CN114757305B - 一种基于集成学习的电压互感器绝缘故障辨识方法及系统 - Google Patents

一种基于集成学习的电压互感器绝缘故障辨识方法及系统 Download PDF

Info

Publication number
CN114757305B
CN114757305B CN202210663219.4A CN202210663219A CN114757305B CN 114757305 B CN114757305 B CN 114757305B CN 202210663219 A CN202210663219 A CN 202210663219A CN 114757305 B CN114757305 B CN 114757305B
Authority
CN
China
Prior art keywords
data set
learning
data
fault
constructing
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.)
Active
Application number
CN202210663219.4A
Other languages
English (en)
Other versions
CN114757305A (zh
Inventor
李红斌
郭盼盼
张传计
陈庆
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202210663219.4A priority Critical patent/CN114757305B/zh
Publication of CN114757305A publication Critical patent/CN114757305A/zh
Application granted granted Critical
Publication of CN114757305B publication Critical patent/CN114757305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于集成学习的电压互感器绝缘故障辨识方法及系统，其方法包括：获取电压互感器的运行数据，并根据其构建第一数据集；对所述第一数据集进行清洗、特征提取得到第二数据集；根据样本的余弦距离，筛选出多种迁移学习方法，并利用其迁移第二数据集，得到训练集；利用训练集分别使用多个有监督学习方法进行训练得到多个有监督学习模型，构建迁移学习评价指标并结合正确率确定每个有监督学习模型的权重，对其进行融合，得到集成学习模型；利用所述集成学习模型辨识待测电压互感器的故障。本发明通过迁移学习结合集成学习将多个有监督学习模型融合，实现了使用少量数据即可高准确率地识别变电站单台或多台电压互感器绝缘故障。

