CN117074833A - 一种变压器故障预测方法及故障预测系统 - Google Patents
一种变压器故障预测方法及故障预测系统 Download PDFInfo
- Publication number
- CN117074833A CN117074833A CN202311104112.7A CN202311104112A CN117074833A CN 117074833 A CN117074833 A CN 117074833A CN 202311104112 A CN202311104112 A CN 202311104112A CN 117074833 A CN117074833 A CN 117074833A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- transformer
- fault
- current state
- obtaining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000011156 evaluation Methods 0.000 claims abstract description 105
- 238000010219 correlation analysis Methods 0.000 claims abstract description 15
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 7
- 238000011208 chromatographic data Methods 0.000 claims description 6
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 4
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 4
- 239000005977 Ethylene Substances 0.000 claims description 4
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 4
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 4
- 239000001257 hydrogen Substances 0.000 claims description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明属于变压器故障预测技术领域,具体涉及一种变压器故障预测方法及故障预测系统,通过采集变压器的参数;根据参数判断变压器的故障类型;根据TOPSIS法获取变压器当前状态的第一评价;根据灰色关联分析法获取变压器当前状态的第二评价;根据第一评价和第二评价获取变压器当前状态的最终评价;实现了对变压器当前状态的评价,判断变压器当前状态处于故障状态或正常状态,以及故障状态的等级,对故障进行预测和精确判断。
Description
技术领域
本发明属于变压器故障预测技术领域,具体涉及一种变压器故障预测方法及故障预测系统。
背景技术
变压器在故障判断时采用三比值法,根据充油电气设备内绝缘油、固体绝缘材料在故障下裂解产生气体,分析气体的组分、含量的相对浓度与温度之间的关系,用五种特征气体(氢气、甲烷、乙烷、乙烯、乙炔)构成的三对比值(C2H2/C2H4、CH4/H2、C2H4/C2H6),在相同的情况下把这些比值换算成对应的编码组,然后查表得出对应的故障类型的方法。但是三比值法只能显示故障的种类,无法对故障程度进行判断,并且无法预测故障,无法准确的判断变压器的故障。
因此,基于上述技术问题需要设计一种新的变压器故障预测方法及故障预测系统。
发明内容
本发明的目的是提供一种变压器故障预测方法及故障预测系统。
为了解决上述技术问题,本发明提供了一种变压器故障预测方法,包括:
采集变压器的参数;
根据参数判断变压器的故障类型;
根据TOPSIS法获取变压器当前状态的第一评价;
根据灰色关联分析法获取变压器当前状态的第二评价;
根据第一评价和第二评价获取变压器当前状态的最终评价。
进一步,所述采集变压器的参数包括:
采集氢气、甲烷、乙烷、乙烯、乙炔的浓度。
进一步,所述根据参数判断变压器的故障类型包括:
根据参数的浓度,获取三种比值,即C2H2/C2H4、CH4/H2、C2H4/C2H6的比值;
对每一种气体比值进行编码,根据三种比值的编码判断故障类型。
进一步,所述根据TOPSIS法获取变压器当前状态的第一评价包括:
获取每一类故障类型对应的阈值范围;
在变压器正常时,将每一类故障类型对应的三种比值做为正理想解;
在变压器故障时,将每一类故障类型对应的三种比值做为负理想解。
进一步,根据当前三种比值的数值,获取当前三种比值距离负理想解的贴近程度,以获取第一评价。
进一步,所述根据灰色关联分析法获取变压器当前状态的第二评价包括:
根据故障状态与对应的三种比值的关系,通过灰色关联分析法,判断当前故障状态下,变压器的油色谱数据与典型故障的油色谱数据相关性,即第二评价。
