组合索引:
进一步地,所述步骤S4具体包括:
S403.对at进行二进制编码:若at的第j位为0,表明选择的特征索引中不包含该位特征;反之,若at的第j位为1,表明选择的特征索引中包含该位特征;
S407.通过随机联赛方法选择适应度函数值f(at)高的特征组合at;
S409.令c=c+1,返回步骤S404,直至c达到最大迭代次数C;
S410.选出适应度函数值最高的解,即所有数据集共有的最优特征组合。
进一步地,所述SVM分类器采用线性核函数,惩罚系数为100。
进一步地,所述步骤S2中的时域特征包括:均值、方差、方根幅值、均方根值、绝对平均幅值、峰值、峰峰值、裕度因子、峰值因子、波形因子、脉冲因子、偏度、峭度、K因子、威尔逊振幅、简单符号积分和波形长度。
进一步地,所述步骤S2中的所述频域特征包括:谐波与100Hz基频幅值比值、奇偶次谐波能量比值、频率比重、振动熵、分段离散功率谱、分段离散功率谱熵、总功率、重心频率、均方频率、均方根频率、频率方差和频率标准差。
进一步地,所述步骤S2中的时频域特征包括:EMD分解的最大IMF能量和平均IMF能量、小波包分解能量距、小波包分解能量熵、小波包分解总能量熵以及分段离散余弦变化的能量。
进一步地,所述步骤S2中的所述归一化为最大最小归一化。
进一步地,所述步骤S2中特征数据集并进行归一化后,按照比例6∶4划分为特征训练数据集和特征测试数据集.
本发明的另一方面一种高压并联电抗器故障诊断系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行上述的高压并联电抗器故障诊断方法。
通过本发明所构思的以上技术方案,与现有技术相比,能够取得以下有益效果:
(1)将遗传算法(GA)结合到SVM-RFE中得到SVM-RFE-GA算法,对电抗器表面多元振动信号特征进行选择并将选择的特征组合应用于任意某个采样位置,从而实现基于多元振动序列特征选择方法的电抗器故障诊断;
(2)本发明对电抗器表面振动信号在时域、频域和时频域构建了全面的特征池,有效的实现基于多元振动序列的特征选择,同时对电抗器表面多元振动序列的共性特征进行选择,解决了现有特征选择方法仅能针对单一数据集实施的问题;
(3)本发明选出的特征应用在任意一个采样位置时,均能使分类器达到最高分类准确率,解决了现场应用时受场地限制,有时无法采集电抗器表面全部采样位置振动信号的问题。
附图说明
图1是本发明实施例的总体流程图;
图2是本发明实施例中核心算法SVM-RFE-GA的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
下面结合一个优选实施例,对上述实施例中涉及的内容进行说明。
基于多元振动序列特征选择的电抗器故障诊断方法的总体流程如图1所示,包括如下步骤:
步骤1,在电抗器表面P个不同位置布置加速度传感器;
步骤2,在不同工况下利用传感器对电抗器运行时产生的振动信号进行采集,所述工况包含所述电抗器运行时遇到的各种故障,如铁芯螺栓松动和磁屏蔽松动等;
步骤3,分别在时域、频域和时频域对电抗器表面采样位置p处的振动信号构建特征数据集并进行归一化,得到归一化后的特征数据集其中p=1,2,…,P,m为样本数,为n维特征空间,为K类故障状态的标签集。所述时域特征具体包括均值、方差、方根幅值、均方根值、绝对平均幅值、峰值、峰峰值、裕度因子、峰值因子、波形因子、脉冲因子、偏度、峭度、K因子、威尔逊振幅、简单符号积分、波形长度;所述频域特征具体包括谐波与100Hz基频幅值比值、奇偶次谐波能量比值、频率比重、振动熵、分段离散功率谱、分段离散功率谱熵、总功率、重心频率、均方频率、均方根频率、频率方差、频率标准差;所述时频域特征具体包括EMD分解的最大IMF能量和平均IMF能量、小波包分解能量距、小波包分解能量熵、小波包分解总能量熵以及分段离散余弦变化的能量。所述归一化方法为最大最小归一化;
步骤4,按照一定比例构造电抗器表面采样位置p处的特征训练数据集和测试数据集,所述一定比例选取6∶4;
步骤5,利用SVM-RFE-GA算法对电抗器表面所有位置的特征训练数据集进行特征选择,筛选出使得电抗器表面所有位置均达到最高分类准确率且特征数目最少的特征组合,所述SVM-RFE-GA共分为两大部分,一是利用SVM-RFE算法对电抗器表面每个采样位置各自的特征训练数据集进行特征重要性排序,获得P个采样位置的最优特征索引:p=1,2,…,P;二是利用GA算法以所有位置共有的最优特征索引为搜索空间,进行优化选择,去除冗余特征;
步骤6,将选出的最优特征组合利用SVM分类器对所有采样位置的特征测试数据集进行故障诊断;
具体的,所述步骤5中SVM-RFE算法对特征进行重要性排序,并获得P个采样位置的最优特征索引具体包括以下子步骤:
步骤5.1,选择第一个采样位置的振动信号特征数据集进行特征选择,即令p=1;
步骤5.2,利用SVM-RFE算法对当前采样位置p处的特征数据集进行特征重要性排序,得到特征重要性索引:R(p)=[r1,r2,...,rn];
步骤5.3,选择R(p)中前1个特征,即令j=1;
步骤5.6,令j=j+1,重复步骤5.4-5.5,直至j>n
步骤5.7,记录最高分类准确率maxj c(p)(j)及此时的特征组合索引:
其中,所述步骤5中GA算法具体包括以下子步骤:
步骤5.13,对at进行二进制编码,所述二进制编码的意义在于:若at的gj位为0,则说明选择的特征索引中不包含该位特征;反之,若at的第j位为1,则说明选择的特征索引中包含该位特征;