Description

一种基于集成学习的电压互感器绝缘故障辨识方法及系统
技术领域
本发明属于电力设备检测与深度学习技术领域，具体涉及一种基于集成学习的电压互感器绝缘故障辨识方法及系统。
背景技术
电压互感器是电力系统信息采集的关键设备之一，作为电力系统中应用广泛的高电压测量设备，其输出电压是电力系统中电能计量、系统状态监控以及继电保护等多种电力系统应用的依据，是加快能源互联网推进的重要设备之一。
电压互感器在长期过程中受到环境因素影响元件逐渐老化，某些绝缘薄弱点易发生击穿，引起一次设备故障接地，导致保护跳闸，影响一次设备和电力系统的稳定运行。因此及时获取电力互感器绝缘运行状态以便于及时运维故障电压互感器以保证电力系统正常运行十分重要。
传统的电压互感器绝缘状态检测方法为定周期离线检测，需使用到电容电桥、介损电桥等装置，需计划性停电配合，无法及时掌握电压互感器的绝缘运行状态。因此为摆脱计划性停电配合的束缚，专利CN110988636B提出了一种电容式电压互感器绝缘检测方法及装置，通过外接电流互感器采集电流，比较各个部件电流的相对变化，进而获取电容式电压互感器各个部件绝缘状态，但需在互感器一次侧额外加装设备，易受电磁干扰影响。因变电站电容式电压互感器二次输出电压价值密度比较低，优质带标签的绝缘故障数据较少，难以满足机器学习以及人工智能等智能算法的训练要求，为此专利CN113447783B提出了一种电压互感器绝缘故障辨识模型，通过实验室模拟变电站环境下电压互感器绝缘故障，使用迁移学习与监督学习方法实现电压互感器绝缘状态辨识。但由于其方法仅用到单相误差信息，仅可满足单台电压互感器故障的辨识，多台电压互感器故障辨识准确率较差；且变电站运行工况复杂，不同变电站不同型号电压互感器不同绝缘故障在误差信息中体现的数据分布不同，同时不同迁移学习与监督学习方法适合的数据分布差异比较大，辨识效果各异，因此该方法难以为变电站复杂运行工况下电压互感器不同的绝缘故障确定合适的迁移学习与监督学习方法。
发明内容
为解决现有技术中多台电压互感器故障辨识准确率低的问题，在本发明的第一方面提供了一种基于集成学习的电压互感器绝缘故障辨识方法，包括：获取电压互感器的运行数据，并根据其构建第一数据集；所述运行数据至少包括二次电压数据；对所述第一数据集进行清洗，从清洗后的第一数据集中提取组间特征和相间特征，并将其进行聚类，得到包含多个类别特征的第二数据集；利用多种迁移学习方法将所述多个第二数据集进行迁移，得到多个第三数据集；利用每个第三数据集分别训练多个有监督学习模型，并根据准确率确定每个有监督学习模型的权重，对所述多个有监督学习模型进行融合，得到集成学习模型；利用所述集成学习模型辨识待测电压互感器的故障。
本发明的第二方面，提供了一种基于集成学习的电压互感器绝缘故障辨识系统，包括：获取模块，用于获取电压互感器的运行数据，并根据其构建第一数据集；所述运行数据至少包括二次电压数据；聚类模块，用于对所述第一数据集进行清洗，从清洗后的第一数据集中提取组间特征和相间特征，并将其进行聚类，得到包含多个类别特征的第二数据集；融合模块，用于利用多种迁移学习方法将所述多个第二数据集进行迁移，得到多个第三数据集；利用每个第三数据集分别训练多个有监督学习模型，并根据准确率确定每个有监督学习模型的权重，对所述多个有监督学习模型进行融合，得到集成学习模型；辨识模块，用于利用所述集成学习模型辨识待测电压互感器的故障。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面提供的基于集成学习的电压互感器绝缘故障辨识方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明在第一方面提供的基于集成学习的电压互感器绝缘故障辨识方法。
本发明的有益效果是：
本发明通过多种迁移学习方法与多种监督学习方法对不同电压等级特征数据集进行建模，构建评判指标挑选迁移学习方法；最后计算各种方法对应的加权，利用加权综合多种迁移学习方法与有监督学习方法构建集成学习模型，从而实现使用少量数据即可高准确率地识别变电站单台或多台电压互感器绝缘故障，实时掌握电压互感器的运行状态，为电力系统的稳定运行提供保障。
附图说明
图1为本发明的一些实施例中的于集成学习的电压互感器绝缘故障辨识方法的基本流程示意图；
图2为本发明的一些实施例中的多母线各n组电压互感器接线结构拓扑图；
图3为本发明的一些实施例中的保持电子地平线的路网数据范围最小化的方法的具体流程示意图；
图4为本发明的一些实施例中的各种迁移学习方法余弦相似度判断指标示意图；
图5为本发明的一些实施例中的迁移学习方法中初步筛选的相似度判断指标示意图；
图6为本发明的一些实施例中的于集成学习的电压互感器绝缘故障辨识系统的结构示意图；
图7为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1或图3，在本发明的第一方面，提供了一种基于集成学习的电压互感器绝缘故障辨识方法，包括：S100.获取电压互感器的运行数据，并根据其构建第一数据集；所述运行数据至少包括二次电压数据；S200.对所述第一数据集进行清洗，从清洗后的第一数据集中提取组间特征和相间特征，并将其进行聚类，得到包含多个类别特征的第二数据集；S300利用多种迁移学习方法将所述多个第二数据集进行迁移，得到多个第三数据集；利用每个第三数据集分别训练多个有监督学习模型，并根据准确率确定每个有监督学习模型的权重，对所述多个有监督学习模型进行融合，得到集成学习模型；S400.利用所述集成学习模型辨识待测电压互感器的故障。
应理解，本文中出现的机器学习的各种学习模型，迁移学习、有监督学习、集成学习通常可以表达为某学习模型方法、某学习、某学习方法（某代表机器学习方法的名称，例如有监督学习），并不影响其所表达的训练方法以及训练完成得到最终的模型；该模型根据训练完成程度也可分为预训练模型、最终模型等。
作为S200-S400中迁移学习、有监督学习、集成学习等模型的原始训练数据集。本公开中是针对电压互感器绝缘故障，所以原始训练数据集中包含了变压互感器在运行中采集到（测量到）的数据和基于运行数据的仿真模拟数据。
有鉴于此，参考图2，在本发明的一些实施例的步骤S100中，所述获取电压互感器的运行数据，并根据其构建第一数据集包括：将同一电压等级电压互感器构建为群体，通过采集电压互感器故障仿真平台绝缘状态正常时二次电压数据为源域无故障数据集，模拟绝缘状态故障时二次电压数据为源域绝缘故障数据集；采集变电站中不同电压等级绝缘状态正常时二次电压数据为目标域无故障数据集，绝缘状态故障时二次电压数据为目标域绝缘故障数据集；根据所述源域无故障数据集、源域绝缘故障数据集、目标域无故障数据集和目标域绝缘故障数据集构建第一数据集。
具体地，包括：
S101：数据采集包括通过数据采集装置实时采集故障仿真平台L组VT的三相二次侧电压幅值信号，包括绝缘状态正常以及绝缘故障的二次侧电压数据；绝缘状态正常数据即无故障正常运行状态下的二次电压数据，绝缘故障数据即模拟绝缘状态故障时的运行数据，绝缘状态故障包括电压互感器层间击穿故障、匝间击穿故障、电容分压器电容击穿故障、电容分压器介质损耗异常故障等；
