CN116776224A - 一种基于gra和聚类云模型的变压器油纸绝缘状态评估方法 - Google Patents
一种基于gra和聚类云模型的变压器油纸绝缘状态评估方法 Download PDFInfo
- Publication number
- CN116776224A CN116776224A CN202310790885.9A CN202310790885A CN116776224A CN 116776224 A CN116776224 A CN 116776224A CN 202310790885 A CN202310790885 A CN 202310790885A CN 116776224 A CN116776224 A CN 116776224A
- Authority
- CN
- China
- Prior art keywords
- clustering
- cloud model
- index
- characteristic
- insulation state
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 238000011084 recovery Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 22
- 230000032683 aging Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000010287 polarization Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 8
- 238000006731 degradation reaction Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical compound O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 abstract description 4
- 238000000889 atomisation Methods 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/256—Integrating or interfacing systems involving database management systems in federated or virtual databases
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
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)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明涉及一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法。首先，基于回复电压法和扩展德拜模型提取5个相关特征量，建立油纸绝缘状态评估体系；其次，针对多特征量在反应绝缘状态上敏感性差异，采用组合赋权法综合GRA和改进层次分析法，避免了数据信息丢失，使权重分配更加合理。最后，利用云模型雾化特性反应数据随机性，全面考虑评估指标等级分类边界的随机性和模糊性后构建了聚类云模型隶属度选择器。通过多台不同糠醛含量变压器实测数据进行验证，证明评估结果准确性和可靠性。
Description
技术领域
本发明属于变压器油纸绝缘状态评估领域，具体涉及一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法。
背景技术
目前变压器油纸绝缘介电响应评估存在以下两方面不足：①相关研究都是针对单个或少数特征量与绝缘状态进行相关性分析，未能从多个角度对油纸绝缘状态进行综合性准确评估。②多特征量评估中存在权重分配不合理、未能充分利用变压器作为灰盒系统所携带的信息、无法有效处理评估指标差异大等随机性问题。
发明内容
本发明的目的在于提供一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，该方法全面考虑评估指标等级分类边界的随机性和模糊性后构建了聚类云模型隶属度选择器，通过多台不同糠醛含量变压器实测数据进行验证，证明评估结果准确性和可靠性。
为实现上述目的，本发明的技术方案是：一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，包括如下步骤：
步骤1、基于回复电压法和扩展德拜模型提取特征量，建立数据库；
步骤2、基于改进层次分析法IAHP获取主观权重；
步骤3、基于灰色关联分析GRA获取客观权重；
步骤4、基于组合赋权法综合GRA和IHAP权重；
步骤5、基于聚类云模型构建隶属度选择器；
步骤6、基于聚类云模型进行模糊综合评判。
在本发明一实施例中，步骤1具体实现如下：