步骤5.17,通过随机联赛方法选择适应度函数值f(at)高的特征组合at;
步骤5.19,c=c+1,重复步骤5.14-5.18,直至c达到最大迭代次数C;
步骤5.20,选出适应度函数值最高的解,即所有数据集共有的最优特征组合。
具体的,步骤5中SVM-RFE算法及GA算法中SVM分类器采用线性核函数,惩罚系数为100;
具体的,步骤6故障诊断中的SVM分类器采用线性核函数,惩罚系数为100。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种高压并联电抗器故障诊断方法,其特征在于,包括以下步骤:
S1.在不同工况下采集电抗器运行产生的振动信号,所述振动信号来自电抗器表面P个不同位置;
S2.分别在时域、频域和时频域对电抗器表面每个采样位置的振动信号构建特征数据集并进行归一化,然后划分为特征训练数据集和特征测试数据集;
S3.利用SVM-RFE算法对电抗器表面每个采样位置各自的特征训练数据集进行特征重要性排序,获得每个采样位置的最优特征索引;
S4.利用GA算法以所有位置共有的最优特征索引为搜索空间,去除冗余特征,选择出最优特征组合;
S5.将所述最优特征组合利用SVM分类器对所有采样位置的特征测试数据集进行故障诊断。
2.如权利要求1所述的高压并联电抗器故障诊断方法,其特征在于,所述步骤S3具体包括:
S301.选择第一个采样位置的振动信号特征数据集进行特征选择,即令p=1;
S302.利用SVM-RFE算法对当前采样位置p处的特征数据集进行特征重要性排序,得到特征重要性索引:R(p)=[r1,r2,...,rn];
S303.选择R(p)中前1个特征,即令j=1;
S306.令j=j+1,返回步骤S304,直至j>n;
S307.记录最高分类准确率maxjc(p)(j)及此时的特征组合索引:
3.如权利要求2所述的高压并联电抗器故障诊断方法,其特征在于,所述步骤S4具体包括:
S403.对at进行二进制编码:若at的第j位为0,表明选择的特征索引中不包含该位特征;反之,若at的第j位为1,表明选择的特征索引中包含该位特征;
S407.通过随机联赛方法选择适应度函数值f(at)高的特征组合at;
S409.令c=c+1,返回步骤S404,直至c达到最大迭代次数C;
S410.选出适应度函数值最高的解,即所有数据集共有的最优特征组合。
4.如权利要求2所述的高压并联电抗器故障诊断方法,其特征在于,所述SVM分类器采用线性核函数,惩罚系数为100。
5.如权利要求1所述的高压并联电抗器故障诊断方法,其特征在于,所述步骤S2中的时域特征包括:均值、方差、方根幅值、均方根值、绝对平均幅值、峰值、峰峰值、裕度因子、峰值因子、波形因子、脉冲因子、偏度、峭度、K因子、威尔逊振幅、简单符号积分和波形长度。
6.如权利要求1所述的高压并联电抗器故障诊断方法,其特征在于,所述步骤S2中的所述频域特征包括:谐波与100Hz基频幅值比值、奇偶次谐波能量比值、频率比重、振动熵、分段离散功率谱、分段离散功率谱熵、总功率、重心频率、均方频率、均方根频率、频率方差和频率标准差。
7.如权利要求1所述的高压并联电抗器故障诊断方法,其特征在于,所述步骤S2中的时频域特征包括:EMD分解的最大IMF能量和平均IMF能量、小波包分解能量距、小波包分解能量熵、小波包分解总能量熵以及分段离散余弦变化的能量。
8.如权利要求1所述的高压并联电抗器故障诊断方法,其特征在于,所述步骤S2中的所述归一化为最大最小归一化。
9.如权利要求1所述的高压并联电抗器故障诊断方法,其特征在于,所述步骤S2中特征数据集并进行归一化后,按照比例6∶4划分为特征训练数据集和特征测试数据集。
10.一种高压并联电抗器故障诊断系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至9任一项所述的高压并联电抗器故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156233.7A CN113901999B (zh) | 2021-09-29 | 2021-09-29 | 一种高压并联电抗器故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156233.7A CN113901999B (zh) | 2021-09-29 | 2021-09-29 | 一种高压并联电抗器故障诊断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901999A true CN113901999A (zh) | 2022-01-07 |
CN113901999B CN113901999B (zh) | 2023-09-29 |
Family
ID=79189540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111156233.7A Active CN113901999B (zh) | 2021-09-29 | 2021-09-29 | 一种高压并联电抗器故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901999B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050181386A1 (en) * | 2003-09-23 | 2005-08-18 | Cornelius Diamond | Diagnostic markers of cardiovascular illness and methods of use thereof |