S102：数据采集包括通过数据采集装置实时采集变电站中的同一电压等级的L组同一型号的VT的三相二次侧电压幅值信号，周检时无绝缘故障则取该周二次电压数据为目标域无故障数据，周检时发现绝缘故障，则取周检前2小时二次电压数据为绝缘故障数据，以此积累得到包含各种绝缘状态故障的数据作为目标域绝缘故障数据集。
在特征提取的过程中，在特征维度上提高多台电压互感器故障辨识的适应性问题，需要提高特征的多样性。因此，在本发明的一些实施例中的S200中，对所述第一数据集进行清洗，从清洗后的第一数据集中提取组间特征和相间特征，并将其进行聚类，得到包含多个类别特征的第二数据集包括：
S201.基于数据统计特征开展异常点检测，消除无故障数据集以及绝缘故障数据集中的电力系统暂态数据对绝缘故障辨识的影响；
具体地，取S100中无故障数据集与绝缘故障数据集中连续的m个样本
Figure 709622DEST_PATH_IMAGE001
开展异常点检测，将U每组每相数据按数值升序排列记为
Figure 672767DEST_PATH_IMAGE002
，计算下四分位数Q1、中位数Q2、 上四分位数Q3。Qi所在位置为
Figure 859029DEST_PATH_IMAGE003
，其中i=1，2，3。记
Figure 365490DEST_PATH_IMAGE004
整数部分为
Figure 445442DEST_PATH_IMAGE005
，记
Figure 346533DEST_PATH_IMAGE004
小数部分为
Figure 144724DEST_PATH_IMAGE006
，则：
Figure 405941DEST_PATH_IMAGE007
（1）；
则，四分位距IQR为：
Figure 120825DEST_PATH_IMAGE008
（2）；
于是非异常范围上限为
Figure 255135DEST_PATH_IMAGE009
，非异常范围下限为
Figure 54722DEST_PATH_IMAGE010
。非异常范围即为大于down且小于up，当U中一个样本中任意 一组任意一相数据在对应非异常范围之外，则删除该样本。在上述m样本后重新连续取m个 样本重复上述异常点检测，直至数据集中所有样本均被检测。将删除暂态电压样本后的数 据集作为新的无故障数据集以及绝缘故障数据集。
S202.根据同相电压互感器的测量真值强相关而测量误差不相关，采用独立成分分析法剔除测量真值信息，获得无故障数据集与绝缘故障数据集的误差信息；
具体地，使用无故障数据集取出三相数据
Figure 854050DEST_PATH_IMAGE011
分别构建独立成分分析 法模型获得无故障误差信息数据集
Figure 220179DEST_PATH_IMAGE012
。将绝缘故障数据三相数据
Figure 994231DEST_PATH_IMAGE013
代入对应相独立成分分析法模型获得绝缘故障误差信息数据集
Figure 298173DEST_PATH_IMAGE014
，将无故障三相数据集与绝缘故障三相数据集合并为二次电压数据集
Figure 622231DEST_PATH_IMAGE015
，将无故障误差信息数据集与绝缘故障误差信息数据集合并组成误差信息数据 集
Figure 780549DEST_PATH_IMAGE016
,n为无故障误差信息数据集与绝缘故障误差信息数据集的样本总数。
S203.利用单相误差信息构建组间特征量，利用三相二次电压构建相间特征量，形成特征数据集；根据相同故障类型数据样本的相似性，将t个样本合并为一个样本，减小特征数据集的样本数量，降低模型复杂度；
S204.构建组间特征量
Figure 381295DEST_PATH_IMAGE017
与相间特征量
Figure 438113DEST_PATH_IMAGE018
：
Figure 533239DEST_PATH_IMAGE019
（3），
Figure 93533DEST_PATH_IMAGE020
（4），
其中E AL 为第L组A相的误差信息数据，
Figure 445273DEST_PATH_IMAGE021
为第L组A相的二次电压数据。构建组间 特征量A与相间特征量
Figure 661491DEST_PATH_IMAGE022
合并为特征数据集
Figure 262105DEST_PATH_IMAGE023
。为特征数据集
Figure 473644DEST_PATH_IMAGE024
中无故 障以及绝缘故障类别设置标签为
Figure 229241DEST_PATH_IMAGE025
。
S205.假设每类型故障共有z个样本，取特征数据集中同一故障类型y个样本做聚 类分析，计算其聚类中心，得到聚类后的特征数据集
Figure 932755DEST_PATH_IMAGE026
,以及标签
Figure 667886DEST_PATH_IMAGE027
降低样本数量，为后续监督学习降低模型复杂度，但仍保留每类型故障z 个样本的信息。
为解决电压互感器故障数据获取难度大，样本少的问题，可以利用迁移学习方法对原始数据集进行扩增。因此，在本发明的一些实施例中的S300中，利用多种迁移学习方法将所述多个第二数据集进行迁移，得到多个第三数据集；利用每个第三数据集分别训练多个有监督学习模型，并根据准确率确定每个有监督学习模型的权重，对所述多个有监督学习模型进行融合，得到集成学习模型包括：
S301.利用a种监督学习方法以及d种迁移学习方法对不同电压等级的特征数据集 进行训练，分别获得d个迁移后的特征数据集。具体地，设a种监督学习方法为ML_1，ML_ 2，…，ML_a；d种迁移学习方法为TL_1，TL_2，…，TL_d。记在故障仿真平台下测量得到的特征 数据集为F1，变电站
Figure 468352DEST_PATH_IMAGE028
个电压等级下测量得到的特征数据集为F2，F3，…，Fc，以F1为基 础实现对其余特征数据集的迁移，即以F1为源域，F2，F3，…，Fc均为目标域。F1与F2使用TL_ 1，TL_2，…，TL_d迁移后的数据集分别记为F1_new_1，F2_new_1，F1_new_2，F2_new_2，…， F1_new_d，F2_new_d。
S302.利用S301中所述的迁移后特征数据集构建迁移学习效果评判指标，挑选满足指标要求的b种迁移学习方法，并计算b种迁移学习方法与a种监督学习方法的a×b个预测正确率并构建加权，利用加权综合多种迁移学习以及监督学习方法构建基于集成学习的电压互感器绝缘故障辨识模型。
具体地，包括：
S3021.使用余弦相似度构建迁移学习效果评价指标，余弦相似度越靠近1则代表两向量方向越接近，余弦相似度越接近-1代表两向量方向越不接近。其中余弦相似度计算公式为：
Figure 847381DEST_PATH_IMAGE029
（5）,
记F1_new为源域数据，F2_new为目标域数据。计算各迁移学习方法迁移后数据源域与目标域同类别样本聚类中心的余弦相似度，迁移后源域与目标域分布应尽可能相似，即相似度值越大越好，因此取所有类别的余弦相似度的最小值记为min_cos；计算各迁移学习方法迁移后数据目标域不同类别样本聚类中心的余弦相似度，迁移后目标域不同类别间的分布应尽可能不相似，即值越小越好，因此取不同类别间余弦相似度的最大值记为max_cos。计算F1_new_1，F2_new_1的min_cos与max_cos记为min_cos_1与max_cos_1；以此类推获得min_cos_1、max_cos_1、min_cos_2、max_cos_2、…、min_cos_d、max_cos_d。
