CN114509620A - 一种基于监测数据的变压器故障诊断方法 - Google Patents
一种基于监测数据的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN114509620A CN114509620A CN202111406847.6A CN202111406847A CN114509620A CN 114509620 A CN114509620 A CN 114509620A CN 202111406847 A CN202111406847 A CN 202111406847A CN 114509620 A CN114509620 A CN 114509620A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- transformer
- abnormal
- attention mechanism
- 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
Images
Classifications
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于监测数据的变压器故障诊断方法，其包括收集并归档现有的异常油色谱数据以及对应的故障类型，基于所述油色谱数据和故障类型建立故障源数据库；将待诊断的油色谱数据，输入到注意力机制模型；利用注意力机制模型进行筛选识别异常数据：能够实时检测并计算不同类型气体浓度变化，在单位时间中取平均值，将数据进行归一化处理，以消除由于数据尺度不同对模型效果的影响，提高后期诊断的准确性，能够及时检测到气体浓度变化出现异常值，及时在变压器出现故障时进行诊断，对早期出现的故障的信息进行及时识别和诊断，对进行快速反应，便于及时进行维修，减小变压器出现故障后造成的影响。
Description
技术领域
本发明涉及油浸式变压器故障诊断技术领域，特别是一种基于监测数据的变压器故障诊断方法。
背景技术
变压器是电力系统中最重要的电气设备之一，其运行状态直接影响系统的安全性水平。现有的广泛使用的是油浸式变压器，在油浸式变压器的运行中，会受到外界环境和自身运行的影响，产生一些气体，如甲烷、乙烷、乙炔等。在正常运行和异常状态时，这些气体的浓度会呈现不同的比例形式。从而可以根据这些气体浓度，实现对变压器状态的评估和故障的分类。
现有的判断故障方法包括阈值法、三比值法和数据驱动的智能算法等。其中阈值法通过大量的实际数据，总结出来的一个经验范围，该阈值只能粗略的判断设备是否处于正常运行状态，如果出现了异常，则并不能判断具体的故障类型，并且变压器的故障发生是一个动态连续的过程，在故障发生初期，可能浓度并没有超过阈值，但是此时已经算在故障内，所以利用阈值法无法对早起的故障进行侦测；三比值法也是通过实验总结得出的结论，差用的方法包括 IEC比值、Rogers比值、Dornenburg比值和Duval比值等，在实际的变压器运行时，由于故障发生时的不确定性和复杂性，利用比值法规定的界限过于绝对，其划分的编码区域存在一定的模糊性，无法准确的诊断故障形式，同时，三比值法也无法对故障发生的动态过程进行分析，对早期故障的识别效果较差。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
因此，本发明所要解决的技术问题是：在实际的变压器运行时，由于故障发生时的不确定性和复杂性，利用比值法规定的界限过于绝对，其划分的编码区域存在一定的模糊性，无法准确的诊断故障形式，同时，三比值法也无法对故障发生的动态过程进行分析，对早期故障的识别效果较差。
为解决上述技术问题，本发明提供如下技术方案：收集并归档现有的异常油色谱数据以及对应的故障类型，基于所述油色谱数据和故障类型建立故障源数据库；将待诊断的油色谱数据，输入到注意力机制模型；利用所述注意力机制模型进行筛选识别异常数据；通过在所述故障源数据库中检索异常数据，查找对比所述故障源数据库中的故障类型。
作为本发明所述基于监测数据的变压器故障诊断方法的一种优选方案，其中：所述异常油色谱数据包括甲烷、乙烷、乙烯、乙炔、氢气、一氧化碳和二氧化碳的气体浓度数值；所述故障类型包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电；基于所述油色谱数据和故障类型的对应关系建立故障源数据库。
作为本发明所述基于监测数据的变压器故障诊断方法的一种优选方案，其中：所述注意力机制模型通过对查询值和所有的键值进行点乘运算，并通过函数计算得到在数值点的权重，为注意力值，注意力值即筛选识别异常数据，其函数表达式为：
其中，查询值为Q、键值为K以及数值点为V；其中查询值和键值的维度都为dk，数值点的维度为dv。
作为本发明所述基于监测数据的变压器故障诊断方法的一种优选方案，其中：通过注意力模机制模型筛选出对故障类型影响大的所述异常油色谱数据，通过在所述故障源数据库中检索所述异常油色谱数据，查找对比所述故障类型，对故障类型诊断。
