CN117851897A - 一种多维度特征融合的油浸式变压器在线故障诊断方法 - Google Patents
一种多维度特征融合的油浸式变压器在线故障诊断方法 Download PDFInfo
- Publication number
- CN117851897A CN117851897A CN202410263083.7A CN202410263083A CN117851897A CN 117851897 A CN117851897 A CN 117851897A CN 202410263083 A CN202410263083 A CN 202410263083A CN 117851897 A CN117851897 A CN 117851897A
- Authority
- CN
- China
- Prior art keywords
- feature
- fusion
- tensor
- network
- attention
- 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 87
- 230000004927 fusion Effects 0.000 title claims abstract description 67
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 22
- 238000004587 chromatography analysis Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011208 chromatographic data Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种多维度特征融合的油浸式变压器在线故障诊断方法，涉及变压器故障诊断技术领域，故障诊断方法具体包括如下步骤：数据预处理，对各维度油色谱序列进行预处理；单维特征提取，通过构建特征编码网络、特征提取网络和特征解码网络来提取各个维度的油色谱序列特征；多维特征融合，通过构建带有注意力机制的张量融合网络对多维油色谱序列特征进行融合；故障分类，将特征融合形成的特征张量送往分类器来实现故障诊断，本发明在传统张量融合的基础上引入带有注意力机制的张量融合，利用神经网络不断迭代更新不同特征的权值，提高了对于故障分类结果贡献度较大的特征的权重，减小了冗余特征的权重，提高了故障诊断的准确性。
Description
技术领域
本发明涉及变压器故障诊断技术领域，具体为一种多维度特征融合的油浸式变压器在线故障诊断方法。
背景技术
随着“碳达峰、碳中和”目标的提出，对电力系统的安全稳定性和电力供应的可靠性提出了更高要求，油浸式变压器作为电力系统的重要电气设备，其故障可能会造成大范围停电，威胁电力系统的稳定运行，因此，对油浸式变压器进行在线故障诊断具有重要意义，油浸式变压器故障类型大致包括低温过热、中温过热、高温过热、局部放电、低能放电、高能放电，发生故障时，变压器中产生的、/>、/>、/>、/>等气体会溶解在变压器油中，目前油色谱序列分析法根据变压器在正常运行和发生不同类型故障时溶解于变压器油的气体浓度不同，判断变压器可能发生的故障类型，具有抗干扰力强、易于在线诊断的优点，近年来得到了广泛应用，而当前油浸式变压器故障诊断技术主要有阈值法、三比值法和数据驱动法，阈值法是通过大量实验数据和人工经验，确定每种气体浓度的阈值，当监测到气体浓度高于阈值时则判断变压器故障；三比值法利用五种气体的三对比值，用不同的编码表示不同的三对比值和不同的比值范围，根据编码来判断变压器的故障类型；数据驱动法通过构建特征提取、故障分类模型，利用油色谱数据和对应故障类型标签进行有监督训练；
但是现有的油色谱分析法仅将原始油色谱序列直接输入模型，忽略了各维度气体序列之间的潜在关联，从而在诊断时无法充分融合多维油色谱序列特征，并且，当前的阈值法通过大量实验数据和人工经验，确定每种气体浓度的阈值，当监测到气体浓度高于阈值时可以判断变压器故障，但此方法不能区分故障类型，应用范围有限，三比值法对变压器三种气体浓度比值、/>、/>的范围进行编码，根据编码判断变压器的故障类型，但变压器发生各种故障时产生的气体浓度具有不确定性，利用气体浓度比值范围划分变压器故障类型过于绝对，容易导致较大的误判率，数据驱动法仅将原始油色谱序列直接输入模型，忽略了各维度气体序列之间的潜在关联。
发明内容