进一步,所述根据第一评价和第二评价获取变压器当前状态的最终评价包括:
将第一评价与第二评价相加后进行加权平均,获得最终评价。
另一方面,本发明还提供一种变压器故障预测系统,包括:
采集模块,采集变压器的参数;
判断模块,根据参数判断变压器的故障类型;
第一评价模块,根据TOPSIS法获取变压器当前状态的第一评价;
第二评价模块,根据灰色关联分析法获取变压器当前状态的第二评价;
最终评价模块,根据第一评价和第二评价获取变压器当前状态的最终评价。
进一步,所述变压器故障预测系统适于采用上述变压器故障预测方法进行故障预测。
进一步,所述最终评价模块适于将第一评价与第二评价相加后进行加权平均,获得最终评价。
本发明的有益效果是,本发明通过采集变压器的参数;根据参数判断变压器的故障类型;根据TOPSIS法获取变压器当前状态的第一评价;根据灰色关联分析法获取变压器当前状态的第二评价;根据第一评价和第二评价获取变压器当前状态的最终评价;实现了对变压器当前状态的评价,判断变压器当前状态处于故障状态或正常状态,以及故障状态的等级,对故障进行预测和精确判断。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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。
图1是本发明的一种变压器故障预测方法的流程图;
图2是本发明的一种变压器故障预测系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做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。
实施例1
如图1和图2所示,本实施例1提供了一种变压器故障预测方法,包括:采集变压器的参数;根据参数判断变压器的故障类型;根据TOPSIS法获取变压器当前状态的第一评价;根据灰色关联分析法获取变压器当前状态的第二评价;根据第一评价和第二评价获取变压器当前状态的最终评价;实现了对变压器当前状态的评价,判断变压器当前状态处于故障状态或正常状态,以及故障状态的等级,对故障进行预测和精确判断。
在本实施例中,所述采集变压器的参数包括:采集氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)的浓度;根据各种气体的浓度可以进行故障的判断。
在本实施例中,所述根据参数判断变压器的故障类型包括:根据参数的浓度,获取三种比值,即C2H2/C2H4、CH4/H2、C2H4/C2H6的比值;对每一种气体比值进行编码,根据三种比值的编码判断故障类型,编码方法如表1所示,故障类型如表2所示。
表1:编码规则表
表2:故障类型表
在本实施例中,所述根据TOPSIS法获取变压器当前状态的第一评价包括:获取每一类故障类型对应的阈值范围;在变压器正常时,将每一类故障类型对应的三种比值做为正理想解;在变压器故障时,将每一类故障类型对应的三种比值做为负理想解。
在本实施例中,根据当前三种比值的数值,获取当前三种比值距离负理想解的贴近程度,以获取第一评价。根据各比值的数据和编码构建样本,通过各样本特征指标数据作为评价指标矩阵:Y=(yij)n*m;
式中:n代表样本数;m代表指标数量;yij代表第i个样本的第j个指标。
构建正、负理想样本,TOPSIS的机理为选定正、负最优解,通过检测待评价对象与最优解、最劣解的接近程度来给待评价样本打分。以表示正理想样本(正理想解),以/>表示负理想样本(负理想解),则有:
则每一个样本距离正理想解的距离为:
则每一个样本距离负理想解的距离为:
则第一评价为:
在本实施例中,所述根据灰色关联分析法获取变压器当前状态的第二评价包括:根据故障状态与对应的三种比值的关系,通过灰色关联分析法,判断当前故障状态下,变压器的油色谱数据与典型故障的油色谱数据相关性,即第二评价。
将理想序列初值化:
将比较序列Xi=(xi1,xi2,…,xim)初值化:
差值计算:
绝对灰色关联度:
综合灰色关联度:
式中,α为传统灰色关联度的权重;综合灰色关联度即为第二评价。
在本实施例中,所述根据第一评价和第二评价获取变压器当前状态的最终评价包括:
将第一评价与第二评价相加后进行加权平均,获得最终评价;
最终评价为:来量化表征变压器的故障程度;对变压器当前状态的评价,判断变压器当前状态处于故障状态或正常状态,以及故障状态的等级,对故障进行预测和精确判断。可以根据最终评价进行分级,从而达到故障预测的目的。
实施例2
在实施例1的基础上,本实施例2还提供一种变压器故障预测系统,包括:采集模块,采集变压器的参数;判断模块,根据参数判断变压器的故障类型;第一评价模块,根据TOPSIS法获取变压器当前状态的第一评价;第二评价模块,根据灰色关联分析法获取变压器当前状态的第二评价;最终评价模块,根据第一评价和第二评价获取变压器当前状态的最终评价;各模块的具体的功能在实施例1中已经详细描述不再赘述。
在本实施例中,所述变压器故障预测系统适于采用实施例1中变压器故障预测方法进行故障预测。
在本实施例中,所述最终评价模块适于将第一评价与第二评价相加后进行加权平均,获得最终评价。
