CN116756508A - 变压器的故障诊断方法、装置、计算机设备及存储介质 - Google Patents
变压器的故障诊断方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116756508A CN116756508A CN202310753562.2A CN202310753562A CN116756508A CN 116756508 A CN116756508 A CN 116756508A CN 202310753562 A CN202310753562 A CN 202310753562A CN 116756508 A CN116756508 A CN 116756508A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- transformer
- fault diagnosis
- gas content
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 230000002068 genetic effect Effects 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000036961 partial effect Effects 0.000 claims description 8
- 239000007789 gas Substances 0.000 description 115
- 239000003921 oil Substances 0.000 description 39
- 230000035772 mutation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000004587 chromatography analysis Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本申请公开了一种变压器的故障诊断方法、装置、计算机设备及存储介质,包括:获取初始故障样本集合;利用遗传算法模型对初始故障样本集合进行优化,利用得到的最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;获取待测变压器运行时的目标油中气体含量,从目标油中气体含量中提取出目标特征气体含量;根据提取的目标特征气体含量和已训练的故障诊断模型对待测变压器的运行状态进行诊断。本申请使用遗传算法对初始故障样本集合进行优化,选出与变压器故障相关的特征量,减少无关特征的干扰,提升模型性能,同时减少训练时长,可以快速有效识别变压器故障类型,使变压器的故障诊断模型输出结果更加精确。
Description
技术领域
本申请涉及电力设备故障检测技术领域,尤其涉及一种变压器的故障诊断方法、装置、计算机设备及存储介质。
背景技术
变压器是变电环节的核心设备,其重要性不言而喻,且工程造价昂贵,因此其运行状态对电力系统整体的安全性和经济性起着至关重要的作用。若变压器发生重大故障,将会减少发电量、影响工业生产,给人们生活带来诸多不便,严重的话可能危及生命和财产安全,甚至对国民经济造成严重影响。由此可见,对变压器运行过程中存在的故障进行检测与诊断对如何提高变压器可靠运行具有重要的实际意义。
目前研究的热点一直是聚焦于分析油中溶解气体来判断变压器的运行状态,但是目前基于DGA数据的电力变压器故障诊断算法存在故障特征不唯一的问题,实际上,变压器故障类型可能只与某几个特征量有直接关系,而与其他特征量的关系并不明显,导致模型训练时间过长,模型准确性也不足,且传统含量的比值法、专家经验、BP网络等方法在学习上不足等问题,影响了故障诊断的准确率,其在一定程度上对实际应用也有所限制。
发明内容
本申请的主要目的在于提供一种变压器的故障诊断方法、装置、计算机设备及存储介质,可以解决现有技术中变压器故障诊断精确度低,故障识别速度慢的技术问题。
为实现上述目的,本申请第一方面提供一种变压器的故障诊断方法,该方法包括:
获取初始故障样本集合,其中,初始故障样本集合中的每个初始故障样本包括特征气体含量的比值或含量,初始故障样本的标签为变压器已知的运行状态;
利用遗传算法模型对初始故障样本集合进行优化,得到最终故障样本集合,其中,最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量;
利用最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;
获取待测变压器运行时的目标油中气体含量,从目标油中气体含量中提取出目标特征气体含量;
根据提取的目标特征气体含量生成输入数据,将输入数据输入至已训练的故障诊断模型,利用已训练的故障诊断模型对待测变压器的运行状态进行诊断预测。
为实现上述目的,本申请第二方面提供一种变压器的故障诊断装置,该装置包括:
第一数据获取模块,用于获取初始故障样本集合,其中,初始故障样本集合中的每个初始故障样本包括特征气体含量的比值或含量,初始故障样本的标签为变压器已知的运行状态;