对油纸绝缘进行回复电压法测量，获得回复电压极化谱数据，提取极化谱峰值电压Urmax、主时间常数Tcdom、最大初始斜率Srmax作为状态评估特征量；获取回复电压极化谱数据后进行扩展德拜模型参数辨识，提取绝缘电阻Rg、几何电容Cg作为状态评估特征量，结合多台变压器现场实测数据提取相关特征量，建立多个表征油纸绝缘状态据库。
在本发明一实施例中，步骤2具体实现如下：
(1)建立专家判断矩阵：设经过分析后的油纸绝缘系统有N项老化特征量指标，根据专家经验采9标度法，对指标层各个特征量进行两两对比打分，建立对应的比较矩阵E＝(eab)N×N，eab为a项特征指标与b项特征指标的重要性比值，且eba＝1/eab＞0；
(2)计算最优拟合矩阵B'＝(bi'j)，计算方法为：
bij＝lgeij (1)
(3)计算单层指标权重：对最优拟合矩阵的每一列进行归一化和算术平均法处理后获得单层特征指标权重，计算方法如下：
归一化：
算术平均法：
计算后获得变压器油纸绝缘状态评估特征量指标的主观权重。
在本发明一实施例中，步骤3具体实现如下：
(1)构建数据矩阵，利用均值化进行数据无量纲化处理，记处理后母序列为X0，子序列为Xi，维度为(n×m)；
(2)计算关联系数，比较子序列Xi对于母序列X0在k点的关联系数为：
其中分辨系数ρ＝[0,1]；
(3)计算灰度关联，采用均值法：
(4)计算相对权重：
对步骤1获得的多个表征油纸绝缘状态据库进行均值化处理后代入式(6)～式(8)计算获得变压器油纸绝缘状态评估特征量指标的客观权重。
在本发明一实施例中，步骤4具体实现如下：
利用归一组合赋权法确定的第j个指标的组合权重值为
式中，pj表示第j个指标的主观权重值元素；wj表示第j个指标的客观权重值元素。
在本发明一实施例中，步骤5具体实现如下：
利用模糊C-均值聚类原理，通过自动寻优算法，将多个表征油纸绝缘状态据库聚成4个灰类，得到不同油纸绝缘状态的最优4个聚类中心；将绝缘状态分级聚类中心值作为云模型的期望值，即Ex＝Cx；对不同绝缘状态云模型期望值进行极差归一化至[0,1]后确定云模型的三个数字特征值，生成聚类云模型隶属度选择器。
在本发明一实施例中，步骤6具体实现如下：
(1)待评估特征指标数据归一化
①对于指标越大越优数值型指标，包括主时间常数Tcdom、绝缘电阻Rg，采用式(10)进行归一化处理：
②对于指标越小越优数值型指标，包括峰值电压Urmax、初始斜率Sr、几何电容Cg，采用式(11)进行归一化处理：
式中xmax,xmin分别表示老化特征量指标FCM聚类中心最大值与最小值，x表示老化特征量指标的相对劣化度值；
(2)计算综合评判矩阵R：运用式(12)多次计算取均作为特征量与各聚类云模型的隶属度，汇总获得综合评判矩阵R；
其中x表示老化特征量指标的相对劣化度值，Ex各聚类云期望值，En'是由期望为En、方差为He生成的正态随机数；
(3)将综合权重向量W*与评判矩阵R相乘得到综合评估结果向量B＝[b1,b2,b3,b4]，利用加权平均法求得变压器的综合评分数r为
式(13)中，fi为各绝缘状态等级i的对应分数，设等级I至IV对应的分数为1至4，根据r的数值确定绝缘状态。
相较于现有技术，本发明具有以下有益效果：
本发明构建了基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，该评估方法有以下优点：
(1)建立了多个表征油纸绝缘状态据库，结合改进层次分析法(IAHP)和GRA实现权重综合考量，有效避免信息丢失，使得权重分配更加合理。
(2)利用云模型雾化特性反馈变压器系统的模糊性和随机性，构建聚类云模型对变压器绝缘状态进行模糊综合评判，不仅克服了单一指标评估过于片面的问题，还引入事物的随机性，使得评估结果更加符合实际情况。
附图说明
图1为本发明方法流程图。
图2为Urmax聚类云模型。
图3为Tcdom聚类云模型。
图4为Sr聚类云模型。
图5为Rg聚类云模型。
图6为Cg聚类云模型。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
如图1所示，本发明提供了一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，包括如下步骤：
步骤1、基于回复电压法和扩展德拜模型提取特征量，建立数据库
对油纸绝缘进行回复电压法测量，获得回复电压极化谱数据，提取极化谱峰值电压Urmax、主时间常数Tcdom、最大初始斜率Srmax作为状态评估特征量；获取回复电压极化谱数据后进行扩展德拜模型Debye参数辨识，提取绝缘电阻Rg、几何电容Cg作为状态评估特征量，结合多台变压器现场实测数据提取相关特征量，建立多个表征油纸绝缘状态据库。
步骤2、基于改进层次分析法(IAHP)获取主观权重
(1)建立专家判断矩阵。设经过分析后的油纸绝缘系统有N项老化特征量指标，根据专家经验采9标度法，对指标层各个特征量进行两两对比打分，建立对应的比较矩阵E＝(eab)N×N，eab为a项特征指标与b项特征指标的重要性比值，且eba＝1/eab＞0；
(2)计算最优拟合矩阵B'＝(bi'j)，计算方法为：
