CN114219016A - 一种基于adaboost的油纸绝缘水分含量综合评估方法 - Google Patents

一种基于adaboost的油纸绝缘水分含量综合评估方法 Download PDF

Info

Publication number
CN114219016A
CN114219016A CN202111451382.6A CN202111451382A CN114219016A CN 114219016 A CN114219016 A CN 114219016A CN 202111451382 A CN202111451382 A CN 202111451382A CN 114219016 A CN114219016 A CN 114219016A
Authority
CN
China
Prior art keywords
moisture content
oiled paper
paper insulation
insulation
training
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
CN202111451382.6A
Other languages
English (en)
Inventor
林明星
陈扩松
林翊乾
郑宇�
潘亦斌
李语菲
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 Fujian Electric Power Co Ltd
Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Putian Power Supply Co of State Grid Fujian 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 Fujian Electric Power Co Ltd, Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202111451382.6A priority Critical patent/CN114219016A/zh
Publication of CN114219016A publication Critical patent/CN114219016A/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
    • G06F18/21—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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明涉及一种基于adaboost的油纸绝缘水分含量综合评估方法，包括以下步骤：制作不同水分含量的油纸绝缘试品，进行频域介电检测并提取表征油纸绝缘水分含量的多个特征参量；对提取出的各特征参量的数据进行归一化处理，作为训练样本；基于adaboost算法建立油纸绝缘水分含量综合评估模型，通过训练样本对油纸绝缘水分含量综合评估模型进行训练，并验证训练后的油纸绝缘水分含量综合评估模型的精确性；对目标变压器的油纸绝缘进行频域介电检测，获取对应的多个特征参量，将各特征参量输入至油纸绝缘水分含量综合评估模型，输出目标变压器的油纸绝缘水分含量评估值。