作为本发明所述基于监测数据的变压器故障诊断方法的一种优选方案，其中：采用时间窗口长度为T的窗口对数据进行截取切片，在每个时间窗口，计算各种气体浓度序列的频域分量，并加入到对应的待诊断的油色谱数据中；加入的频域分量信息为一阶小波分解信号、二阶小波分解信号和三阶小波分解信号；所述气体浓度数值包括气体浓度变化情况。
作为本发明所述基于监测数据的变压器故障诊断方法的一种优选方案，其中：通过计算不同类型气体浓度变化，在单位时间中的平均值，将数据进行归一化处理。
作为本发明所述基于监测数据的变压器故障诊断方法的一种优选方案，其中：将待诊断的所述油色谱数据作为注意力机制模型的输入，变压器状态作为注意力机制模型输出；将注意力机制模型输出状态分为正常和异常两种，异常表示变压器出现的故障类型。
作为本发明所述基于监测数据的变压器故障诊断方法的一种优选方案，其中：所述异常状态包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电的故障类型。
作为本发明所述基于监测数据的变压器故障诊断方法的一种优选方案，其中：利用sigmod函数实现输出的归一化，将单位时间分解为最小时间片段，以消除由于数据尺度不同对模型效果的影响，其函数表达式为：
其中，可以将向量中的元素压缩在(0,1)的范围内，并使得所有元素和为1。
作为本发明所述基于监测数据的变压器故障诊断方法的一种优选方案，其中：注意力机制模型输出状态输出为异常，远程发送模块与用户端建立连接，并发出预警信号
本发明的有益效果：能够实时检测并计算不同类型气体浓度变化，在单位时间中取平均值，将数据进行归一化处理，以消除由于数据尺度不同对模型效果的影响，提高后期诊断的准确性，能够及时检测到气体浓度变化出现异常值，及时在变压器出现故障时进行诊断，对早期出现的故障的信息进行及时识别和诊断，对进行快速反应，便于及时进行维修，减小变压器出现故障后造成的影响。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例提供的一种基于监测数据的变压器故障诊断方法的基本流程示意图。
图2为本发明第一个实施例提供的一种基于监测数据的变压器故障诊断方法的变压器故障诊断流程图流程示意图。
图3为本发明第二个实施例提供的一种基于监测数据的变压器故障诊断方法中的ACC分布情况。
图4为本发明第二个实施例提供的一种基于监测数据的变压器故障诊断方法中的PREC分布情况。
图5为本发明第二个实施例提供的一种基于监测数据的变压器故障诊断方法中的REC分布情况。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1，为本发明第一个实施例，该实施例提供了一种基于监测数据的变压器故障诊断方法：
S1:收集并归档现有的异常油色谱数据，所述异常油色谱数据包括甲烷、乙烷、乙烯、乙炔、氢气、一氧化碳和二氧化碳的气体浓度数值；所述故障类型包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电；基于所述油色谱数据和故障类型的对应关系建立故障源数据库；气体浓度数值包括气体浓度变化情况；采用时间窗口长度为T的窗口对数据进行截取切片，在每个时间窗口，计算各种气体浓度序列的频域分量，并加入到对应的待诊断的油色谱数据中；加入的频域分量信息为一阶小波分解信号、二阶小波分解信号和三阶小波分解信号，通过建立现有现有的异常油色谱数据以及对应的故障类型的故障源数据库，有利于对现有的数据信息进行统一分析，有利于提高后期诊断的准确性。
S2:所述异常油色谱数据包括甲烷、乙烷、乙烯、乙炔、氢气、一氧化碳和二氧化碳的气体浓度数值；所述故障类型包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电；对典型的异常油色谱数据对应的故障类型数据进行分类，基于油色谱数据和故障类型的对应关系建立故障源数据库。
S3:通过实时检测并计算不同类型气体浓度变化，在单位时间中取平均值，将数据进行归一化处理，利用sigmod函数实现输出的归一化，将单位时间分解为最小时间片段，以消除由于数据尺度不同对模型效果的影响，提高后期诊断的准确性，能够及时检测到气体浓度变化出现异常值，及时在变压器出现故障时进行诊断，对早期出现的故障的信息进行及时识别和诊断，对进行快速反应，便于及时进行维修，减小变压器出现故障后造成的影响，其函数表达式为：
S4:将归一化后的的油色谱数据，输入到注意力机制模型，通过注意力模机制模型筛选出对故障类型影响大的所述异常油色谱数据，所述注意力机制模型包括查询值Q、键值K以及数值点V；其中查询值和键值的维度都为dk，数值点的维度为dv.通过对查询值和所有的键值进行点乘运算，并通过函数计算得到在数值点的权重，为注意力值，注意力值即筛选识别异常数据，其函数表达式为：