CN103927560A (zh) * | 2014-04-29 | 2014-07-16 | 苏州大学 | 一种特征选择方法及装置 |
CN106228034A (zh) * | 2016-07-12 | 2016-12-14 | 丽水学院 | 一种肿瘤相关基因搜索的混合优化方法 |
CN107067023A (zh) * | 2017-01-10 | 2017-08-18 | 苏州大学 | 一种故障诊断方法和装置 |
CN109036556A (zh) * | 2018-08-29 | 2018-12-18 | 王雁 | 一种基于机器学习诊断圆锥角膜病例的方法 |
CN110160789A (zh) * | 2019-05-08 | 2019-08-23 | 新疆大学 | 一种基于ga-enn的风电机组轴承故障诊断方法 |
CN110991481A (zh) * | 2019-10-31 | 2020-04-10 | 河海大学 | 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN111368936A (zh) * | 2020-03-18 | 2020-07-03 | 中南大学 | 基于改进svm-rfe的特征选择方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN111814872A (zh) * | 2020-07-07 | 2020-10-23 | 长沙理工大学 | 基于时域、频域自相似性的电力设备环境噪音识别方法 |
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 |
CN113191247A (zh) * | 2021-04-27 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种gis设备机械故障诊断方法及系统 |
CN115855149A (zh) * | 2022-11-24 | 2023-03-28 | 国网山东省电力公司电力科学研究院 | 一种油浸式并联电抗器运行状态评估方法及系统 |
-
2021
- 2021-09-29 CN CN202111156233.7A patent/CN113901999B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050181386A1 (en) * | 2003-09-23 | 2005-08-18 | Cornelius Diamond | Diagnostic markers of cardiovascular illness and methods of use thereof |
CN103927560A (zh) * | 2014-04-29 | 2014-07-16 | 苏州大学 | 一种特征选择方法及装置 |
CN106228034A (zh) * | 2016-07-12 | 2016-12-14 | 丽水学院 | 一种肿瘤相关基因搜索的混合优化方法 |
CN107067023A (zh) * | 2017-01-10 | 2017-08-18 | 苏州大学 | 一种故障诊断方法和装置 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN109036556A (zh) * | 2018-08-29 | 2018-12-18 | 王雁 | 一种基于机器学习诊断圆锥角膜病例的方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN110160789A (zh) * | 2019-05-08 | 2019-08-23 | 新疆大学 | 一种基于ga-enn的风电机组轴承故障诊断方法 |
CN110991481A (zh) * | 2019-10-31 | 2020-04-10 | 河海大学 | 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法 |
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 |
CN111368936A (zh) * | 2020-03-18 | 2020-07-03 | 中南大学 | 基于改进svm-rfe的特征选择方法 |
CN111814872A (zh) * | 2020-07-07 | 2020-10-23 | 长沙理工大学 | 基于时域、频域自相似性的电力设备环境噪音识别方法 |
CN113191247A (zh) * | 2021-04-27 | 2021-07-30 | 国网山西省电力公司电力科学研究院 | 一种gis设备机械故障诊断方法及系统 |
CN115855149A (zh) * | 2022-11-24 | 2023-03-28 | 国网山东省电力公司电力科学研究院 | 一种油浸式并联电抗器运行状态评估方法及系统 |
Non-Patent Citations (6)
Title |
---|