Description

一种基于adaboost的油纸绝缘水分含量综合评估方法
技术领域
本发明涉及一种基于adaboost的油纸绝缘水分含量综合评估方法，属于变压器油纸绝缘系统水分含量评估技术领域。
背景技术
油浸式电力变压器是电力系统输配电过程中的核心环节之一，其内部油纸绝缘系统性能的好坏是决定变压器能否安全稳定工作的重要因素。在长期运行过程中，变压器会受到电、热等多种因素的综合作用，发生不可逆的老化过程，期间会产生诸如醛、酮、水分等诸多老化产物。其中，水分既是老化产物又能促进老化，被认为是导致变压器绝缘老化的主要原因之一。因此，如何准确评估变压器油纸绝缘系统的受潮状态具有一定的现实意义。传统的油纸绝缘水分含量检测方法有：干燥称重法、卡尔-费休法、平衡曲线法等，这些方法取样困难，且易损坏绝缘纸，不适用于工程实际中。相比之下，基于介电响应理论的回复电压法(recovery voltage method,RVM)，极化/去极化电流法(polarization anddepolarization current,PDC)以及频域介电谱法(frequency domain spectroscopy,FDS)是几种无损简便的检测方法。其中，FDS由于具有测量频带宽，抗干扰性强，携带绝缘信息丰富等优势而受到众多学者的青睐。近年来，多篇文献总结归纳了频域介电谱受水分影响而产生的特性变化，并从中提取了多个特征参量用于水分评估，但都是利用单一特征量进行油纸绝缘水分含量的评估，易造成评估结果带有片面性。此外采用多元回归算法已被证实可实现多频域特征参量的油纸绝缘水分含量的综合评估，但使用的算法为单一算法，易受数据随机性的影响。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了一种基于adaboost的油纸绝缘水分含量综合评估方法，利用adaboost算法来构建油纸绝缘水分含量综合评估模型，相较于传统模型，该模型的评估结果具有更低的RMSE与MAE，评估效果更加准确，更适用于油纸绝缘水分含量的现场评估。
本发明的技术方案如下：
一方面，本发明提供一种基于adaboost的油纸绝缘水分含量综合评估方法，包括以下步骤：
制作不同水分含量的油纸绝缘试品，进行频域介电检测并提取表征油纸绝缘水分含量的多个特征参量；
对提取出的各特征参量的数据进行归一化处理，作为训练样本；
基于adaboost算法建立油纸绝缘水分含量综合评估模型，通过训练样本对油纸绝缘水分含量综合评估模型进行训练，并验证训练后的油纸绝缘水分含量综合评估模型的精确性；
对目标变压器的油纸绝缘进行频域介电检测，获取对应的多个特征参量，将各特征参量输入至油纸绝缘水分含量综合评估模型，输出目标变压器的油纸绝缘水分含量评估值。
作为优选实施方式，多个特征参量包括介质损耗因数tanδ、复电容实部C’与复电容虚部C”的频域介电谱曲线在f＝10-3、10-2和10-1处的取值，共9个特征参量。
作为优选实施方式，在对提取出的各特征参量的数据进行归一化处理步骤具体为：
对不同水分含量的油纸绝缘试品进行频域介电检测，分别获取各油纸绝缘试品的特征参量值，对所有特征参量值进行归一化处理，将各特征参量的数值规范在[0,1]内，归一化公式如下：
Figure BDA0003386163690000031
式中，aij表示第i个油纸绝缘试品第j个特征参量值，aij＇表示第i个油纸绝缘试品第j个特征参量的规范值。
作为优选实施方式，所述基于adaboost算法建立油纸绝缘水分含量综合评估模型，通过训练样本对油纸绝缘水分含量综合评估模型进行训练的步骤具体为：
初始化训练样本的权重分布：
D1＝{ω11，ω12，ω13，ω14...,ω1j...，ω1p}；
ω1j＝1/p；
式中，ω1j代表在第一轮迭代中的第j组训练样本的权重，p为训练样本的数量；
利用当前的权值分布进行训练样本集学习，得到弱分类器ym(x)：
ym(x):X→[-1,+1]；
其中，m＝1,2,3,4…,M；
计算弱分类器在样本训练集上的分类误差率em：
Figure BDA0003386163690000041
计算弱分类器在强分类器中的系数：
Figure BDA0003386163690000042
更新样本训练集权重分布：
Figure BDA0003386163690000043
Figure BDA0003386163690000044
其中，Zm代表规范化因子，用于保证权值之和为1；
计算强分类器y(x)：
Figure BDA0003386163690000045
得到所述绝缘水分含量评估模型。
作为优选实施方式，在所述验证训练后的油纸绝缘水分含量综合评估模型的精确性的步骤中，通过均方根误差RMSE以及平均绝对误差MAE验证油纸绝缘水分含量综合评估模型的精确性，均方根误差RMSE以及平均绝对误差MAE表达式分别为：
Figure BDA0003386163690000046
Figure BDA0003386163690000047
式中，m表示样本个数，yi表示样本的水分含量实际值，yi’表示通过油纸绝缘水分含量综合评估模型输出的样本的水分含量评估值。
另一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的油纸绝缘水分含量综合评估方法。
再一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的油纸绝缘水分含量综合评估方法。
本发明具有如下有益效果：
1、本发明一种基于adaboost的油纸绝缘水分含量综合评估方法，利用adaboost算法来构建油纸绝缘水分含量综合评估模型，相较于传统模型，该模型的评估结果具有更低的RMSE与MAE，评估效果更加准确，更适用于油纸绝缘水分含量的现场评估。
2、本发明一种基于adaboost的油纸绝缘水分含量综合评估方法，提取了9个与水分含量关联显著的频域特征参量并以此建立训练样本，克服传统水分评估模型利用单一特征参量进行评估易造成评估结果片面的问题，实现了油纸绝缘水分含量的综合评估。
附图说明
图1为本发明一实施例的流程图；
图2为本发明实施例中基于adaboost算法建立油纸绝缘水分含量综合评估模型的流程图；
图3a为本发明实施例中不同水分含量的油纸绝缘试品的介质损耗因数tanδ的频域介电谱线示例图；
图3b为本发明实施例中不同水分含量的油纸绝缘试品的复电容实部的频域介电谱线示例图；