bij＝lgeij (1)
(3)计算单层指标权重。对最优拟合矩阵的每一列进行归一化和算术平均法处理后可获得单层特征指标权重，计算方法如下：
归一化：
算术平均法：
计算后可获得变压器油纸绝缘状态评估特征量指标的主观权重。
步骤3、基于灰色关联分析(GRA)获取客观权重
(1)构建数据矩阵，利用均值化进行数据无量纲化处理，记处理后母序列为X0，子序列为Xi维度为(n×m)；
(2)计算关联系数，比较子序列Xi对于母序列X0在k点的关联系数为：
其中分辨系数ρ＝[0,1]，本方法取ρ＝0.5。
(3)计算灰度关联，通常采用均值法：
(4)计算相对权重：
对步骤1获得的多个表征油纸绝缘状态据库进行均值化处理后代入式(6)～式(8)计算获得变压器油纸绝缘状态评估特征量指标的客观权重。
步骤4、基于组合赋权法综合GRA和IHAP权重
利用归一组合赋权法确定的第j个指标的组合权重值为
式中，pj表示第j个指标的主观权重值元素；wj表示第j个指标的客观权重值元素。
步骤5、基于聚类云模型构建隶属度选择器
利用模糊C-均值聚类原理，通过自动寻优算法，将多个表征油纸绝缘状态据库聚成4个灰类，得到不同油纸绝缘状态的最优4个聚类中心。将绝缘状态分级聚类中心值作为云模型的期望值，即Ex＝Cx。对不同绝缘状态云模型期望值进行极差归一化至[0,1]后根据表1来确定云模型的三个数字特征值，其中超熵q＝0.005，生成聚类云模型隶属度选择器。
表1特征值计算
步骤6、基于聚类云模型进行模糊综合评判
(1)待评估特征指标数据归一化
①对于指标越大越优数值型指标，如主时间常数Tcdom、绝缘电阻Rg，采用式(10)进行归一化处理：
②对于指标越小越优数值型指标，如峰值电压Urmax、初始斜率Sr、几何电容Cg，采用式(11)进行归一化处理：
式中xmax,xmin分别表示老化特征量指标FCM聚类中心最大值与最小值，x表示老化特征量指标的相对劣化度值。
(2)计算综合评判矩阵R。运用式(12)多次计算取均作为特征量与各聚类云模型的隶属度，汇总获得综合评判矩阵R。
其中x表示老化特征量指标的相对劣化度值，Ex各聚类云期望值，En'是由期望为En，方差为He生成的正态随机数。
(3)将综合权重向量W*与评判矩阵R相乘得到综合评估结果向量B＝[b1,b2,b3,b4],利用加权平均法求得变压器的综合评分数r为
式(13)中，fi为各绝缘状态等级i的对应分数，设等级I至IV对应的分数为1至4，根据r的数值见表2确定绝缘状态。
表2评估分数的分级区间
应用实例
为了验证基于GRA和聚类云模型的变压器油纸绝缘状态评估方法的有效性和准确性，现有6台待评估的油浸式变压器，根据现场实验的数据进行上述特征量的提取，其绝缘老化指标向量见表3，现采用本发明中所提出的基于GRA和聚类云模型的变压器油纸绝缘状态评估方法进行评估。
表36台待评估的油浸式变压器测量数据
(1)确认综合权重
由步骤1～步骤4，可以确认变压器油纸绝缘状态评估特征指标的综合权重W*＝[0.08100.46110.21030.18200.0656]。
(2)根据步骤5构建聚类云模型构建隶属度选择器，如图2～图6。
(3)待评估特征指标数据归一化，如下表4。
表4评估特征指标数据归一化
| Urmax/V | Tcdom/s | Sr/(V/s) | Rg/GΩ | Cg/nF | |
| T1 | 0.6826 | 0.8757 | 0.7968 | 0.6197 | 1.0000 |
| T2 | 0.0676 | 0.4741 | 0.3115 | 0.1097 | 0.2475 |
| T3 | 0.5413 | 0.7363 | 0.3971 | 0.7709 | 0.5439 |
| T4 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
| T5 | 1.0000 | 0.9987 | 1.0000 | 1.0000 | 1.0000 |
| T6 | 0.9866 | 0.9487 | 1.0000 | 0.8893 | 1.0000 |
(4)计算综合评判矩阵R，如下表5。
表5综合评判矩阵R
(5)计算综合评分数r，并进行综合评判。
表66台待评估变压器评估结果
| 变压器 | T1 | T2 | T3 | T4 | T5 | T6 |
| r | 3.311 | 1.836 | 2.884 | 1.015 | 3.966 | 3.844 |
| 评估结果 | III | II | III | I | IV | IV |
采用本发明方法对以上6台变压进行归算评估后的结果如上表6可以得出：根据综合评分与分级区间匹配原则，变压器T1、T3评估结果为绝缘状态较差(III级)；变压器T2评估结果为绝缘状态一般(II级)；变压器T4评估结果为绝缘状态良好(I级)；变压器T5、T6评估结果为绝缘状态严重(IV级)，均与表3的运行状态以及糠醛含量相符。
本发明评估方法所得结果更加精细化，不仅能够反馈其劣化趋势，还能对比同一状态等级的差异性，具体如下：
①变压器T3综合评分为2.884，说明正处于向绝缘状态严重转变的初始阶段，建议做好全程监控、预测、检查工作；