优化模块,用于利用遗传算法模型对初始故障样本集合进行优化,得到最终故障样本集合,其中,最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量;
训练模块,用于利用最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;
第二数据获取模块,用于获取待测变压器运行时的目标油中气体含量,从目标油中气体含量中提取出目标特征气体含量;
诊断预测模块,用于根据提取的目标特征气体含量生成输入数据,将输入数据输入至已训练的故障诊断模型,利用已训练的故障诊断模型对待测变压器的运行状态进行诊断预测。
为实现上述目的,本申请第三方面提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取初始故障样本集合,其中,初始故障样本集合中的每个初始故障样本包括特征气体含量的比值或含量,初始故障样本的标签为变压器已知的运行状态;
利用遗传算法模型对初始故障样本集合进行优化,得到最终故障样本集合,其中,最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量;
利用最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;
获取待测变压器运行时的目标油中气体含量,从目标油中气体含量中提取出目标特征气体含量;
根据提取的目标特征气体含量生成输入数据,将输入数据输入至已训练的故障诊断模型,利用已训练的故障诊断模型对待测变压器的运行状态进行诊断预测。
为实现上述目的,本申请第四方面提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取初始故障样本集合,其中,初始故障样本集合中的每个初始故障样本包括特征气体含量的比值或含量,初始故障样本的标签为变压器已知的运行状态;
利用遗传算法模型对初始故障样本集合进行优化,得到最终故障样本集合,其中,最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量;
利用最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;
获取待测变压器运行时的目标油中气体含量,从目标油中气体含量中提取出目标特征气体含量;
根据提取的目标特征气体含量生成输入数据,将输入数据输入至已训练的故障诊断模型,利用已训练的故障诊断模型对待测变压器的运行状态进行诊断预测。
采用本申请实施例,具有如下有益效果:
本申请使用遗传算法模型对初始故障样本集合进行优化,选出与变压器故障相关的特征量,得到最终故障样本集合,然后利用最终故障样本集合对故障诊断模型进行精准训练,减少无关特征的干扰,提升模型性能,同时减少训练时长,可以快速有效识别变压器故障类型,使变压器的故障诊断模型输出结果更加精确。从而进一步提高变压器的安全性与稳定性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为本申请实施例中变压器的故障诊断方法的流程图;
图2为本申请实施例中故障诊断模型的结构框图;
图3为本申请一具体实施例中故障检测诊断模型的结构框图;
图4为本申请实施例中变压器的故障诊断装置的结构框图;
图5为本申请实施例中计算机设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
如图1所示,在一个实施例中,提供了一种变压器的故障诊断方法。该方法既可以应用于终端,也可以应用于服务器。该变压器的故障诊断方法具体包括如下步骤:
S100:获取初始故障样本集合,其中,初始故障样本集合中的每个初始故障样本包括特征气体含量的比值或含量,初始故障样本的标签为变压器已知的运行状态。
具体地,特征气体包括H2、CH4、C2H6、C2H4和C2H2等气体。
特征气体含量的比值或含量为变压器故障诊断输入的特征量。
每个初始故障样本包括至少两种特征气体含量的比值或至少一种特征气体的含量。
如果初始故障样本包含的是特征气体含量的比值。则,例如,一个初始故障样本可以包括H2、CH4、C2H6、C2H4和C2H2等气体中至少两种气体含量的比值,具体可以根据实际情况对气体进行组合。例如,一个初始故障样本包括H2与CH4含量的比值,或,H2与C2H6含量的比值,或,CH4与C2H2含量的比值,或,C2H4与C2H2含量的比值,或,H2、CH4和C2H6含量的比值,或,CH4、C2H6、C2H4和C2H2含量的比值等不局限于此。
如果初始故障样本包含的是特征气体的含量。则,例如,一个初始故障样本可以包括H2、CH4、C2H6、C2H4和C2H2等气体中至少1种气体的含量,具体可以根据实际情况对气体进行组合。例如,一个初始故障样本包括H2与CH4的含量,或,H2与C2H6的含量,或,CH4与C2H2的含量,或,C2H4与C2H2的含量,或,H2、CH4和C2H6的含量,或,CH4、C2H6、C2H4和C2H2的含量等不局限于此。
变压器已知的运行状态可以包括但不限于正常运行状态和故障运行状态,故障运行状态包括低温过热、中温过热、高温过热、局部放电、低能放电、高能放电。
S200:利用遗传算法模型对初始故障样本集合进行优化,得到最终故障样本集合,其中,最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量。