S3022：若存在一种迁移学习方法TL_i，其1-min_cos_i与max_cos_i满足公式（6）、（7），且其中至少一个是严格不等式，则该迁移学习方法被支配，否则该迁移学习未被支配。如图4所示，TL_1~TL_5为未被支配的迁移学习方法，TL_6~TL_10为被支配的迁移学习方法。剩余未被支配的b种迁移学习方法，迁移后的数据集为F1_new_1，F2_new_1，F1_new_2，F2_new_2，…，F1_new_b，F2_new_b；
Figure 851240DEST_PATH_IMAGE030
（6），
Figure 137865DEST_PATH_IMAGE031
（7）。
S303.计算S302中挑选的b种迁移学习方法与a种监督学习方法的a×b个预测正确率并构建加权，利用加权综合多种迁移学习以及监督学习方法构建基于集成学习的电压互感器绝缘故障辨识模型包括：
S3031.以F1_new_1，F1_new_2，…，F1_new_b划分训练集与测试集，使用a种监督学习方法进行训练并得到测试集的正确率为acc_1_1，acc_1_2，…，acc_1_a，acc_2_1，…，acc_d_a。F1与F3，F4，…，Fc迁移后得到的正确率计算同上述步骤。
S3032.构建迁移学习权重，方法如下：
Figure 714209DEST_PATH_IMAGE032
（8），
计算得k。得TL_1，TL_2，…，TL_b对应的权重为：
Figure 326456DEST_PATH_IMAGE033
（9），
其中i取1、2、…、b。
S3033.将迁移学习权重指标与监督学习正确率结合形成综合评判指标，其中
Figure 552032DEST_PATH_IMAGE034
Figure 907927DEST_PATH_IMAGE035
（10），
Figure 533250DEST_PATH_IMAGE036
可得TL_i与ML_j方法对应的权重
Figure 785240DEST_PATH_IMAGE037
为：
Figure 996647DEST_PATH_IMAGE038
（11），
每两个电压等级共可得a×b个权重。利用权重和多种迁移学习与监督学习方法构建集成学习模型；
S3034.将变电站中新采集的故障数据代入到训练好的绝缘故障辨识模型中，经过 b种迁移学习方法以及a种监督学习方法，可获得预测标签为label_1_1，label_1_2，…， label_1_a，label_2_1，…，label_b_a。根据a×b个权重对新数据集每个样本标签进行概率 抽取，即以权重
Figure 641387DEST_PATH_IMAGE039
作为概率，每个样本从label_1_1，label_1_2，…，label_1_a， label_2_1，…，label_b_a有放回抽取一个标签作为此样本结合多种迁移学习与机器学习 方法的综合预测标签。F1与F3，F4，…，Fc模型构建方法同上述步骤。提高辨识模型的准确率 和适应性，可以利用加权综合多种迁移学习方法与监督学习方法构建集成学习模型实现电 压互感器绝缘故障的辨识。
在本发明的一个实施例中，分别选取110kV绝缘故障仿真平台6组电容式电压互感器与某变电站220kV同一母线6组电容式电压互感器，其拓扑结构如图2所示。
参考图3，相应地，其电压互感器绝缘故障的辨识的实施步骤包括：
1）采集各组CVT二次电压数据，包括无故障运行状态数据以及绝缘故障运行状态数据。无故障运行状态数据为各组CVT均无绝缘故障时的二次电压数据，绝缘故障运行状态数据包括CVT发生高压电容1台击穿、高压电容2台击穿、中压电容1台击穿、中压电容2台击穿。
2）对每个故障类别以及无故障数据进行开展异常点检测，取20个二次电压样本集计算各组各相对应的四分位数，进而计算各组各相对应的上限与下限值，其中110kV绝缘故障仿真平台某组A相对应的四分位数与上下限结果如表1所示。
表1 箱型图结果
Figure 270951DEST_PATH_IMAGE040
删除其中任意一组CVT任何一相电压幅值在非异常范围之外的样本。删除后二次电压数据集样本数量以及对应标签如表2所示。
表2 CVT故障数据
Figure 897104DEST_PATH_IMAGE041
则，110kV与220kV二次电压数据集
Figure 864317DEST_PATH_IMAGE042
、
Figure 499697DEST_PATH_IMAGE043
。
3）使用600个无故障运行状态数据样本分相分别建立110kV与220kV独立成分分析 模型，并将
Figure 203342DEST_PATH_IMAGE044
、
Figure 593872DEST_PATH_IMAGE045
分相带入独立成分分析模型得到110kV与220kV误差信息数据
Figure 311030DEST_PATH_IMAGE046
。其中考虑到同相CVT一次电压的一致性，选取独 立成分数量为1，通过独立成分分析得到解混矩阵W，从而求取故障特征数据，故障特征数据 计算方法如下式所示：
Figure 625468DEST_PATH_IMAGE047
（12），
其中，E为表征经过特征提取的故障特征数据，X为电压互感器经过标准化后的二次电压数据。截取部分二次电压数据集如表3所示，部分误差信息数据集如表4所示。
表3 部分二次电压数据
Figure 481822DEST_PATH_IMAGE048
表4 经过独立成分分析法特征提取后的部分误差信息数据
Figure 262828DEST_PATH_IMAGE049
4）构建110kV与220kV相间特征量
Figure 421276DEST_PATH_IMAGE050
、
Figure 710044DEST_PATH_IMAGE051
与组 间特征量
Figure 840811DEST_PATH_IMAGE052
、
Figure 307565DEST_PATH_IMAGE053
。计算公式见步骤S301。将
Figure 172884DEST_PATH_IMAGE054
与
Figure 688179DEST_PATH_IMAGE055
合并为特征数据集
Figure 204611DEST_PATH_IMAGE056
，将
Figure 94463DEST_PATH_IMAGE057
与
Figure 430766DEST_PATH_IMAGE058
合并 为特征数据集
Figure 812069DEST_PATH_IMAGE059
。截取F110部分特征数据集如表5所示，部分F220特征数 据集如表6所示。
表5 F110部分特征数据集
Figure 933740DEST_PATH_IMAGE060
表6 F220部分特征数据集
Figure 679979DEST_PATH_IMAGE061