图3c为本发明实施例中不同水分含量的油纸绝缘试品的复电容虚部的频域介电谱线示例图。
具体实施方式
下面将结合本发明实施例中的附图，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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例一：
参见图1，一种基于adaboost的油纸绝缘水分含量综合评估方法，其特征在于，包括以下步骤：
制作未老化且水分含量分别为0.48％、1.45％、3.62％、4.41％的的油纸绝缘试品，利用DIRANA介电绝缘分析仪对不同水分含量的油纸绝缘试品进行频域介电检测并提取表征油纸绝缘水分含量的多个特征参量；
对不同水分含量的油纸绝缘试品进行频域介电检测，分别获取各油纸绝缘试品的特征参量的数据，为防止在水分评估中，数量级小的特征量被数量级大的特征量所覆盖，对提取出的各特征参量的数据进行归一化处理，作为训练样本；
基于adaboost算法建立油纸绝缘水分含量综合评估模型，通过训练样本对油纸绝缘水分含量综合评估模型进行训练；adaboost算法是一种迭代算法，具有很强的学习能力。其流程图如图2所示。基本原理是通过每次将具有不同权重分布的样本输入进行训练，获得相应的弱分类器。以此类推得到多个弱分类器，然后将弱分类器按一定权值进行组合，最终获得所需的强分类器，并利用强分类器进行预测。
验证训练后的油纸绝缘水分含量综合评估模型的精确性达到预期后，完成训练，保存模型参数；
对目标变压器的油纸绝缘进行频域介电检测，获取对应的多个特征参量，将各特征参量输入至油纸绝缘水分含量综合评估模型，输出目标变压器的油纸绝缘水分含量评估值。
作为本实施例的优选实施方式，利用DIRANA介电绝缘分析仪对不同水分含量的油纸绝缘试品进行频域介电检测，所得频域介电谱线如图3a、3b和3c所示。图3a中的纵坐标对应介质损耗因数tanδ，图3b中的纵坐标对应复电容实部C’，图3c中的纵坐标对应复电容虚部C”。分析图3a可得，介质损耗因素tanδ在频率为10-3～101Hz内会随水分含量的增加而有明显的增大，而在频率为101～103Hz内的变化则不明显。这是由于水分是强极性分子，水分子的增多会使电介质单位体积内参与极化的分子数目增多，使得油纸绝缘系统的电导损耗和界面极化损耗增加，而界面极化建立时间较长，当频率大于101Hz时，界面极化反应无法充分建立，极化速度快的转向极化起主导作用，而相对于界面极化而言，转向极化受水分影响较小，因此在高频段内，tanδ的变化不大。同理，由图3b、3c可以看出，复电容实部C’与复电容虚部C”受水分的影响与tanδ相同，这是由于复电容实部表征电介质的极化强度，而复电容虚部表征电介质的损耗，水分的增加会使系统中极性分子变多，因此极化强度增强，表现为复电容实部的增大；同时，水分的增加又会增强系统的导电性和界面极化反应，故整个系统的电导损耗与极化损耗都增加，表现为复电容虚部的增大。
根据以上分析，本实施例提取的多个特征参量包括介质损耗因数tanδ、复电容实部C’与复电容虚部C”的频域介电谱曲线在f＝10-3、10-2和10-1处的取值，共9个特征参量用于后续变压器油纸绝缘水分的评估。
作为本实施例的优选实施方式，在对提取出的各特征参量的数据进行归一化处理步骤具体为：
对不同水分含量的油纸绝缘试品进行频域介电检测，分别获取各油纸绝缘试品的特征参量值；由图3可知，tanδ与C’、C”在数值上差异巨大，为防止在水分评估中，数量级小的特征量被数量级大的特征量所覆盖，需要对所有特征参量的数据进行归一化处理，将各特征参量的数值规范在[0,1]内，便于后续的分析计算，归一化公式如下：
Figure BDA0003386163690000091
式中，aij表示第i个油纸绝缘试品第j个特征参量值，aij＇表示第i个油纸绝缘试品第j个特征参量的规范值。
作为本实施例的优选实施方式，所述基于adaboost算法建立油纸绝缘水分含量综合评估模型，通过训练样本对油纸绝缘水分含量综合评估模型进行训练的步骤具体为：
初始化训练样本的权重分布：
D1＝{ω11，ω12，ω13，ω14...,ω1j...，ω1p}；
ω1j＝1/p；
式中，ω1j代表在第一轮迭代中的第j组训练样本的权重，p为训练样本的数量；
利用当前的权值分布进行训练样本集学习，得到弱分类器ym(x)：
ym(x):X→[-1,+1]；
其中，m＝1,2,3,4…,M；
计算弱分类器在样本训练集上的分类误差率em：
Figure BDA0003386163690000101
计算弱分类器在强分类器中的系数：
Figure BDA0003386163690000102
更新样本训练集权重分布：
Figure BDA0003386163690000103
Figure BDA0003386163690000104
其中，Zm代表规范化因子，用于保证权值之和为1；
计算强分类器y(x)：
Figure BDA0003386163690000105
得到所述绝缘水分含量评估模型。
作为本实施例的优选实施方式，在所述验证训练后的油纸绝缘水分含量综合评估模型的精确性的步骤中，为综合衡量各样本的水分评估情况，采用均方根误差(RMSE)以及平均绝对误差(MAE)来评价油纸绝缘水分评估模型的精确性，均方根误差RMSE以及平均绝对误差MAE表达式分别为：
Figure BDA0003386163690000106
Figure BDA0003386163690000107
式中，m表示样本个数，yi表示样本的水分含量实际值，yi’表示通过油纸绝缘水分含量综合评估模型输出的样本的水分含量评估值。
为验证本实施例所提出的绝缘水分含量评估模型是真实有效的，本实施例中选取老化情况相同，测试温度相同但水分含量不同的油纸绝缘试品进行频域介电测试所得的实测数据，选取了70组实测数据建立油纸绝缘频域数据库，其中60组作为训练集(数据详情如表1所示，限于篇幅，仅展现其中10组)，另外10组待评估样品作为测试集，详情如表2所示；
表1变压器训练样本数据
Figure BDA0003386163690000111
Figure BDA0003386163690000121
表2变压器测试样本数据
Figure BDA0003386163690000122
Figure BDA0003386163690000131