PAVITHRA V等: "Review of Feature Selection Techniques for Predicting Diseases", 《2020 5TH INTERNATIONAL CONFERENCE ON COMMUNICATION AND ELECTRONICS SYSTEMS (ICCES)》, pages 1 - 5 * |
YING ZHANG等: "An Efficient Feature Selection Strategy Based on Multiple Support Vector Machine Technology with Gene Expression Data", 《HINDAWI:BIOMED RESEARCH INTERNATIONAL》, pages 1 - 12 * |
刘志翔等: "基于振动信号显著性序列的滚动轴承状态诊断方法研究", 《机电工程》, pages 944 - 951 * |
张颖: "基于乳腺癌基因表达数据的特征选择算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, pages 072 - 177 * |
李程等: "基于支持向量机递归特征消除的电缆局部放电特征寻优", 《电气技术》, pages 67 - 71 * |
杨珮鑫等: "基于多分类支持向量机的分布式发电系统并网保护", 《电气系统自动化》, pages 110 - 1116 * |
Also Published As
Publication number | Publication date |
---|---|
CN113901999B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
CN112232526B (zh) | 一种基于集成策略的地质灾害易发性评价方法及系统 | |
CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN113963462B (zh) | 基于远传数据的电驱总成可靠性工况构建方法及构建装置 | |
Li et al. | Research on power quality disturbance identification and classification technology in high noise background | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
Hou et al. | Deep-learning-based fault type identification using modified CEEMDAN and image augmentation in distribution power grid | |
CN111353391A (zh) | 雷达干扰效果评估方法、装置、电子设备及其存储介质 | |
Wang et al. | Fully Bayesian analysis of the relevance vector machine classification for imbalanced data problem | |
CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
Li et al. | Review of transformer health index from the perspective of survivability and condition assessment | |
CN110222610A (zh) | 一种信号分类的方法及装置 | |
CN113901999B (zh) | 一种高压并联电抗器故障诊断方法和系统 | |
CN117347916A (zh) | 一种基于参数辨识的绕组结构故障定位方法及装置 | |
CN112285632A (zh) | 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法 | |
CN115796665A (zh) | 一种绿色能源发电项目多指标碳效分级评估方法及装置 | |
Li et al. | Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier | |
CN116050894A (zh) | 一种具有基数意义的科研人员能力增量指标权重确定方法 | |
Zhou et al. | Convolutional neural network and data augmentation method for electricity theft detection | |
Mei et al. | Classification of the type of harmonic source based on image-matrix transformation and deep convolutional neural network | |
CN113835964A (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
CN114462901B (zh) | 有源配电网电能质量评价方法、装置、终端及存储介质 | |
Klir | General systems framework for inductive modelling |
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 |