S5:通过在所述故障源数据库中检索所述异常油色谱数据，查找对比所述故障类型，对故障类型诊断；将注意力机制模型输出状态分为正常和异常两种，异常表示变压器出现的故障类型；所述异常状态包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电的故障类型，本发明所列举的低温过热、中温过热、高温过热、局部放电、低能放电和高能放电的六大故障类型为常见的故障形式。
S6:注意力机制模型输出状态输出为异常，远程发送模块与用户端建立连接，并发出预警信号。
具体操作过程如下：
1)首先对收集到的油色谱监测数据以及对应的样本案例库数据进行数据清洗，将明显错误的样本数据剔除。
2)为了更好的体现故障变化的动态过程，考虑一段时间内的气体浓度变化情况，对各种浓度序列，采用窗口长度为T的滑动窗口对数据进行截取切片，较长的时间窗口虽然可以涵盖更多的信息，但是会增加模型的计算复杂度；而较短的时间窗口则不能很好地体现气体的变化情况，可以将数据的采样率设置为1小时，综合考虑模型的计算速度和体现气体变化情况，选择的窗口长度 T＝72，即可以表征三天的气体变化情况。
3)在每个时间窗口，计算各种气体浓度序列的频域分量加入到对应的样本数据中，加入的频域分量信息为一阶小波分解信号、二阶小波分解信号和三阶小波分解信号。
4)对每个时间窗口，对时域序列和频域序列计算气体浓度比值，也加入到训练数据中。从而，每个时间窗口的数据包括：气体浓度的时域序列、频域分量序列、时域序列比值以及频域序列浓度比值。
5)对所有的训练数据进行归一化处理，可以消除由于数据本身尺度差异带来的不良影响。不同的输入特征参量其数据范围是不同的。范围的差异性会对模型的学习能力带来影响。在学习过程中，数值较小的特征参量会被视为噪声信息。为了解决这个问题，需要对数据进行归一化处理。
6)将油色谱数据作为输入，变压器状态作为输出来训练残差注意力网络。为了更好的变压器状态进行评估，所以将其状态分为正常和异常两种，异常状态又包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电六种故障类型。
8)输入变压器状态结果，如果发现异常，则需要对其进行判别，并发出预警，将结果立即发送给变电站检修人员，指导后续的检修工作。
实施例2
参照图3～5，为本发明第二个实施例，该实施例基于上一个实施例。
为了同目前的常用算法进行对比，本发明选用基本的残差网络Resnet和支持向量机(supportvector machine,SVM)作为对比算法。
表1不同算法的ACC结果表。
表2不同算法的PREC结果表。
| 方法 | CNN | SVM | 本文方法 |
| 正常 | 0.891 | 0.856 | 0.91 |
| 低温过热 | 0.823 | 0.789 | 0.853 |
| 中温过热 | 0.845 | 0.823 | 0.875 |
| 高温过热 | 0.842 | 0.776 | 0.853 |
| 局部放电 | 0.834 | 0.821 | 0.823 |
| 低能放电 | 0.821 | 0.785 | 0.844 |
| 高能放电 | 0.816 | 0.788 | 0.839 |
| 平均 | 0.838 | 0.805 | 0.856 |
表3不同算法的REC结果表。
| 方法 | CNN | SVM | 本文方法 |
| 正常 | 0.882 | 0.844 | 0.905 |
| 低温过热 | 0.806 | 0.772 | 0.842 |
| 中温过热 | 0.85 | 0.811 | 0.856 |
| 高温过热 | 0.813 | 0.773 | 0.831 |
| 局部放电 | 0.816 | 0.758 | 0.822 |
| 低能放电 | 0.811 | 0.802 | 0.853 |
| 高能放电 | 0.806 | 0.791 | 0.814 |
| 平均 | 0.826 | 0.793 | 0.846 |
综合对比三个表中的结果，本发明的方法在所有的状态分类中，其ACC、 PREC和REC结果都比其余的两种对比方法好，从而可以验证本发明的有效性有优越性；
请参照图3～5，由于单次实验存在一定的偶然性，本文将三种方法重复实验100次，其平均分类结果的不同指标分布结果如图3-图5所示。图中可以看出，本文的方法的结果分布更为稳定，而SVM结果较为分散。结果表明，本文提出的方法在平均和方差上都比其他两种对比方法优越。
重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于监测数据的变压器故障诊断方法，其特征在于：包括，
收集并归档现有的异常油色谱数据以及对应的故障类型，基于所述油色谱数据和故障类型建立故障源数据库；
将待诊断的油色谱数据，输入到注意力机制模型；
利用所述注意力机制模型进行筛选识别异常数据；
通过在所述故障源数据库中检索异常数据，查找对比所述故障源数据库中的故障类型。