本发明提供一种多维度特征融合的油浸式变压器在线故障诊断方法，可以有效解决上述背景技术中提出现有的油色谱分析法在诊断时无法充分融合多维油色谱序列特征，阈值法不能区分故障类型，应用范围有限，三比值法利用气体浓度比值范围划分变压器故障类型过于绝对，容易导致较大的误判率，数据驱动法仅将原始油色谱序列直接输入模型，忽略了各维度气体序列之间的潜在关联的问题。
为实现上述目的，本发明提供如下技术方案：一种多维度特征融合的油浸式变压器在线故障诊断方法，提取不同维度的油色谱序列特征，并充分融合多维油色谱序列特征，实现精准故障诊断；
故障诊断方法具体包括如下步骤：
S1、数据预处理，对各维度油色谱序列进行预处理；
S2、单维特征提取，通过构建特征编码网络、特征提取网络和特征解码网络来提取各个维度的油色谱序列特征；
S3、多维特征融合，通过构建带有注意力机制的张量融合网络对多维油色谱序列特征进行融合；
S4、故障分类，将特征融合形成的特征张量送往分类器来实现故障诊断。
根据上述技术方案，所述S1中，具体处理数据时，通过输入、/>、/>、和/>五个维度的气体浓度序列/>，其中/>，进行归一化处理得到/>：/>；
式中，为第/>个气体序列/>的第/>个值。
根据上述技术方案，所述S2中，单维特征提取网络由特征编码网络、特征提取网络和特征解码网络三部分组成；
所述特征编码网络主要利用卷积神经网络对数据预处理后的各维气体浓度序列进行特征编码，得到特征编码矩阵：/>；
式中，，/>为特征通道个数。
根据上述技术方案，所述特征提取网络解决了传统的循环网络在处理长序列时易出现梯度消失的问题，通过对序列进行时序编码，然后利用自注意力机制提取时序特征，既保留了时序信息，又有效避免了梯度消失的问题；
时序编码是将特征编码矩阵与时序编码矩阵/>相加：/>；
多头注意力机制是将带有时序信息的特征编码矩阵映射为查询向量矩阵/>、键向量矩阵/>和值向量矩阵/>：/>；
式中，、/>、/>为权重参数矩阵；
注意力权重矩阵如下：；
将多个注意力矩阵融合得到多头注意力矩阵：；
式中，为注意力头数，/>为权重参数矩阵；
将多头注意力矩阵和多头注意力机制的输入/>进行残差连接与层标准化操作得到：/>；
前馈神经网络是将多头注意力层的输出经过全连接层、残差连接层、标准化层得到：/>。
根据上述技术方案，所述特征解码网络是使用卷积神经网络沿特征维度进行卷积操作，输出特征向量：；
重复特征编码网络、特征提取网络和特征解码网络，并行提取五个维度的气体浓度序列特征，得到特征向量，并行提取多维度特征信息，有效提升了计算效率。
根据上述技术方案，所述S3中，多维特征融合主要包括融合特征张量和注意力张量；
所述融合特征张量是将步骤S2中提取的各个维度的特征向量进行维度加1，然后基于张量理论，通过外积的方式得到五阶融合特征张量/>：；
融合特征张量不仅捕捉到了各个维度特征向量之间交互的信息，又保留了各维度本身的信息。
根据上述技术方案，所述注意力张量由于融合特征张量中每个特征元素对于最终故障分类结果的贡献度不同，为提高有效特征的权值，降低冗余特征的权值，因此在传统张量融合的基础上引入注意力张量；
首先通过全局池化层将融合特征张量下采样为三阶特征张量：；
将三阶特征张量进行、/>、/>三个维度的展开，然后分别通过全局池化层及全连接层得到注意力向量/>、/>、/>，然后基于张量理论，通过外积的方式得到三阶注意力张量/>：/>；
式中，中元素大小代表对应融合特征张量/>中每个特征的贡献度；
最后将原始融合特征张量与注意力张量/>进行点积得到最终的多维融合特征张量/>：/>；
带有注意力机制的张量融合利用神经网络不断迭代更新不同特征的权值，相对于传统张量融合方式，能有效提高对于故障分类结果贡献度较大的特征元素的权重，减小冗余特征的影响，从而进一步提高故障诊断准确性。
根据上述技术方案，所述S4中，故障分类主要通过构建全连接网络来实现故障分类，则有：；
式中，为预测故障类型。
与现有技术相比，本发明的有益效果：
1、本发明在传统张量融合的基础上，通过构建带有注意力机制的张量融合网络实现了对各维度油色谱序列特征进行融合，通过构建单维特征提取网络，利用张量融合的方式挖掘多维油色谱特征的潜在关联，提高了变压器故障诊断的效率，且基于特征编码网络、特征提取网络和特征解码网络三部分，来对单维油色谱序列进行特征提取，并利用神经网络不断迭代更新不同特征的权值，相对于传统张量融合方式，能有效提高对于故障分类结果贡献度较大的特征元素的权重，减小冗余特征的影响，从而进一步提高故障诊断的准确性。
2、此外，在油浸式变压器故障诊断以外，对其他风电机组故障诊断领域同样适用，通过对风电机组的振动序列、温度序列和局放序列的不同维度的数据进行预处理，然后利用单维特征提取网络提取各个维度序列的特征，并利用注意力张量融合的方式进行多维特征融合，最后输入分类器进行故障分类，因此，对于风电机组故障诊断同样有效，提高了该故障诊断方法的实际应用范围。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明故障诊断方法的步骤流程图；