表1与表2中，tanδ1、tanδ2、tanδ3、C1＇、C2＇、C3＇、C1″、C2″、C3″分别代表f＝10-1、10-2、10-3处的介损值，复电容实部值与复电容虚部值，单位为纳法(nF)，MC表示水分含量。
现将表1中的数据经归一化处理后作为训练集输入本发明所提出的绝缘水分含量评估模型中，并将表2中的数据归一化后作为测试集，输入评估模型用以水分评估。评估结果如表3所示。
表3评估结果
Figure BDA0003386163690000132
Figure BDA0003386163690000141
由表3的评估结果可以看出，本发明所提出的绝缘水分含量评估模型所得评估值与实际值相差不大，误差最大值仅为4.81％，故该模型可较为准确的评估油纸绝缘水分含量。
为进一步证明本实施例所提出的绝缘水分含量评估模型的优越性与准确性，现利用SVR、决策树、KNN回归等单一算法评估模型对表2中的各组待评估样品进行水分评估，以前文所述的RMSE与MAE为评价指标，所得评估结果如表4所示。
表4不同评估模型的评估结果
Figure BDA0003386163690000142
综上结果可知，本实施例所提出的绝缘水分含量评估模型相比于单一算法评估模型具有更低的RMSE与MAE，说明本实施例所提模型的评估结果更贴合实际情况，能够为后续油纸绝缘电力设备绝缘状态的准确评估提供方法上的参考，亦可为油绝缘状态划分的进一步研究提供理论上的支撑。
实施例二：
本实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的油纸绝缘水分含量综合评估方法。
实施例三：
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的油纸绝缘水分含量综合评估方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于adaboost的油纸绝缘水分含量综合评估方法，其特征在于，包括以下步骤：
制作不同水分含量的油纸绝缘试品，进行频域介电检测并提取表征油纸绝缘水分含量的多个特征参量；
对提取出的各特征参量的数据进行归一化处理，作为训练样本；
基于adaboost算法建立油纸绝缘水分含量综合评估模型，通过训练样本对油纸绝缘水分含量综合评估模型进行训练，并验证训练后的油纸绝缘水分含量综合评估模型的精确性；
对目标变压器的油纸绝缘进行频域介电检测，获取对应的多个特征参量，将各特征参量输入至油纸绝缘水分含量综合评估模型，输出目标变压器的油纸绝缘水分含量评估值。
2.根据权利要求1所述的一种基于adaboost的油纸绝缘水分含量综合评估方法，其特征在于：多个特征参量包括介质损耗因数tanδ、复电容实部C’与复电容虚部C”的频域介电谱曲线在f＝10-3、10-2和10-1处的取值，共9个特征参量。
3.根据权利要求2所述的一种基于adaboost的油纸绝缘水分含量综合评估方法，其特征在于：在对提取出的各特征参量的数据进行归一化处理步骤具体为：
对不同水分含量的油纸绝缘试品进行频域介电检测，分别获取各油纸绝缘试品的特征参量值，对所有特征参量值进行归一化处理，将各特征参量的数值规范在[0,1]内，归一化公式如下：
Figure FDA0003386163680000021
式中，aij表示第i个油纸绝缘试品第j个特征参量值，aij＇表示第i个油纸绝缘试品第j个特征参量的规范值。
4.根据权利要求3所述的一种基于adaboost的油纸绝缘水分含量综合评估方法，其特征在于，所述基于adaboost算法建立油纸绝缘水分含量综合评估模型，通过训练样本对油纸绝缘水分含量综合评估模型进行训练的步骤具体为：
初始化训练样本的权重分布：
D1＝{ω11，ω12，ω13，ω14...,ω1j...，ω1p}；
ω1j＝1/p；
式中，ω1j代表在第一轮迭代中的第j组训练样本的权重，p为训练样本的数量；
利用当前的权值分布进行训练样本集学习，得到弱分类器ym(x)：
ym(x):X→[-1,+1]；
其中，m＝1,2,3,4…,M；
计算弱分类器在样本训练集上的分类误差率em：
Figure FDA0003386163680000022
计算弱分类器在强分类器中的系数：
Figure FDA0003386163680000023
更新样本训练集权重分布：
Figure FDA0003386163680000031
Figure FDA0003386163680000032
其中，Zm代表规范化因子，用于保证权值之和为1；
计算强分类器y(x)：
Figure FDA0003386163680000033
得到所述绝缘水分含量评估模型。
5.根据权利要求4所述的一种基于adaboost的油纸绝缘水分含量综合评估方法，其特征在于：在所述验证训练后的油纸绝缘水分含量综合评估模型的精确性的步骤中，通过均方根误差RMSE以及平均绝对误差MAE验证油纸绝缘水分含量综合评估模型的精确性，均方根误差RMSE以及平均绝对误差MAE表达式分别为：
Figure FDA0003386163680000034
Figure FDA0003386163680000035
式中，m表示样本个数，yi表示样本的水分含量实际值，yi’表示通过油纸绝缘水分含量综合评估模型输出的样本的水分含量评估值。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的油纸绝缘水分含量综合评估方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的油纸绝缘水分含量综合评估方法。
CN202111451382.6A 2021-12-01 2021-12-01 一种基于adaboost的油纸绝缘水分含量综合评估方法 Pending CN114219016A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111451382.6A CN114219016A (zh) 2021-12-01 2021-12-01 一种基于adaboost的油纸绝缘水分含量综合评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111451382.6A CN114219016A (zh) 2021-12-01 2021-12-01 一种基于adaboost的油纸绝缘水分含量综合评估方法