2.如权利要求1所述的基于监测数据的变压器故障诊断方法，其特征在于：构建所述油色谱数据源数据包括，
所述异常油色谱数据包括甲烷、乙烷、乙烯、乙炔、氢气、一氧化碳和二氧化碳的气体浓度数值；
所述故障类型包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电；
基于所述油色谱数据和故障类型的对应关系建立故障源数据库。
3.如权利要求1或2所述的基于监测数据的变压器故障诊断方法，其特征在于：还包括，
通过注意力机制模型筛选识别异常数据；
所述注意力机制模型通过对查询值和所有的键值进行点乘运算，并通过函数计算得到在数值点的权重，为注意力值，注意力值即筛选识别异常数据，其函数表达式为：
其中，查询值为Q、键值为K以及数值点为V；其中查询值和键值的维度都为dk，数值点的维度为dv。
4.如权利要求3所述的基于监测数据的变压器故障诊断方法，其特征在于：
通过注意力模机制模型筛选出对故障类型影响大的所述异常油色谱数据，通过在所述故障源数据库中检索所述异常油色谱数据，查找对比所述故障类型，对故障类型诊断。
5.如权利要求1所述的基于监测数据的变压器故障诊断方法，其特征在于：
采用时间窗口长度为T的窗口对数据进行截取切片，在每个时间窗口，计算各种气体浓度序列的频域分量，并加入到对应的待诊断的油色谱数据中；
加入的频域分量信息为一阶小波分解信号、二阶小波分解信号和三阶小波分解信号；
所述气体浓度数值包括气体浓度变化情况。
6.如权利要求5所述的基于监测数据的变压器故障诊断方法，其特征在于：
通过计算不同类型气体浓度变化，在单位时间中取平均值，将数据进行归一化处理。
7.如权利要求6所述的基于监测数据的变压器故障诊断方法，其特征在于：
将待诊断的所述油色谱数据作为注意力机制模型的输入，变压器状态作为注意力机制模型输出；
将注意力机制模型输出状态分为正常和异常两种，异常表示变压器出现的故障类型。
8.如权利要求2或7所述的基于监测数据的变压器故障诊断方法，其特征在于：所述异常状态包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电的故障类型。
9.如权利要求8所述的基于监测数据的变压器故障诊断方法，其特征在于：
利用sigmod函数实现输出的归一化，将单位时间分解为最小时间片段，以消除由于数据尺度不同对模型效果的影响，其函数表达式为：
其中，可以将向量中的元素压缩在(0,1)的范围内，并使得所有元素和为1。
10.如权利要求9所述的基于监测数据的变压器故障诊断方法，其特征在于：
远程发送模块与用户端建立连接，当所述注意力机制模型输出状态输入为异常时，并发出预警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111406847.6A CN114509620A (zh) | 2021-11-24 | 2021-11-24 | 一种基于监测数据的变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111406847.6A CN114509620A (zh) | 2021-11-24 | 2021-11-24 | 一种基于监测数据的变压器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114509620A true CN114509620A (zh) | 2022-05-17 |
Family
ID=81548683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111406847.6A Pending CN114509620A (zh) | 2021-11-24 | 2021-11-24 | 一种基于监测数据的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114509620A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115078618A (zh) * | 2022-07-13 | 2022-09-20 | 广东电网有限责任公司 | 一种变压器油色谱故障识别方法及相关装置 |
| CN116572747A (zh) * | 2023-07-13 | 2023-08-11 | 宁德时代新能源科技股份有限公司 | 电池故障检测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-11-24 CN CN202111406847.6A patent/CN114509620A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115078618A (zh) * | 2022-07-13 | 2022-09-20 | 广东电网有限责任公司 | 一种变压器油色谱故障识别方法及相关装置 |