对F110与F220进行聚类分析，取每类别10个样本计算一个聚类中心，则每类别 600/60个样本经过聚类后变为60/6个样本，样本数量大大减小，但很大程度保留了每类别 600/60样本的数据信息。将聚类后的样本按类别重新赋以标签，得到聚类后的
Figure 300316DEST_PATH_IMAGE062
、
Figure 937840DEST_PATH_IMAGE063
。
5）在本实施例中，以4种迁移学习方法为例，分别为相关对齐法（CorrelationAlignment，简称CORAL）、迁移成分分析法（Transfer Component Analysis，简称TCA）、联合分布自适应（Joint Distribution Adaptation，简称JDA）算法、测地线流式核方法（Geodesic Flow Kernel，简称GFK）；使用3种监督学习算法，分别为随机森林算法（RandomForest，简称RF）、支持向量机（Support Vector Machine，简称SVM）、K近邻分类算法（K-Nearest Neighbor，简称KNN）算法。
F110与F220经过CORAL迁移后的新数据集记为F110_CORAL，F220_CORAL；为F110与F220经过TCA迁移后的新数据集记为F110_TCA，F220_TCA； F110与F220经过JDA迁移后的新数据集记为F110_JDA，F220_JDA；；F110与F220经过GFK迁移后的新数据集记为F110_GFK，F220_GFK；F110_CORAL，F220_CORAL部分数据集如表7、表8所示：
表7 F110_CORAL部分特征数据集
Figure 897705DEST_PATH_IMAGE064
表8 F220_CORAL部分特征数据集
Figure 877163DEST_PATH_IMAGE065
F110_TCA，F220_TCA部分数据集如表9、表10所示
表9 部分特征数据集F110_TCA
Figure 204370DEST_PATH_IMAGE066
表10 部分特征数据集F220_TCA
Figure 865158DEST_PATH_IMAGE067
F110_JDA，F220_JDA部分数据集如表11、表12所示
表11 F110_JDA部分特征数据集
Figure 741847DEST_PATH_IMAGE068
表12 F220_JDA部分特征数据集
Figure 359384DEST_PATH_IMAGE069
F110_GFK，F220_GFK部分数据集如表13、表14所示
表13 F110_GFK部分特征数据集
Figure 157576DEST_PATH_IMAGE070
表14 F220_GFK部分特征数据集
Figure 684372DEST_PATH_IMAGE071
6）依照S501中的方法计算各迁移学习方法迁移后数据源域与目标域同类别样本聚类中心的余弦相似度以及迁移后目标域不同类别聚类中心的余弦相似度。可得经CORAL方法迁移后所有类别的余弦相似度的最小值记为min_CORAL，不同类别间余弦相似度的最大值记为max_CORAL；同上可得经TCA方法迁移后得到min_TCA、max_TCA；可得经JDA方法迁移后得到min_JDA、max_JDA;可得经GFK方法迁移后得到min_GFK、max_GFK,其具体值如表15所示。
表15 余弦相似度值
Figure 103984DEST_PATH_IMAGE072
利用上述余弦相似度做初步筛选，则GFK为被支配的迁移学习方法，TCA、JDA、CORAL方法为未被支配的迁移学习方法。因此选择TCA、JDA、CORAL方法计算权重。
7）经三种监督学习方法由F110_CORAL训练模型得到的F220_CORAL分类正确率Acc_CORAL_RF、Acc_CORAL_SVM、Acc_CORAL_KNN；由F110_TCA训练模型得到的F220_TCA分类正确率Acc_TCA_RF、Acc_TCA_SVM、Acc_TCA_KNN；由F110_JDA训练模型得到的F220_JDA分类正确率Acc_JDA_RF、Acc_JDA_SVM、Acc_JDA_KNN。上述正确率结果如表16所示。
表16 正确率结果
Figure 690823DEST_PATH_IMAGE073
由S502中所介绍方法可得
Figure 976311DEST_PATH_IMAGE074
。记CORAL与RF方法对应的 权重为weights_CORAL_RF，进而得集成学习即3种迁移学习方法与3种监督学习结合对应的 总权重如表17所示，其中CORAL与KNN结合的方法效果最好则权重最高。
表17 权重结果
Figure 228169DEST_PATH_IMAGE075
自此基于集成学习的电压互感器绝缘故障辨识模型构建完成。使用变电站新220kV数据集对上述模型进行测试，新数据集带入上述模型可得到三种迁移学习方法与三种监督学习方法可得到9种预测标签，按表所述的权重对9种预测标签赋以概率，如使用CORAL与KNN方法得到的预测标签被抽取的概率为49.48%。每个样本标签从9种预测标签中按概率不放回抽取可以得到综合预测标签。部分真实标签与综合预测标签如表18所示。
表18 部分真实标签与综合预测标签
Figure 79451DEST_PATH_IMAGE076
综合预测正确率最高可达95.3%。
实施例2
参考图6，本发明的第二方面，提供了一种基于集成学习的电压互感器绝缘故障辨识系统1，包括：获取模块11，用于获取电压互感器的运行数据，并根据其构建第一数据集；所述运行数据至少包括二次电压数据；聚类模块12，用于对所述第一数据集进行清洗，从清洗后的第一数据集中提取组间特征和相间特征，并将其进行聚类，得到包含多个类别特征的第二数据集；融合模块13，用于利用多种迁移学习方法将所述多个第二数据集进行迁移，得到多个第三数据集；利用每个第三数据集分别训练多个有监督学习模型，并根据准确率确定每个有监督学习模型的权重，对所述多个有监督学习模型进行融合，得到集成学习模型；辨识模块14，用于利用所述集成学习模型辨识待测电压互感器的故障。
在一些实施例中，所述聚类模块12包括：获取单元，用于采用独立成分分析法剔除第一数据集中的测量真值信息，获得第一数据集中的无故障数据集与绝缘故障数据集的误差信息；第一构建单元，用于利用所述误差信息构建组间特征量，利用三相二次电压构建相间特征量；第二构建单元，将所述组间特征量和相间特征量作为样本，构建特征数据集；聚类单元，将所述特征数据集进行聚类，得到包含多个类别特征的第二数据集。
实施例3
参考图7，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面的方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。需要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于集成学习的电压互感器绝缘故障辨识方法，其特征在于，包括：
获取电压互感器的运行数据，并根据其构建第一数据集；所述运行数据至少包括二次电压数据；