具体地,变压器的故障类型可能只与某几个特征量有直接关系,而与其他特征量的关系并不明显。因此,本实施例使用遗传算法对初始故障样本集合进行优化,得到最终故障样本集合。最终故障样本集合中的故障样本包含了与变压器故障类型相关的特征量,减少或去除了无关特征量。因此,使用最终故障样本集合可以对故障诊断模型进行精准训练,减少无关特征的干扰,提升模型性能,同时减少训练时长。
其中,遗传算法(GA,Genetic Algorithm)是进化算法(EA,EvolutionaryAlgorithm)的一种。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。其本质是一种高效、并行、全局搜索的方法,能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最佳解。
S300:利用最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型。
具体地,故障诊断模型为多分类模型,可以对变压器不同的运行状态进行诊断。故障诊断模型为基于油色谱分析的变压器的故障检测诊断模型。
使用最终故障样本集合对构建的故障诊断模型进行迭代训练,直到达到收敛条件。收敛条件可以是模型迭代训练次数达到迭代阈值,或者,损失函数小于损失阈值。
S400:获取待测变压器运行时的目标油中气体含量,从目标油中气体含量中提取出目标特征气体含量。
具体地,变压器在运行过程中会产生气体,产生的气体会溶解于油中,分析油中溶解气体可以得到气体含量。不同运行状态产生的气体种类或气体含量不完全相同,基于此,根据气体含量可以判断变压器的运行状态是否正常以及异常的类型。
对待测变压器运行时的油中气体含量进行检测,得到目标油中气体含量。变压器故障类型可能只与某几个特征量有直接关系,而与其他特征量的关系并不明显,因此,需要根据步骤S200的最终故障样本集合中的故障样本所包括的目标特征气体,从目标油中气体含量中提取出目标特征气体含量,其他无关特征量则去除。
S500:根据提取的目标特征气体含量生成输入数据,将输入数据输入至已训练的故障诊断模型,利用已训练的故障诊断模型对待测变压器的运行状态进行诊断预测。
具体地,输入数据可以是从目标油中气体含量中提取出的目标特征气体含量,也可以是提取出的目标特征气体含量的比值。
将输入数据输入至已训练的故障诊断模型,可以得到待测变压器的运行状态诊断结果。
例如,故障诊断模型输入是确定好的变压器油中特征气体的比值,输出是不同的故障类型(低温过热、中温过热、高温过热、局部放电、低能放电、高能放电、正常)。变压器样本数据就是采集到的变压器不同故障情况下的油中气体含量。
本实施例使用遗传算法模型对初始故障样本集合进行优化,选出与变压器故障相关的特征量,得到最终故障样本集合,然后利用最终故障样本集合对故障诊断模型进行精准训练,减少无关特征的干扰,提升模型性能,同时减少训练时长,可以快速有效识别变压器故障类型,使变压器的故障诊断模型输出结果更加精确。从而进一步提高变压器的安全性与稳定性。
另外,在步骤S200之前还可以利用少量挑选的故障样本集合对故障诊断模型进行预训练,以加强使用遗传算法模型的时候故障诊断模型的分类性能。
在一个实施例中,故障诊断模型包括多个分类器,每个分类器基于支持向量机模型构建;
在步骤S300之前,该方法还包括:
利用遗传算法模型对故障诊断模型中的支持向量机模型的目标参数进行优化,根据目标参数的最终优化解对支持向量机模型进行初步优化,得到初步优化的故障诊断模型。
具体地,支持向量机(support vector machines,SVM)模型是一种二分类模型。
支持向量机(SVM)算法具体如下:
将输入变量x利用非线性变换,转化为某一高维空间,最终在此高维空间内对最优分类面进行求解。设存在非线性映射Rn→H,即把输入变量映射至Hilbert高维空间H内,定义/>非线性支持向量机目标函数为:
引入松弛项ξi≥0进行松弛处理,将上式转化为如下最优化问题:
其对偶问题为:
分类函数表达式如下所示:
分类函数对输入的变量进行0-1二分类。
利用遗传算法模型对故障诊断模型中的支持向量机模型的目标参数进行优化得到目标参数的最终优化解;根据目标参数的最终优化解对支持向量机模型进行初步优化,得到初步优化的故障诊断模型。
目标参数和初始故障样本集合(特征集)可以同步联合优化,也可以单独优化。
当然,还可以只优化目标参数、初始故障样本集合中的一个。
本实施例使用遗传算法对SVM故障诊断模型的目标参数和特征集的选取进行优化。将优化后的参数应用于搭建好的基于二叉树原理构建的故障诊断模型,进而实现对变压器故障的准确快速识别。
在一个实施例中,遗传算法模型对初始故障样本集合和目标参数进行联合优化,得到最终故障样本集合和目标参数的最终优化解;
故障诊断模型具体基于二叉树支持向量机模型构建;
利用遗传算法模型对初始故障样本集合和目标参数进行联合优化,包括以下步骤:
利用遗传算法模型根据初始故障样本集合获取输入故障样本,将输入故障样本作为故障诊断模型的输入,并对故障诊断模型的目标参数进行迭代更新;
利用故障诊断模型的分类器对输入故障样本进行逐级二分类,得到输入故障样本的分类结果,其中,分类结果用于指示每个输入故障样本对应的变压器的运行状态;