②变压器T1综合评分为3.311，可以推断出变压器T1整体可靠性更差，内部存在更严重的劣化迹象，整体向绝缘状态严重趋势十分明显，建议提前做好维修检查工作。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (7)
1.一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，其特征在于，包括如下步骤：
步骤1、基于回复电压法和扩展德拜模型提取特征量，建立数据库；
步骤2、基于改进层次分析法IAHP获取主观权重；
步骤3、基于灰色关联分析GRA获取客观权重；
步骤4、基于组合赋权法综合GRA和IHAP权重；
步骤5、基于聚类云模型构建隶属度选择器；
步骤6、基于聚类云模型进行模糊综合评判。
2.根据权利要求1所述的一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，其特征在于，步骤1具体实现如下：
对油纸绝缘进行回复电压法测量，获得回复电压极化谱数据，提取极化谱峰值电压Urmax、主时间常数Tcdom、最大初始斜率Srmax作为状态评估特征量；获取回复电压极化谱数据后进行扩展德拜模型参数辨识，提取绝缘电阻Rg、几何电容Cg作为状态评估特征量，结合多台变压器现场实测数据提取相关特征量，建立多个表征油纸绝缘状态据库。
3.根据权利要求2所述的一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，其特征在于，步骤2具体实现如下：
(1)建立专家判断矩阵：设经过分析后的油纸绝缘系统有N项老化特征量指标，根据专家经验采9标度法，对指标层各个特征量进行两两对比打分，建立对应的比较矩阵E＝(eab)N×N，eab为a项特征指标与b项特征指标的重要性比值，且eba＝1/eab＞0；
(2)计算最优拟合矩阵B'＝(bi'j)，计算方法为：
bij＝lgeij (1)
(3)计算单层指标权重：对最优拟合矩阵的每一列进行归一化和算术平均法处理后获得单层特征指标权重，计算方法如下：
归一化：
算术平均法：
计算后获得变压器油纸绝缘状态评估特征量指标的主观权重。
4.根据权利要求3所述的一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，其特征在于，步骤3具体实现如下：
(1)构建数据矩阵，利用均值化进行数据无量纲化处理，记处理后母序列为X0，子序列为Xi，维度为(n×m)；
(2)计算关联系数，比较子序列Xi对于母序列X0在k点的关联系数为：
其中分辨系数ρ＝[0,1]；
(3)计算灰度关联，采用均值法：
(4)计算相对权重：
对步骤1获得的多个表征油纸绝缘状态据库进行均值化处理后代入式(6)～式(8)计算获得变压器油纸绝缘状态评估特征量指标的客观权重。
5.根据权利要求4所述的一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，其特征在于，步骤4具体实现如下：
利用归一组合赋权法确定的第j个指标的组合权重值为
式中，pj表示第j个指标的主观权重值元素；wj表示第j个指标的客观权重值元素。
6.根据权利要求5所述的一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，其特征在于，步骤5具体实现如下：
利用模糊C-均值聚类原理，通过自动寻优算法，将多个表征油纸绝缘状态据库聚成4个灰类，得到不同油纸绝缘状态的最优4个聚类中心；将绝缘状态分级聚类中心值作为云模型的期望值，即Ex＝Cx；对不同绝缘状态云模型期望值进行极差归一化至[0,1]后确定云模型的三个数字特征值，生成聚类云模型隶属度选择器。
7.根据权利要求6所述的一种基于GRA和聚类云模型的变压器油纸绝缘状态评估方法，其特征在于，步骤6具体实现如下：
(1)待评估特征指标数据归一化
①对于指标越大越优数值型指标，包括主时间常数Tcdom、绝缘电阻Rg，采用式(10)进行归一化处理：
②对于指标越小越优数值型指标，包括峰值电压Urmax、初始斜率Sr、几何电容Cg，采用式(11)进行归一化处理：
式中xmax,xmin分别表示老化特征量指标FCM聚类中心最大值与最小值，x表示老化特征量指标的相对劣化度值；
(2)计算综合评判矩阵R：运用式(12)多次计算取均作为特征量与各聚类云模型的隶属度，汇总获得综合评判矩阵R；
其中x表示老化特征量指标的相对劣化度值，Ex各聚类云期望值，En'是由期望为En、方差为He生成的正态随机数；
(3)将综合权重向量W*与评判矩阵R相乘得到综合评估结果向量B＝[b1,b2,b3,b4]，利用加权平均法求得变压器的综合评分数r为