对所述第一数据集进行清洗，从清洗后的第一数据集中提取组间特征和相间特征，并将其进行聚类，得到包含多个类别特征的第二数据集；
利用多种迁移学习方法将所述多个第二数据集进行迁移，得到多个第三数据集；利用每个第三数据集分别训练多个有监督学习模型，并根据准确率确定每个有监督学习模型的权重，对所述多个有监督学习模型进行融合，得到集成学习模型:利用a种监督学习方法以及d种迁移学习方法对不同电压等级的特征数据集进行训练，分别获得d个迁移后的特征数据集;利用所述迁移后的特征数据集构建迁移学习效果评判指标，挑选满足指标要求的b种迁移学习方法，并计算b种迁移学习方法与a种监督学习方法的a×b个预测正确率并构建加权，利用加权综合多种迁移学习以及监督学习方法构建基于集成学习的电压互感器绝缘故障辨识模型；其中，满足指标要求的b种迁移学习方法通过如下步骤确定：使用余弦相似度构建迁移学习效果评价指标，余弦相似度越靠近1则代表两向量方向越接近，余弦相似度越接近-1代表两向量方向越不接近；若存在一种迁移学习方法TL_i，其1-min_cos_i与max_cos_i满足如下公式：
∃ 1-min_cos_j（j=1,2,…,d,且j≠i）≤1-min_cos_i，∃ max_cos_j（j=1,2,…,d,且j≠i）≤max_cos_i，且其中至少一个是严格不等式，则该迁移学习方法被支配，否则该迁移学习未被支配；式中，j、i分别表示未被支配的迁移学习方法和被支配的迁移学习方法，min_cos表示数据集中的所有类别的余弦相似度的最小值，max_cos表示数据集中的不同类别间余弦相似度的最大值；
利用所述集成学习模型辨识待测电压互感器的故障。
2.根据权利要求1所述的基于集成学习的电压互感器绝缘故障辨识方法，其特征在于，所述从清洗后的第一数据集中提取组间特征和相间特征，并将其进行聚类，得到包含多个类别特征的第二数据集包括：
采用独立成分分析法剔除第一数据集中的测量真值信息，获得第一数据集中的无故障数据集与绝缘故障数据集的误差信息；
利用所述误差信息构建组间特征量，利用三相二次电压构建相间特征量；
将所述组间特征量和相间特征量作为样本，构建特征数据集；
将所述特征数据集进行聚类，得到包含多个类别特征的第二数据集。
3.根据权利要求2所述的基于集成学习的电压互感器绝缘故障辨识方法，其特征在于，所述将所述组间特征量和相间特征量作为样本，构建特征数据集包括：
根据相同故障类型数据样本的相似性，将多个样本合并为一个样本。
4.根据权利要求1所述的基于集成学习的电压互感器绝缘故障辨识方法，其特征在于，所述利用多种迁移学习方法将所述多个第二数据集进行迁移，得到多个第三数据集包括：
从多个第二数据集中选取一个由仿真平台测量得到的第二数据集，并将其作为源域，并以余下的变电站测量得到的第二数据集作为目标域；
利用多种迁移学习方法将所述源域的第二数据集迁移到目标域，得到多个第三数据集。
5.根据权利要求1至4任一项所述的基于集成学习的电压互感器绝缘故障辨识方法，所述获取电压互感器的运行数据，并根据其构建第一数据集包括：
将同一电压等级电压互感器构建为群体，通过采集电压互感器故障仿真平台绝缘状态正常时二次电压数据为源域无故障数据集，模拟绝缘状态故障时二次电压数据为源域绝缘故障数据集；
采集变电站中不同电压等级绝缘状态正常时二次电压数据为目标域无故障数据集，绝缘状态故障时二次电压数据为目标域绝缘故障数据集；
根据所述源域无故障数据集、源域绝缘故障数据集、目标域无故障数据集和目标域绝缘故障数据集构建第一数据集。
6.一种基于集成学习的电压互感器绝缘故障辨识系统，其特征在于，包括：
获取模块，用于获取电压互感器的运行数据，并根据其构建第一数据集；所述运行数据至少包括二次电压数据；
聚类模块，用于对所述第一数据集进行清洗，从清洗后的第一数据集中提取组间特征和相间特征，并将其进行聚类，得到包含多个类别特征的第二数据集；
融合模块，用于利用多种迁移学习方法将所述多个第二数据集进行迁移，得到多个第三数据集；利用每个第三数据集分别训练多个有监督学习模型，并根据准确率确定每个有监督学习模型的权重，对所述多个有监督学习模型进行融合，得到集成学习模型:利用a种监督学习方法以及d种迁移学习方法对不同电压等级的特征数据集进行训练，分别获得d个迁移后的特征数据集;利用所述迁移后的特征数据集构建迁移学习效果评判指标，挑选满足指标要求的b种迁移学习方法，并计算b种迁移学习方法与a种监督学习方法的a×b个预测正确率并构建加权，利用加权综合多种迁移学习以及监督学习方法构建基于集成学习的电压互感器绝缘故障辨识模型；其中，满足指标要求的b种迁移学习方法通过如下步骤确定：使用余弦相似度构建迁移学习效果评价指标，余弦相似度越靠近1则代表两向量方向越接近，余弦相似度越接近-1代表两向量方向越不接近；若存在一种迁移学习方法TL_i，其1-min_cos_i与max_cos_i满足如下公式：
∃1-min_cos_j（j=1,2,…,d,且j≠i）≤1-min_cos_i，∃max_cos_j（j=1,2,…,d,且j≠i）≤max_cos_i，且其中至少一个是严格不等式，则该迁移学习方法被支配，否则该迁移学习未被支配；式中，j、i分别表示未被支配的迁移学习方法和被支配的迁移学习方法，min_cos表示数据集中的所有类别的余弦相似度的最小值，max_cos表示数据集中的不同类别间余弦相似度的最大值；
辨识模块，用于利用所述集成学习模型辨识待测电压互感器的故障。
7.根据权利要求6所述的基于集成学习的电压互感器绝缘故障辨识系统，其特征在于，所述聚类模块包括：
获取单元，用于采用独立成分分析法剔除第一数据集中的测量真值信息，获得第一数据集中的无故障数据集与绝缘故障数据集的误差信息；
第一构建单元，用于利用所述误差信息构建组间特征量，利用三相二次电压构建相间特征量；
第二构建单元，将所述组间特征量和相间特征量作为样本，构建特征数据集；
聚类单元，将所述特征数据集进行聚类，得到包含多个类别特征的第二数据集。
8.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5任一项所述的基于集成学习的电压互感器绝缘故障辨识方法。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，其中，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于集成学习的电压互感器绝缘故障辨识方法。
CN202210663219.4A 2022-06-13 2022-06-13 一种基于集成学习的电压互感器绝缘故障辨识方法及系统 Active CN114757305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210663219.4A CN114757305B (zh) 2022-06-13 2022-06-13 一种基于集成学习的电压互感器绝缘故障辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210663219.4A CN114757305B (zh) 2022-06-13 2022-06-13 一种基于集成学习的电压互感器绝缘故障辨识方法及系统