利用遗传算法模型根据分类结果和输入故障样本的标签,获取下一轮的输入故障样本和目标参数,直至达到终止条件,得到最终故障样本集合和目标参数的最终优化解。
具体地,故障诊断模型包含多个支持向量机分类器,这些分类器以二叉树形式关联。即,上一级的分类器的分类结果是下一级的分类器的输入。故障诊断模型实质是基于SVM变压器油色谱分析的故障诊断模型。
更具体地,如果上一级的分类器包含1个下一级的分类器,则上一级的分类器对输入的故障样本进行二分类,并将其中一个分类的故障样本作为输出数据输入给下一级的分类器,输出另一个分类的故障样本的分类结果。下一级的分类器对输入的故障样本再进行二分类,依次类推,直到确定出每个故障样本的所属分类。
如果上一级的分类器包含两个下一级的分类器,则上一级的分类器对输入的故障样本进行二分类,并将其中一个分类的故障样本作为输出数据输入给第一个下一级的分类器,将另一个分类的故障样本作为输出数据输入给第二个下一级的分类器。第一个下一级的分类器和第二个下一级的分类器分别对输入的故障样本进行二分类,依次类推,直到确定出每个故障样本的所属分类。
分类器的数量不少于变压器的运行状态的种类减1。例如,要预测的变压器的运行状态包括7种,则分类器的数量不少于6个。
本实施例使用遗传算法对这三个变量进行联合优化。
遗传算法模型对个体进行二进制编码后得到初始种群,将初始种群作为当前种群,根据当前种群的个体适应度、交叉概率和变异概率依次对当前种群中的个体进行选择操作、交叉操作和变异操作,生成新一代的种群,完成一次的进化。如果未达到终止条件,则将新一代的种群作为当前种群,根据新一代的种群的个体适应度、交叉概率和变异概率依次对种群中的个体进行选择操作、交叉操作和变异操作,再生成新一代的种群,如此迭代循环,直到满足终止条件。最终根据个体适应度最高的个体获得最终故障样本集合和目标参数的最终优化解。
其中,如果为联合优化,则种群中每个个体包括目标参数的一个可能取值、以及至少一个输入故障样本,每个输入故障样本为一个初始故障样本,每个输入故障样本包括至少一个气体以及气体的含量或比值。
如果为单独优化,则优化目标参数的时候,种群中每个个体包括目标参数的一个可能取值。
优化初始故障样本集合的时候,种群中每个个体包括至少一个输入故障样本,每个输入故障样本为一个初始故障样本,每个输入故障样本包括至少一个气体以及气体的含量或比值。
每一代的种群的个体的输入故障样本是遗传算法根据上一代种群的个体通过选择操作、交叉操作和变异操作等进化操作得到的。
其中,目标参数的取值由目标参数的取值范围限制。
如果对初始故障样本集合进行单独优化,则将种群中每个个体所包含的输入故障样本作为整体输入至故障诊断模型中,得到对该个体的输入故障样本的分类结果。不同个体对应同一个故障诊断模型,即在优化初始故障样本集合的时候保证模型相同。
如果对目标参数进行单独优化,则目标参数的不同取值对应不同的故障诊断模型,即不同个体对应不同的故障诊断模型。优选地,不同的故障诊断模型的目标参数不同,但是对相同的输入故障样本进行分类,得到分类结果。这样可以排除输入故障样本不同对不同模型分类结果的干扰,以求取到目标参数的最优解。
如果对初始故障样本集合和目标参数进行联合优化,则不同个体所对应的故障诊断模型根据其目标参数的取值决定。即,如果个体所包含的输入故障样本相同,但是目标参数的取值不同,则对应不同的故障诊断模型;如果个体所包含的目标参数的取值相同,那么输入故障样本不论是否相同,对应相同的故障诊断模型。
遗传算法模型的终止条件可以根据传代次数限制确定:例如只循环1万次,传到1万代就结束。或者,遗传算法模型的终止条件可以根据运行时间确定:例如程序只运行1周,最终无论得到什么样的结果都终止。或者,遗传算法模型的终止条件可以根据适应度是否无显著变化确定:例如到5000代时最优解的适应度与5001代时的无显著变化。
关于遗传算法:
1)适应度函数的选取
如果目标函数值与理想值之间的误差不满足要求,此时该目标函数值下的解参与到后续遗传运算的概率将会变小;相反,如果目标函数值与理想值间的误差满足要求,则其相应的遗传概率就会变大。在这一过程中,遗传算法引入适应度评价函数对目标函数值进行评价,以判断目标函数值与理想值间的误差是否满足要求,同时,其评价结果可以作为遗传算法的终止判定条件。本发明使用适应度函数选为返回误差平方的倒数,如式:
式中,E为返回误差的平方,当f取最大值时,其效果最优。
其中,目标函数值是根据分类结果和输入故障样本的标签计算的损失函数值。理想值为设置的损失函数阈值。如果目标函数值与理想值的误差满足要求,则遗传算法终止,当然还可以是遗传算法达到了一定的迭代次数或进化次数则算法终止。
当然也可以根据分类结果和输入故障样本的标签确定分类准确率,将分类准确率作为个体适应度。
2)选择算子的确定
根据个体之间适应度的不同,遗传算法按照一定方法或规则,通过选择运算,从父代选出一些优良个体,进行下一代遗传繁殖。本文使用下述方法,选择某一代具有良好适应度的个体,让其直接代替下一代适应度较差的个体,从而保证适应度好的个体一直遗传下去:
a)个体在子代种群中的保留数量Ni:
式中,K代表个体总数。
b)用作为子代个体数;
c)再取个体遗传到下一代群体中。
在编码方式方面,因为遗传算法只能对整数变量进行优化,本发明采用二进制编码,用来实现连续变量的优化。