式(13)中，fi为各绝缘状态等级i的对应分数，设等级I至IV对应的分数为1至4，根据r的数值确定绝缘状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310790885.9A CN116776224A (zh) | 2023-06-30 | 2023-06-30 | 一种基于gra和聚类云模型的变压器油纸绝缘状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310790885.9A CN116776224A (zh) | 2023-06-30 | 2023-06-30 | 一种基于gra和聚类云模型的变压器油纸绝缘状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116776224A true CN116776224A (zh) | 2023-09-19 |
Family
ID=87994464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310790885.9A Pending CN116776224A (zh) | 2023-06-30 | 2023-06-30 | 一种基于gra和聚类云模型的变压器油纸绝缘状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776224A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648591A (zh) * | 2024-01-30 | 2024-03-05 | 南昌工程学院 | 一种计及高海拔环境影响的复合绝缘子劣化状态评价方法 |
-
2023
- 2023-06-30 CN CN202310790885.9A patent/CN116776224A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648591A (zh) * | 2024-01-30 | 2024-03-05 | 南昌工程学院 | 一种计及高海拔环境影响的复合绝缘子劣化状态评价方法 |
| CN117648591B (zh) * | 2024-01-30 | 2024-04-30 | 南昌工程学院 | 一种计及高海拔环境影响的复合绝缘子劣化状态评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110634080B (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN111177650B (zh) | 一种配电网电能质量监测与综合评估系统及方法 | |
| CN109061426B (zh) | 变压器局部放电故障诊断方法及在线监测装置 | |
| CN111160401A (zh) | 一种基于均值漂移和XGBoost的异常用电判别方法 | |
| CN116776224A (zh) | 一种基于gra和聚类云模型的变压器油纸绝缘状态评估方法 | |
| CN109406898B (zh) | 一种融合多特征量综合评估油纸绝缘老化程度的方法 | |
| CN105403777B (zh) | 复合绝缘子老化状态分级及判别方法 | |
| CN108957261A (zh) | 一种直流电缆典型缺陷局部放电识别方法 | |
| CN111401785A (zh) | 一种基于模糊关联规则的电力系统设备故障预警方法 | |
| CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
| CN106228190A (zh) | 针对居民异常用水的决策树判别方法 | |
| CN113128567A (zh) | 一种基于用电量数据的异常用电行为识别方法 | |
| CN111596010A (zh) | 一种烟草工业可用性的量化评价和分类方法 | |
| CN114912739A (zh) | 环境与变电站运维费用关联模型的构建及应用方法 | |
| CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
| CN108090635B (zh) | 一种基于聚类分类的路用性能预测方法 | |
| CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
| CN112906672A (zh) | 钢轨缺陷识别方法及系统 | |
| CN115454990A (zh) | 一种基于改进knn的油纸绝缘数据清洗方法 | |
| CN110210154B (zh) | 利用大坝测点数据判断测点表征大坝性态相似度的方法 | |
| CN112434886A (zh) | 一种预测客户抵押贷款违约概率的方法 | |
| CN111199209A (zh) | 一种基于iwo-kfcm算法的轴承时频谱图识别方法 | |
| CN112464168B (zh) | 一种综合能源潜力用户靶向评估提取方法 | |
| CN114615158A (zh) | 一种基于聚类的采集终端网络信号综合评价方法 |
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 |