Publications (2)

Publication Number Publication Date
CN114757305A CN114757305A (zh) 2022-07-15
CN114757305B true CN114757305B (zh) 2022-09-20

Family

ID=82336294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210663219.4A Active CN114757305B (zh) 2022-06-13 2022-06-13 一种基于集成学习的电压互感器绝缘故障辨识方法及系统

Country Status (1)

Country Link
CN (1) CN114757305B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814501B (zh) * 2022-06-30 2022-09-16 国网湖北省电力有限公司营销服务中心(计量中心) 一种电容式电压互感器电容击穿故障在线诊断方法
CN116125298A (zh) * 2022-11-28 2023-05-16 伏瓦科技(苏州)有限公司 电池故障检测方法及装置
CN116304846B (zh) * 2023-05-24 2023-09-12 国网江西省电力有限公司电力科学研究院 一种基于自监督学习的cvt内部绝缘异常在线评估方法
CN117131786B (zh) * 2023-10-26 2024-01-26 华中科技大学 一种电压互感器绝缘故障在线辨识方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304316A (zh) * 2017-12-25 2018-07-20 浙江工业大学 一种基于协同迁移的软件缺陷预测方法
CN109389184A (zh) * 2018-11-09 2019-02-26 华中科技大学 基于调制型注入的输配电线路绝缘态聚类分析方法及系统
CN110569727A (zh) * 2019-08-06 2019-12-13 华南理工大学 基于运动想象分类的结合类内距和类间距的迁移学习方法
CN111914708A (zh) * 2020-07-23 2020-11-10 杭州电子科技大学 迁移半监督宽度学习的脑电信号分类方法
CN112229632A (zh) * 2020-08-20 2021-01-15 中国矿业大学 一种基于敏感特征迁移学习的轴承故障诊断方法
CN112710930A (zh) * 2020-12-16 2021-04-27 华中科技大学 一种电容式电压互感器内绝缘状态在线评价方法
CN112819059A (zh) * 2021-01-26 2021-05-18 中国矿业大学 一种基于流行保持迁移学习的滚动轴承故障诊断方法
CN112990259A (zh) * 2021-02-04 2021-06-18 西交利物浦大学 基于改进迁移学习的旋转机械轴承的早期故障诊断方法
CN113705096A (zh) * 2021-08-27 2021-11-26 北京博华信智科技股份有限公司 基于小样本深度学习的一类冲击故障诊断
CN113705105A (zh) * 2021-08-31 2021-11-26 长安大学 一种不同负载滚动轴承故障诊断方法
CN113723844A (zh) * 2021-09-06 2021-11-30 东南大学 一种基于集成学习的低压台区理论线损计算方法
CN114358092A (zh) * 2022-03-10 2022-04-15 武汉格蓝若智能技术有限公司 一种电容式电压互感器内绝缘性能在线诊断方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020379834A1 (en) * 2019-11-05 2022-06-09 Strong Force Vcn Portfolio 2019, Llc Control tower and enterprise management platform for value chain networks