3)交叉算子的选择
新一代个体由交叉操作产生,这一过程中组合了父辈个体的特性。交叉率如下式所示:
式中,favg、fcmax和fcmin分别对应为平均适应度、最大适应度和最小交叉率;fc为适应度;A表示算法收敛性的常数。A可以取9.9。
父代交叉表示如下:
式中,和/>为对应的子代样本;/>和/>为对应的父代样本;PC为交叉率。
4)变异算子的选择
变异操作是对群体随机选择,产生某一个体,进而以设定的变异概率随机改变所选个体串结构数据中的某个串的值,即以某一概率,用其他基因等位替换掉基因座上的基因值。变异率公式如下式所示:
父代变异公式为:
式中,favg、fcmax和fmmin分别对应为平均适应度、最大适应度和最小变异率;fc为适应度;和/>分别为子代样本和父代样本。
核函数的选择,本申请可以釆用高斯径向基函数作为支持向量机的核函数,表达式如下:
式中,σ为尺度参数,在使用过程中设样本数据在输入空间呈超球面分布,此时σ取该超球面的半径,即
对种群大小、迭代次数、交叉概率以及变异概率等参数进行初始化。
通过“选择-交叉-变异”操作,获取最优特征子集(即最终故障样本集合)以及目标参数的最终优化解,其中,目标参数为惩罚因子C、核参数g。
本实施例使用遗传算法对故障诊断模型的目标参数和初始故障样本集合的选取进行优化。将优化后的参数应用于搭建好的基于二叉树原理构建的SVM故障诊断模型,进而实现对变压器故障的准确快速识别。
在一个实施例中,目标参数包括支持向量机模型的惩罚因子和核参数。
具体地,基于SVM的故障诊断模型的准确度直接与SVM惩罚因子C、核参数g和特征集的选取有关。因此,利用遗传算法对惩罚因子C、核参数g和特征集的选取进行优化。
所有分类器可以共用一套目标参数,或者,所有分类器的目标参数不共享。
本实施例使用遗传算法对故障诊断模型的惩罚因子C、核参数g和特征集的选取进行优化。将优化后的参数应用于搭建好的基于二叉树原理构建的故障诊断模型,进而实现对变压器故障的准确快速识别。
在一个实施例中,步骤S300具体包括:
在保持目标参数为最终优化解不变的情况下,利用最终故障样本集合对初步优化的故障诊断模型进行训练,以迭代优化初步优化的故障诊断模型的其他模型参数,得到已训练的故障诊断模型。
具体地,通过遗传算法模型求取出目标参数的最终优化解后,在对故障诊断模型进行训练的时候可以保持目标参数不变,只针对模型的其他模型参数进行迭代训练,减少训练成本和时间,提高模型训练速度,另外,使用目标参数的最终优化解可以保持初始模型的性能。
在一个实施例中,步骤S100具体包括:
采集变压器在不同运行状态下的油中气体含量;
从采集到的同一组油中气体含量中提取出特征气体含量,对所有特征气体含量进行组合,计算每种组合所包含的特征气体含量的比值或得到每种组合所包含的特征气体的含量;
根据从所有组油中气体含量得到的所有组合的特征气体含量的比值或含量,生成初始故障样本集合;
其中,不同运行状态包括正常运行状态和故障运行状态,故障运行状态包括低温过热、中温过热、高温过热、局部放电、低能放电、高能放电。
具体地,收集多个变压器在不同运行状态下的油中气体含量。每组油中气体含量包含多种特征气体含量。特征气体包括H2、CH4、C2H6、C2H4和C2H2等特征气体。
变压器在不同运行状态下,油中气体含量所包含的特征气体的含量不同,所包含的特征气体的种类也可能不同。一组油中气体含量例如包含H2、CH4、C2H6、C2H4和C2H2中至少一种特征气体的含量。
从同一组油中气体含量中提取出特征气体含量,对所有特征气体含量进行组合,计算每种组合所包含的特征气体含量的比值或得到每种组合所包含的特征气体的含量。例如,一组油中气体含量例如包含H2、CH4、C2H6、C2H4和C2H2这5种特征气体的含量,对这5种特征气体进行组合,可以得到多种组合。
例如,得到的组合包括H2、CH4;H2、CH4、C2H6;H2、CH4、C2H6、C2H4;H2、CH4、C2H6、C2H4和C2H2这4种组合。或者,每两种特征气体组成一个组合,得到10种组合。或者,每三种特征气体组成一个组合,得到10种组合。或者,每4种特征气体组成一个组合,得到5种组合。或者,包括两两组合、三个组合、四个组合。组合方式具体根据实际情况设置,本申请对此不作限制。
同一组油中气体含量得到的组合所对应的标签相同,即对应变压器相同的运行状态。
根据每组油中气体含量都可以得到多个组合。根据所有组合的特征气体含量的比值或含量,可以生成初始故障样本集合。
本实施例实现了通过对特征气体进行组合,得到多种特征气体的种类或比值不同的初始故障样本集合。
在一个实施例中,对初始故障样本集合进行归一化处理。
具体地,为了避免不同气体以及不同特征间因量值存在差异,从而对计算速率、准确度产生影响,可以对初始故障样本集进行归一化处理。
例如,将比值或含量处理成0~1之间的归一化值。
图2为本申请实施例中故障诊断模型的结构框图,参考图2,该故障诊断模型包括分类器1-分类器6。分类器1对输出的故障样本集合进行分类,得到分类结果11和分类结果12,并将分类结果11输入给分类器2。
分类结果11和分类结果12用于表示将输入的每个故障样本按照变压器的运行状态分为第一类和第二类。