Publications (1)

Publication Number Publication Date
CN114219016A true CN114219016A (zh) 2022-03-22

Family

ID=80699270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111451382.6A Pending CN114219016A (zh) 2021-12-01 2021-12-01 一种基于adaboost的油纸绝缘水分含量综合评估方法

Country Status (1)

Country Link
CN (1) CN114219016A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818908A (zh) * 2022-04-22 2022-07-29 福州大学 基于Stacking模型融合的油纸绝缘受潮状态定量评估方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818908A (zh) * 2022-04-22 2022-07-29 福州大学 基于Stacking模型融合的油纸绝缘受潮状态定量评估方法

Similar Documents

Publication Publication Date Title
Zhang et al. Dependency analysis and improved parameter estimation for dynamic composite load modeling
Skoog et al. Parameterization of linear equivalent circuit models over wide temperature and SOC spans for automotive lithium-ion cells using electrochemical impedance spectroscopy
CN106845010B (zh) 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法
Hong et al. Vehicle energy system active defense: a health assessment of lithium‐ion batteries
Ma et al. A hybrid dynamic equivalent using ANN-based boundary matching technique
CN104537268B (zh) 一种电池最大放电功率估算方法和装置
Wang et al. High-efficient prediction of state of health for lithium-ion battery based on AC impedance feature tuned with Gaussian process regression
CN107958267B (zh) 一种基于光谱线性表示的油品性质预测方法
CN109507554A (zh) 一种电气设备绝缘状态评估方法
CN115856529A (zh) 一种基于pdc多特征量权重的cvt绝缘老化状态评估方法
CN114219016A (zh) 一种基于adaboost的油纸绝缘水分含量综合评估方法
CN107656181A (zh) 一种定量诊断油纸绝缘老化程度的方法
CN112668604A (zh) 基于频域介电响应和支持向量机的套管绝缘水分预测方法
CN114167284A (zh) 基于bms大数据和集成学习的锂电池rul预测方法及设备
CN109406898A (zh) 一种融合多特征量综合评估油纸绝缘老化程度的方法
CN114035095B (zh) 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备
Fan et al. Polarization loss analysis and ageing characterisation of transformer oil‐immersed insulation by using decoupled frequency domain spectroscopy
CN111709153B (zh) 利用传递函数与加权组合法的油纸绝缘水分含量评估方法
CN117216642A (zh) 油纸绝缘设备受潮状态评估方法、装置和计算机设备
CN109557434A (zh) 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法
CN114330571A (zh) 基于迁移学习的电力系统主导失稳模式识别方法及系统
CN111896849A (zh) 一种考虑非均匀介质的油纸绝缘性能分析方法及装置
Liu et al. A novel curve database for moisture evaluation of transformer oil-immersed cellulose insulation using FDS and exponential decay model
CN114280431A (zh) 一种基于混合极化电路模型的油纸绝缘水分含量评估方法
CN114238293A (zh) 一种基于随机森林的变压器油纸绝缘fds数据修复方法

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