图2是本发明单维特征提取的流程图；
图3是本发明多维特征张量融合过程的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1所示，本发明提供一种技术方案，一种多维度特征融合的油浸式变压器在线故障诊断方法，提取不同维度的油色谱序列特征，并充分融合多维油色谱序列特征，实现精准故障诊断；
故障诊断方法具体包括如下步骤：
S1、数据预处理，对各维度油色谱序列进行预处理；
S2、单维特征提取，通过构建特征编码网络、特征提取网络和特征解码网络来提取各个维度的油色谱序列特征；
S3、多维特征融合，通过构建带有注意力机制的张量融合网络对多维油色谱序列特征进行融合；
S4、故障分类，将特征融合形成的特征张量送往分类器来实现故障诊断。
基于上述技术方案，S1中，具体处理数据时，通过输入、/>、/>、/>和五个维度的气体浓度序列/>，其中/>，进行归一化处理得到：/>；
式中，为第/>个气体序列/>的第/>个值。
基于上述技术方案，S2中，单维特征提取网络由特征编码网络、特征提取网络和特征解码网络三部分组成，单维特征提取的具体流程如图2所示；
特征编码网络主要利用卷积神经网络对数据预处理后的各维气体浓度序列进行特征编码，得到特征编码矩阵：/>；
式中，，/>为特征通道个数。
基于上述技术方案，特征提取网络解决了传统的循环网络在处理长序列时易出现梯度消失的问题，通过对序列进行时序编码，然后利用自注意力机制提取时序特征，既保留了时序信息，又有效避免了梯度消失的问题；
时序编码是将特征编码矩阵与时序编码矩阵/>相加：/>；
多头注意力机制是将带有时序信息的特征编码矩阵映射为查询向量矩阵/>、键向量矩阵/>和值向量矩阵/>：/>；
式中，、/>、/>为权重参数矩阵；
注意力权重矩阵如下：；
将多个注意力矩阵融合得到多头注意力矩阵：；
式中，为注意力头数，/>为权重参数矩阵；
将多头注意力矩阵和多头注意力机制的输入/>进行残差连接与层标准化操作得到：/>；
前馈神经网络是将多头注意力层的输出经过全连接层、残差连接层、标准化层得到：/>。
基于上述技术方案，特征解码网络是使用卷积神经网络沿特征维度进行卷积操作，输出特征向量：；
重复特征编码网络、特征提取网络和特征解码网络，并行提取五个维度的气体浓度序列特征，得到特征向量，并行提取多维度特征信息，有效提升了计算效率。
基于上述技术方案，S3中，多维特征融合过程主要包括融合特征张量和注意力张量，多维特征张量融合的过程具体如图3所示；
融合特征张量是将步骤S2中提取的各个维度的特征向量进行维度加1，然后基于张量理论，通过外积的方式得到五阶融合特征张量/>：；
融合特征张量不仅捕捉到了各个维度特征向量之间交互的信息，又保留了各维度本身的信息。
基于上述技术方案，注意力张量由于融合特征张量中每个特征元素对于最终故障分类结果的贡献度不同，为提高有效特征的权值，降低冗余特征的权值，因此在传统张量融合的基础上引入注意力张量；
首先通过全局池化层将融合特征张量下采样为三阶特征张量：；
将三阶特征张量进行、/>、/>三个维度的展开，然后分别通过全局池化层及全连接层得到注意力向量/>、/>、/>，然后基于张量理论，通过外积的方式得到三阶注意力张量/>：/>；
式中，中元素大小代表对应融合特征张量/>中每个特征的贡献度；
最后将原始融合特征张量与注意力张量/>进行点积得到最终的多维融合特征张量/>：/>；
带有注意力机制的张量融合利用神经网络不断迭代更新不同特征的权值，相对于传统张量融合方式，能有效提高对于故障分类结果贡献度较大的特征元素的权重，减小冗余特征的影响，从而进一步提高故障诊断准确性。
基于上述技术方案，S4中，故障分类主要通过构建全连接网络来实现故障分类，则有：；
式中，为预测故障类型。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (8)
1.一种多维度特征融合的油浸式变压器在线故障诊断方法，其特征在于：提取不同维度的油色谱序列特征，并充分融合多维油色谱序列特征，实现精准故障诊断；
故障诊断方法具体包括如下步骤：
S1、数据预处理，对各维度油色谱序列进行预处理；
S2、单维特征提取，通过构建特征编码网络、特征提取网络和特征解码网络来提取各个维度的油色谱序列特征；
S3、多维特征融合，通过构建带有注意力机制的张量融合网络对多维油色谱序列特征进行融合；