分类器2对分类结果11中的故障样本进行第二次分类,得到分类结果21和分类结果22,并将分类结果21输入给分类器3,将分类结果22输入给分类器4。
分类结果21和分类结果22用于表示将输入的每个故障样本按照变压器的运行状态分为第三类和第四类。
分类器3对分类结果21中的故障样本进行第三次分类,得到分类结果31和分类结果32,并将分类结果31输入给分类器5。
分类结果31和分类结果32用于表示将输入的每个故障样本按照变压器的运行状态分为第五类和第六类。
分类器4对分类结果22中的故障样本进行第三次分类,得到分类结果41和分类结果42,并将分类结果42输入给分类器6。
分类结果41和分类结果42用于表示将输入的每个故障样本按照变压器的运行状态分为第七类和第八类。
分类器5对分类结果31中的故障样本进行第四次分类,得到分类结果51和分类结果52。
分类器6对分类结果42中的故障样本进行第四次分类,得到分类结果61和分类结果62。
上述中,分类结果12、分类结果32、分类结果41、分类结果51、分类结果52、分类结果61和分类结果62总共7个分类结果,这7个分类结果对应不同的类别,即,每个分类结果对应一个类别。且这7个分类结果中每个分类结果包含的故障样本属于同一类。
分类结果11、分类结果21、分类结果22、分类结果31、分类结果42均包含至少两个类别的故障样本。
下面具体举例说明:
选取6个支持向量机模型SVM进行训练,将变压器的状态低温过热(T1)、中温过热(T2)、高温过热(T3)、局部放电(PD)、低能放电(D1)、高能放电(D2)以及正常(NC)7种类别,根据二叉树支持向量机分类原理建立如图3所示变压器的故障诊断模型,具体步骤如下:
1)利用训练样本训练分类器SVM1,将变压器样本数据分为正常状态和非正常状态下,即首先把正常状态与其他6种故障类型区分开,此时令正常状态和故障状态下的输出对应分别为-1和1。
2)对分类器SVM2进行训练,此时把电性故障和热性故障分开,令热性故障数据输出为-1,电性故障输出为1。
3)对分类器SVM3进行训练,把高温过热故障和中、低温过热故障分开,此时令中、低温过热故障的输出为1,高温过热故障的输出为-1。
4)在训练SVM3的同时,对分类器SVM4进行训练,此时把高能放电、低能放电和局部放电故障区分开,相应地,令高能、低能放电故障输出为1,局部放电故障输出为-1。
5)最后采用SVM5和SVM6分别将中、低温过热故障和高、低能放电故障数据分开,令中温过热故障和高能放电故障数据输出为-1,低温过热故障和低能放电故障输出为1。
最终故障诊断模型具有对变压器进行低温过热(T1)、中温过热(T2)、高温过热(T3)、局部放电(PD)、低能放电(D1)、高能放电(D2)以及正常(NC)7种运行状态的诊断检测功能。
本申请提出了一种基于遗传算法优化支持向量机的变压器油色谱分析故障检测方案,使用遗传算法对故障诊断模型进行优化,引入遗传算法(GA)对SVM参数进行寻优,利用其全局优化能力提升故障诊断效率与准确率,从而使变压器的故障诊断模型输出结果更加精确。可以起到有效识别变压器故障类型,从而进一步提高变压器的安全性与稳定性。
参考图4,本申请还提供了一种变压器的故障诊断装置,该装置包括:
第一数据获取模块100,用于获取初始故障样本集合,其中,初始故障样本集合中的每个初始故障样本包括特征气体含量的比值或含量,初始故障样本的标签为变压器已知的运行状态;
优化模块200,用于利用遗传算法模型对初始故障样本集合进行优化,得到最终故障样本集合,其中,最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量;
训练模块300,用于利用最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;
第二数据获取模块400,用于获取待测变压器运行时的目标油中气体含量,从目标油中气体含量中提取出目标特征气体含量;
诊断预测模块500,用于根据提取的目标特征气体含量生成输入数据,将输入数据输入至已训练的故障诊断模型,利用已训练的故障诊断模型对待测变压器的运行状态进行诊断预测。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图5所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述方法实施例中的各个步骤。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述方法实施例中的各个步骤。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取初始故障样本集合,其中,初始故障样本集合中的每个初始故障样本包括特征气体含量的比值或含量,初始故障样本的标签为变压器已知的运行状态;
利用遗传算法模型对初始故障样本集合进行优化,得到最终故障样本集合,其中,最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量;
利用最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;
获取待测变压器运行时的目标油中气体含量,从目标油中气体含量中提取出目标特征气体含量;