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304316A (zh) * 2017-12-25 2018-07-20 浙江工业大学 一种基于协同迁移的软件缺陷预测方法
CN109389184A (zh) * 2018-11-09 2019-02-26 华中科技大学 基于调制型注入的输配电线路绝缘态聚类分析方法及系统
CN110569727A (zh) * 2019-08-06 2019-12-13 华南理工大学 基于运动想象分类的结合类内距和类间距的迁移学习方法
CN111914708A (zh) * 2020-07-23 2020-11-10 杭州电子科技大学 迁移半监督宽度学习的脑电信号分类方法
CN112229632A (zh) * 2020-08-20 2021-01-15 中国矿业大学 一种基于敏感特征迁移学习的轴承故障诊断方法
CN112710930A (zh) * 2020-12-16 2021-04-27 华中科技大学 一种电容式电压互感器内绝缘状态在线评价方法
CN112819059A (zh) * 2021-01-26 2021-05-18 中国矿业大学 一种基于流行保持迁移学习的滚动轴承故障诊断方法
CN112990259A (zh) * 2021-02-04 2021-06-18 西交利物浦大学 基于改进迁移学习的旋转机械轴承的早期故障诊断方法
CN113705096A (zh) * 2021-08-27 2021-11-26 北京博华信智科技股份有限公司 基于小样本深度学习的一类冲击故障诊断
CN113705105A (zh) * 2021-08-31 2021-11-26 长安大学 一种不同负载滚动轴承故障诊断方法
CN113723844A (zh) * 2021-09-06 2021-11-30 东南大学 一种基于集成学习的低压台区理论线损计算方法
CN114358092A (zh) * 2022-03-10 2022-04-15 武汉格蓝若智能技术有限公司 一种电容式电压互感器内绝缘性能在线诊断方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
On-line anomaly detection for the measurement error of HVPT in the multi-bus structure;ZhiweiBao 等;《Measurement》;20201113;第170卷;第1-9页 *
基于多源域迁移学习的脑电情感识别;娄晓光等;《计算机工程与设计》;20200716(第07期);第2011-2018页 *

Also Published As

Publication number Publication date
CN114757305A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN114757305B (zh) 一种基于集成学习的电压互感器绝缘故障辨识方法及系统
CN110208643A (zh) 一种基于pmu数据和故障录波数据的电网故障诊断方法
CN113852603B (zh) 网络流量的异常检测方法、装置、电子设备和可读介质
TW201303319A (zh) 高壓輸配電網路之故障偵測、辨識與定位之方法及系統
CN113702895A (zh) 一种电压互感器误差状态在线定量评估方法
Cao et al. Hadoop‐based framework for big data analysis of synchronised harmonics in active distribution network
CN110601173B (zh) 基于边缘计算的配网拓扑识别方法及装置
CN110826228B (zh) 一种地区电网运行品质极限评估方法
Pokhrel et al. Integrated approach for network observability and state estimation in active distribution grid
Xia et al. MFAGCN: A new framework for identifying power grid branch parameters
CN115469260A (zh) 一种基于Hausdorff的电流互感器异常识别方法、系统
Keshavarz et al. Fault location in distribution networks based on SVM and impedance-based method using online databank generation
Gord et al. Real fault section estimation in electrical distribution networks based on the fault frequency component analysis
CN114358092B (zh) 一种电容式电压互感器内绝缘性能在线诊断方法及系统
CN114915546A (zh) 一种停电用户定位方法、装置、设备、介质
Fanucchi et al. Stochastic indexes for power distribution systems resilience analysis
Maruf et al. Locating faults in distribution systems in the presence of distributed generation using machine learning techniques
CN113743651A (zh) 基于机器学习和svm算法的电子式电压互感器误差状态预测方法
Eikeland et al. Uncovering contributing factors to interruptions in the power grid: An Arctic case
CN116011158A (zh) 一种低压台区的拓扑识别方法、系统及装置
Gjorgiev et al. Simulation-driven deep learning for locating faulty insulators in a power line
Mohammadi et al. Sensitivity analysis‐based optimal PMU placement for fault observability
Habib et al. Deep statistical solver for distribution system state estimation
Venkatesh Fault classification and location identification on electrical transmission network based on machine learning methods
Wu et al. A novel intelligent fault identification method based on random forests for HVDC transmission lines

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