S4、故障分类，将特征融合形成的特征张量送往分类器来实现故障诊断。
2.根据权利要求1所述的一种多维度特征融合的油浸式变压器在线故障诊断方法，其特征在于：所述S1中，在具体处理数据时，通过输入、/>、/>、/>、和/>五个维度的气体浓度序列/>，其中/>，进行归一化处理得到/>：；式中，/>为第/>个气体序列的/>第/>个值。
3.根据权利要求1所述的一种多维度特征融合的油浸式变压器在线故障诊断方法，其特征在于：所述S2中，单维特征提取网络由特征编码网络、特征提取网络和特征解码网络三部分组成；
所述特征编码网络主要利用卷积神经网络对数据预处理后的各维气体浓度序列进行特征编码，得到特征编码矩阵：/>；式中，/>，/>为特征通道个数。
4.根据权利要求3所述的一种多维度特征融合的油浸式变压器在线故障诊断方法，其特征在于：所述特征提取网络首先对序列进行时序编码，然后利用自注意力机制提取时序特征；
时序编码是将特征编码矩阵与时序编码矩阵/>相加：/>；
多头注意力机制是将带有时序信息的特征编码矩阵映射为查询向量矩阵/>、键向量矩阵/>和值向量矩阵/>：/>；
式中，、/>、/>为权重参数矩阵；
注意力权重矩阵如下：；
将多个注意力矩阵融合得到多头注意力矩阵：；
式中，为注意力头数，/>为权重参数矩阵；
将多头注意力矩阵和多头注意力机制的输入/>进行残差连接与层标准化操作得到：/>；
前馈神经网络是将多头注意力层的输出经过全连接层、残差连接层、标准化层得到：。
5.根据权利要求3所述的一种多维度特征融合的油浸式变压器在线故障诊断方法，其特征在于：所述特征解码网络是使用卷积神经网络沿特征维度进行卷积操作，输出特征向量：；
重复特征编码网络、特征提取网络和特征解码网络，并行提取五个维度的气体浓度序列特征，得到特征向量，并行提取多维度特征信息。
6.根据权利要求3所述的一种多维度特征融合的油浸式变压器在线故障诊断方法，其特征在于：所述S3中，多维特征融合主要包括融合特征张量和注意力张量；
所述融合特征张量是将步骤S2中提取的各个维度的特征向量进行维度加1，然后基于张量理论，通过外积的方式得到五阶融合特征张量/>：；
融合特征张量不仅捕捉到了各个维度特征向量之间交互的信息，又保留了各维度本身的信息。
7.根据权利要求6所述的一种多维度特征融合的油浸式变压器在线故障诊断方法，其特征在于：所述注意力张量由于融合特征张量中每个特征元素对于最终故障分类结果的贡献度不同，为提高有效特征的权值，降低冗余特征的权值，因此在传统张量融合的基础上引入注意力张量；
首先通过全局池化层将融合特征张量下采样为三阶特征张量：；
将三阶特征张量进行、/>、/>三个维度的展开，然后分别通过全局池化层及全连接层得到注意力向量/>、/>、/>，然后基于张量理论，通过外积的方式得到三阶注意力张量/>：；
式中，中元素大小代表对应融合特征张量/>中每个特征的贡献度；
最后将原始融合特征张量与注意力张量/>进行点积得到最终的多维融合特征张/>：；
带有注意力机制的张量融合利用神经网络不断迭代更新不同特征的权值。
8.根据权利要求3或6所述的一种多维度特征融合的油浸式变压器在线故障诊断方法，其特征在于：所述S4中，故障分类主要通过构建全连接网络来实现故障分类，则有：；
式中，为预测故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410263083.7A CN117851897A (zh) | 2024-03-08 | 2024-03-08 | 一种多维度特征融合的油浸式变压器在线故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410263083.7A CN117851897A (zh) | 2024-03-08 | 2024-03-08 | 一种多维度特征融合的油浸式变压器在线故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117851897A true CN117851897A (zh) | 2024-04-09 |
Family
ID=90540478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410263083.7A Pending CN117851897A (zh) | 2024-03-08 | 2024-03-08 | 一种多维度特征融合的油浸式变压器在线故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117851897A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079532A (zh) * | 2019-11-13 | 2020-04-28 | 杭州电子科技大学 | 一种基于文本自编码器的视频内容描述方法 |
| CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
| CN113657622A (zh) * | 2021-07-13 | 2021-11-16 | 国网河北省电力有限公司电力科学研究院 | 电力设备多维状态数据融合方法、装置、终端及存储介质 |
| CN113889198A (zh) * | 2021-09-24 | 2022-01-04 | 国网宁夏电力有限公司电力科学研究院 | 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 |
| CN115622047A (zh) * | 2022-11-04 | 2023-01-17 | 中海储能科技(北京)有限公司 | 基于Transformer模型的电力变压器负荷预测方法 |
| CN116597824A (zh) * | 2023-05-19 | 2023-08-15 | 杭州电子科技大学 | 一种基于注意力引导张量网络的想象语音分类方法及系统 |
| CN116993043A (zh) * | 2023-07-03 | 2023-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种电力设备故障溯源方法及装置 |
| CN117574264A (zh) * | 2023-11-20 | 2024-02-20 | 中国电力科学研究院有限公司 | 一种基于知识约束神经网络的变压器故障诊断方法及系统 |
-
2024
- 2024-03-08 CN CN202410263083.7A patent/CN117851897A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079532A (zh) * | 2019-11-13 | 2020-04-28 | 杭州电子科技大学 | 一种基于文本自编码器的视频内容描述方法 |
| CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
| CN113657622A (zh) * | 2021-07-13 | 2021-11-16 | 国网河北省电力有限公司电力科学研究院 | 电力设备多维状态数据融合方法、装置、终端及存储介质 |
| CN113889198A (zh) * | 2021-09-24 | 2022-01-04 | 国网宁夏电力有限公司电力科学研究院 | 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 |
| CN115622047A (zh) * | 2022-11-04 | 2023-01-17 | 中海储能科技(北京)有限公司 | 基于Transformer模型的电力变压器负荷预测方法 |
| CN116597824A (zh) * | 2023-05-19 | 2023-08-15 | 杭州电子科技大学 | 一种基于注意力引导张量网络的想象语音分类方法及系统 |
| CN116993043A (zh) * | 2023-07-03 | 2023-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种电力设备故障溯源方法及装置 |
| CN117574264A (zh) * | 2023-11-20 | 2024-02-20 | 中国电力科学研究院有限公司 | 一种基于知识约束神经网络的变压器故障诊断方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 张伟雄等: ""基于时序自注意力机制的遥感数据时间序列分类"", 《遥感学报》, vol. 27, no. 8, 31 December 2023 (2023-12-31), pages 1916 - 1917 * |
| 李婷等: ""基于信息融合和神经网络的变压器内部故障快速诊断方法"", 《电测与仪表》, vol. 60, no. 11, 15 November 2023 (2023-11-15), pages 195 * |
| 祝彬等: ""基于多模态张量融合的焊接质量检测方法"", 《热加工工艺》, vol. 52, no. 15, 31 December 2023 (2023-12-31), pages 128 - 131 * |