根据提取的目标特征气体含量生成输入数据,将输入数据输入至已训练的故障诊断模型,利用已训练的故障诊断模型对待测变压器的运行状态进行诊断预测。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取初始故障样本集合,其中,初始故障样本集合中的每个初始故障样本包括至少两种特征气体含量的比值或至少一种特征气体的含量,初始故障样本的标签为变压器已知的运行状态;
利用遗传算法模型对初始故障样本集合进行优化,得到最终故障样本集合,其中,最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量;
利用最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;
获取待测变压器运行时的目标油中气体含量,从目标油中气体含量中提取出目标特征气体含量;
根据提取的目标特征气体含量生成输入数据,将输入数据输入至已训练的故障诊断模型,利用已训练的故障诊断模型对待测变压器的运行状态进行诊断预测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种变压器的故障诊断方法,其特征在于,所述方法包括:
获取初始故障样本集合,其中,所述初始故障样本集合中的每个初始故障样本包括特征气体含量的比值或含量,所述初始故障样本的标签为变压器已知的运行状态;
利用遗传算法模型对所述初始故障样本集合进行优化,得到最终故障样本集合,其中,所述最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量;
利用所述最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;
获取待测变压器运行时的目标油中气体含量,从所述目标油中气体含量中提取出目标特征气体含量;
根据提取的目标特征气体含量生成输入数据,将所述输入数据输入至已训练的故障诊断模型,利用所述已训练的故障诊断模型对所述待测变压器的运行状态进行诊断预测。
2.根据权利要求1所述的方法,其特征在于,所述故障诊断模型包括多个分类器,每个分类器基于支持向量机模型构建;
在利用所述最终故障样本集合对构建的故障诊断模型进行训练之前,所述方法还包括:
利用所述遗传算法模型对所述故障诊断模型中的支持向量机模型SVM的目标参数进行优化,根据所述目标参数的最终优化解对所述支持向量机模型进行初步优化,得到初步优化的故障诊断模型。
3.根据权利要求2所述的方法,其特征在于,所述遗传算法模型对所述初始故障样本集合和所述目标参数进行联合优化,得到最终故障样本集合和目标参数的最终优化解;
所述故障诊断模型具体基于二叉树支持向量机模型构建;
利用遗传算法模型对所述初始故障样本集合和所述目标参数进行联合优化,包括以下步骤:
利用遗传算法模型根据所述初始故障样本集合获取输入故障样本,将所述输入故障样本作为所述故障诊断模型的输入,并对所述所述故障诊断模型的目标参数进行迭代更新;
利用所述故障诊断模型的分类器对输入故障样本进行逐级二分类,得到输入故障样本的分类结果,其中,所述分类结果用于指示每个输入故障样本对应的变压器的运行状态;
利用遗传算法模型根据所述分类结果和输入故障样本的标签,获取下一轮的输入故障样本和目标参数,直至达到终止条件,得到最终故障样本集合和目标参数的最终优化解。
4.根据权利要求2所述的方法,其特征在于,所述目标参数包括支持向量机模型的惩罚因子和核参数。
5.根据权利要求2所述的方法,其特征在于,所述利用所述最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型,包括:
在保持所述目标参数为最终优化解不变的情况下,利用所述最终故障样本集合对所述初步优化的故障诊断模型进行训练,以迭代优化所述初步优化的故障诊断模型的其他模型参数,得到已训练的故障诊断模型。
6.根据权利要求1所述的方法,其特征在于,所述获取初始故障样本集合,包括:
采集变压器在不同运行状态下的油中气体含量;
从采集到的同一组油中气体含量中提取出特征气体含量,对所有特征气体含量进行组合,计算每种组合所包含的特征气体含量的比值或得到每种组合所包含的特征气体的含量;
根据从所有组油中气体含量得到的所有组合的特征气体含量的比值或含量,生成初始故障样本集合;
其中,不同运行状态包括正常运行状态和故障运行状态,所述故障运行状态包括低温过热、中温过热、高温过热、局部放电、低能放电、高能放电。
7.根据权利要求3所述的方法,其特征在于,
所述遗传算法模型的个体适应度为根据目标函数值与理想值计算得到的误差的倒数或误差的平方的倒数,其中,所述目标函数值是根据种群中个体对应的分类结果以及个体所包含的输入故障样本的标签计算的损失函数值;
或者,
所述遗传算法模型的个体适应度为根据种群中个体对应的分类结果以及个体所包含的输入故障样本的标签确定的分类准确率。
8.一种变压器的故障诊断装置,其特征在于,所述装置包括:
第一数据获取模块,用于获取初始故障样本集合,其中,所述初始故障样本集合中的每个初始故障样本包括特征气体含量的比值或含量,所述初始故障样本的标签为变压器已知的运行状态;
优化模块,用于利用遗传算法模型对所述初始故障样本集合进行优化,得到最终故障样本集合,其中,所述最终故障样本集合中的故障样本包括目标特征气体含量的比值或含量;