综上所述,本发明通过采集变压器的参数;根据参数判断变压器的故障类型;根据TOPSIS法获取变压器当前状态的第一评价;根据灰色关联分析法获取变压器当前状态的第二评价;根据第一评价和第二评价获取变压器当前状态的最终评价;实现了对变压器当前状态的评价,判断变压器当前状态处于故障状态或正常状态,以及故障状态的等级,对故障进行预测和精确判断。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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。也要注意的是,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动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种变压器故障预测方法,其特征在于,包括:
采集变压器的参数;
根据参数判断变压器的故障类型;
根据TOPSIS法获取变压器当前状态的第一评价;
根据灰色关联分析法获取变压器当前状态的第二评价;
根据第一评价和第二评价获取变压器当前状态的最终评价。
2.如权利要求1所述的变压器故障预测方法,其特征在于,
所述采集变压器的参数包括:
采集氢气、甲烷、乙烷、乙烯、乙炔的浓度。
3.如权利要求2所述的变压器故障预测方法,其特征在于,
所述根据参数判断变压器的故障类型包括:
根据参数的浓度,获取三种比值,即C2H2/C2H4、CH4/H2、C2H4/C2H6的比值;
对每一种气体比值进行编码,根据三种比值的编码判断故障类型。
4.如权利要求3所述的变压器故障预测方法,其特征在于,
所述根据TOPSIS法获取变压器当前状态的第一评价包括:
获取每一类故障类型对应的阈值范围;
在变压器正常时,将每一类故障类型对应的三种比值做为正理想解;
在变压器故障时,将每一类故障类型对应的三种比值做为负理想解。
5.如权利要求4所述的变压器故障预测方法,其特征在于,
根据当前三种比值的数值,获取当前三种比值距离负理想解的贴近程度,以获取第一评价。
6.如权利要求5所述的变压器故障预测方法,其特征在于,
所述根据灰色关联分析法获取变压器当前状态的第二评价包括:
根据故障状态与对应的三种比值的关系,通过灰色关联分析法,判断当前故障状态下,变压器的油色谱数据与典型故障的油色谱数据相关性,即第二评价。
7.如权利要求6所述的变压器故障预测方法,其特征在于,
所述根据第一评价和第二评价获取变压器当前状态的最终评价包括:
将第一评价与第二评价相加后进行加权平均,获得最终评价。
8.一种变压器故障预测系统,其特征在于,包括:
采集模块,采集变压器的参数;
判断模块,根据参数判断变压器的故障类型;
第一评价模块,根据TOPSIS法获取变压器当前状态的第一评价;
第二评价模块,根据灰色关联分析法获取变压器当前状态的第二评价;
最终评价模块,根据第一评价和第二评价获取变压器当前状态的最终评价。
9.如权利要求8所述的变压器故障预测系统,其特征在于,
所述变压器故障预测系统适于采用如权利要求1所述变压器故障预测方法进行故障预测。
10.如权利要求9所述的变压器故障预测系统,其特征在于,
所述最终评价模块适于将第一评价与第二评价相加后进行加权平均,获得最终评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311104112.7A CN117074833A (zh) | 2023-08-30 | 2023-08-30 | 一种变压器故障预测方法及故障预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311104112.7A CN117074833A (zh) | 2023-08-30 | 2023-08-30 | 一种变压器故障预测方法及故障预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117074833A true CN117074833A (zh) | 2023-11-17 |
Family
ID=88707887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311104112.7A Pending CN117074833A (zh) | 2023-08-30 | 2023-08-30 | 一种变压器故障预测方法及故障预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117074833A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884647A (zh) * | 2017-11-06 | 2018-04-06 | 南京力通达电气技术有限公司 | 基于数据挖掘的变压器故障预警系统 |
CN109283293A (zh) * | 2018-10-09 | 2019-01-29 | 上海电力学院 | 基于变异系数与topsis法的电力变压器故障诊断方法 |
CN113592359A (zh) * | 2021-08-20 | 2021-11-02 | 国网浙江省电力有限公司检修分公司 | 电力变压器的健康度评价方法和装置 |