| CN115078618B (zh) * | 2022-07-13 | 2023-11-07 | 广东电网有限责任公司 | 一种变压器油色谱故障识别方法及相关装置 |
| CN116572747A (zh) * | 2023-07-13 | 2023-08-11 | 宁德时代新能源科技股份有限公司 | 电池故障检测方法、装置、计算机设备和存储介质 |
| CN116572747B (zh) * | 2023-07-13 | 2023-12-22 | 宁德时代新能源科技股份有限公司 | 电池故障检测方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Sliding window-based fault detection from high-dimensional data streams | |
| CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
| Bersimis et al. | Multivariate statistical process control charts: an overview | |
| CN110543903B (zh) | 一种gis局部放电大数据系统的数据清洗方法及系统 | |
| EP2333629A1 (en) | Error detection method and system | |
| Wen et al. | Maximal information coefficient-based two-stage feature selection method for railway condition monitoring | |
| CN114509620A (zh) | 一种基于监测数据的变压器故障诊断方法 | |
| CN107561997B (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
| CN111241673B (zh) | 用于噪声环境工业设备的健康状态预测方法 | |
| CN108663582A (zh) | 一种变压器的故障诊断方法及系统 | |
| KR102128460B1 (ko) | 변압기의 이상 탐지 방법 | |
| Zhang et al. | Bearing performance degradation assessment based on time-frequency code features and SOM network | |
| CN111060652A (zh) | 基于长短期记忆网络的变压器油中溶解气体浓度预测方法 | |
| CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
| Tobar et al. | Anomaly detection in power generation plants using similarity-based modeling and multivariate analysis | |
| CN116304957A (zh) | 一种供变电设备监测状态突变在线识别方法 | |
| CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
| CN118439469A (zh) | 一种电梯运行噪声诊断与维保方法及系统 | |
| Shamsudin et al. | Investigation on online DGA monitoring to determine transformer health index using machine learning | |
| CN112420136B (zh) | 一种六氟化硫高压设备潜伏性故障溯源的方法 | |
| Noroozifar et al. | Root cause analysis of process faults using alarm data | |
| CN113721002A (zh) | 一种基于硬投票集成学习的变压器故障诊断的方法 | |
| CN114112390A (zh) | 一种非线性复杂系统早期故障诊断方法 | |
| KR102486463B1 (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
| Gu et al. | Mechanical fault diagnosis of transformer on-load tap-changer based on improved variational mode decomposition and support vector machine |
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 |