训练模块,用于利用所述最终故障样本集合对构建的故障诊断模型进行训练,得到已训练的故障诊断模型;
第二数据获取模块,用于获取待测变压器运行时的目标油中气体含量,从所述目标油中气体含量中提取出目标特征气体含量;
诊断预测模块,用于根据提取的目标特征气体含量生成输入数据,将所述输入数据输入至已训练的故障诊断模型,利用所述已训练的故障诊断模型对所述待测变压器的运行状态进行诊断预测。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753562.2A CN116756508A (zh) | 2023-06-25 | 2023-06-25 | 变压器的故障诊断方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753562.2A CN116756508A (zh) | 2023-06-25 | 2023-06-25 | 变压器的故障诊断方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756508A true CN116756508A (zh) | 2023-09-15 |
Family
ID=87952965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310753562.2A Pending CN116756508A (zh) | 2023-06-25 | 2023-06-25 | 变压器的故障诊断方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756508A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390520A (zh) * | 2023-12-08 | 2024-01-12 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及系统 |
-
2023
- 2023-06-25 CN CN202310753562.2A patent/CN116756508A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390520A (zh) * | 2023-12-08 | 2024-01-12 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及系统 |
CN117390520B (zh) * | 2023-12-08 | 2024-04-16 | 惠州市宝惠电子科技有限公司 | 变压器状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
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 | |
CN110659207B (zh) | 基于核谱映射迁移集成的异构跨项目软件缺陷预测方法 | |
CN113452018B (zh) | 一种电力系统备用不足风险场景辨识方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
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 | |
CN116756508A (zh) | 变压器的故障诊断方法、装置、计算机设备及存储介质 | |
WO2023116111A1 (zh) | 一种磁盘故障预测方法及装置 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
Huang et al. | Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine | |
CN117235565A (zh) | 一种变压器故障诊断模型构建方法和装置 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
Sun et al. | Local feature sufficiency exploration for predicting security-constrained generation dispatch in multi-area power systems | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN113221548A (zh) | 基于机器学习的bom表识别方法、装置、计算机设备及介质 | |
CN117494037A (zh) | 一种基于变权vae与双通道特征融合的变压器故障诊断方法 | |
CN116680532A (zh) | 一种基于nntr-smote过采样处理不平衡小样本的变压器故障在线诊断方法 | |
CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 |
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 |