CN116482578A (zh) * | 2023-04-26 | 2023-07-25 | 国网宁夏电力有限公司电力科学研究院 | 一种基于灰色关联方法的换流变压器故障诊断方法及装置 |
-
2023
- 2023-08-30 CN CN202311104112.7A patent/CN117074833A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884647A (zh) * | 2017-11-06 | 2018-04-06 | 南京力通达电气技术有限公司 | 基于数据挖掘的变压器故障预警系统 |
CN109283293A (zh) * | 2018-10-09 | 2019-01-29 | 上海电力学院 | 基于变异系数与topsis法的电力变压器故障诊断方法 |
CN113592359A (zh) * | 2021-08-20 | 2021-11-02 | 国网浙江省电力有限公司检修分公司 | 电力变压器的健康度评价方法和装置 |
CN116482578A (zh) * | 2023-04-26 | 2023-07-25 | 国网宁夏电力有限公司电力科学研究院 | 一种基于灰色关联方法的换流变压器故障诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
尹忠明等: "《中国对外直接投资与国内产业机构转型升级的内外联动机制研究》", 31 December 2021, 中国经济出版社, pages: 68 - 69 * |
郭兆龙: "基于油色谱数据的变压器故障状态预测方法研究", 《中国优秀硕士论文全文数据库电子期刊 工程科技Ⅱ辑》, vol. 2022, no. 01, 15 January 2022 (2022-01-15), pages 17 - 27 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
KR102218734B1 (ko) | 인공지능 기반 환경유해인자 고해상도 데이터 보간방법 | |
CN111898839B (zh) | 电力用户的重要程度分类方法及装置 | |
CN105740988A (zh) | 基于灰色关联分析和多元线性回归模型对煤炭热值的预测方法 | |
CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
CN110674858A (zh) | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 | |
CN116245406A (zh) | 基于运维质量管理数据库的软件运维质量评价方法及系统 | |
CN115062854A (zh) | 一种企业创新信息匹配项目的动态预估方法 | |
CN114358193A (zh) | 基于油色谱的变压器状态诊断方法、终端及存储介质 | |
CN117074833A (zh) | 一种变压器故障预测方法及故障预测系统 | |
CN117493759A (zh) | 基于主成分分析和向量机的燃气沼气判别方法和装置 | |
CN113782112B (zh) | 一种石油馏分组成模型确定方法及装置 | |
CN114636776A (zh) | 一种基于变压器油溶解气体监测的变压器故障预测方法 | |
CN115883198A (zh) | 一种多因素网络异常行为检测方法 | |
CN114417977A (zh) | 一种基于变压器数据样本扩充的故障诊断方法及系统 | |
CN114707784A (zh) | 一种基于组合赋权法的权重确定方法及系统 | |
CN113281229A (zh) | 一种基于小样本下多模型自适应大气pm2.5浓度预测方法 | |
CN112418641A (zh) | 地铁站安全评估方法、装置、服务器及存储介质 | |
Veerakumari et al. | Selection of SkSP-V with Bayesian conditional repetitive group sampling plan as reference plan indexed using quality levels | |
CN115267614B (zh) | 一种用于智能变压器的检测方法及系统 | |
CN111832145B (zh) | 一种油浸式电力变压器的故障诊断方法及系统 | |
Wu-liang | Application of Grey Relational Analysis in Code Absence of DGA for Transformer | |
CN111832731B (zh) | 一种多指标监测的油液不确定状态表征及故障诊断的方法 | |
CN112634268B (zh) | 一种视频质量评价方法、装置及电子设备 | |
Liang et al. | Research and Prediction Based on Multiple Linear Regression and Machine Learning |
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 |