| 黄磊等: ""基于卷积神经网络的变压器油中溶解气体浓度故障诊断"", 《电器工业》, no. 1, 31 December 2023 (2023-12-31), pages 45 - 46 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| CN111860677B (zh) | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 | |
| CN113393025A (zh) | 一种基于Informer模型编码结构的非侵入式负荷分解方法 | |
| CN115693918A (zh) | 一种建筑综合智能用电系统及其方法 | |
| CN109213753B (zh) | 一种基于在线pca的工业系统监测数据恢复方法 | |
| CN116306864A (zh) | 一种对电力系统的深度学习模型进行训练的方法 | |
| CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
| CN110879373A (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
| CN114661905A (zh) | 一种基于bert的电网故障诊断方法 | |
| CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
| CN115905959B (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
| CN114817773A (zh) | 一种基于多级分解和融合的时序预测系统及方法 | |
| Li et al. | Transformer fault diagnosis based on improved deep coupled dense convolutional neural network | |
| CN117851897A (zh) | 一种多维度特征融合的油浸式变压器在线故障诊断方法 | |
| Yan et al. | Graph-based knowledge acquisition with convolutional networks for distribution network patrol robots | |
| Matsumoto et al. | XCSR based on compressed input by deep neural network for high dimensional data | |
| CN113536508A (zh) | 一种制造网络节点分类方法及系统 | |
| CN117218110A (zh) | 一种基于深度学习的水电站红外热像故障预测方法 | |
| CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
| Marseguerra et al. | Fault diagnosis via neural networks: The Boltzmann machine | |
| Cao et al. | Self-Adaption AAE-GAN for aluminum electrolytic cell anomaly detection | |
| CN112331274A (zh) | 基于相重构和神经网络的变压器油中溶解气体预测方法 | |
| Li et al. | Fault Diagnosis and Prediction Method of Distribution Transformer in Active Distribution Network Based on Data Augmentation | |
| Jiang et al. | Research on Transformer Fault Diagnosis with Support Vector Machine Optimized by Slime Mold Algorithm Based on Principal Component Analysis | |
| CN115616437B (zh) | 一种epc特种电源的智能调测控制方法及系统 |
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 |