-
公开(公告)号：CN116628443A
公开(公告)日：2023-08-22
申请号：CN202310553821.7
申请日：2023-05-16
申请人： 西安工程大学
IPC分类号： G06F18/20 , G01R31/62 , G06F18/213 , G06F18/2411
摘要： 本发明公开了一种POA‑SVM变压器故障诊断方法及电子设备，方法包括以下步骤：获取变压器故障样本；对变压器故障样本进行混合采样处理，得到平衡数据集；获取平衡数据集的特征向量，进行归一化处理；将归一化后的特征向量作为特征参量，采用POA优化SVM方法，找到最优的惩罚因子C和核参数δ；根据最优惩罚因子C和核参数δ建立变压器故障诊断模型，并使用变压器故障诊断模型进行故障判断。本发明能够剔除多类样本的噪声和重复信息来提高数据利用率，同时仅通过增加少类样本中有效样本数量和保留多数样本有用信息来实现样本的均衡化；降低了误判率，整体诊断正确率更高，一致性更好，性能更好。
-
公开(公告)号：CN114896883B
公开(公告)日：2023-05-05
申请号：CN202210524421.9
申请日：2022-05-13
申请人： 西安工程大学
IPC分类号： G06F30/27 , G06F18/2411 , G06N20/10 , G06F111/06
摘要： 本发明公开了一种基于MEA‑SVM分类机的变压器故障诊断方法，所述基于MEA‑SVM分类机的变压器故障诊断方法包括：S1：获取变压器初始数据；S2：对所述变压器初始数据进行气体提取处理，得到变压器故障样本数据；S3：对所述变压器故障样本数据进行预处理，得到预处理数据；S4：根据所述预处理数据，利用思维进化算法和支持向量机原理，建立变压器故障诊断模型；S5：根据所述变压器故障样本数据，利用所述变压器故障诊断模型，得到变压器故障诊断结果。本发明所提供的基于MEA‑SVM分类机的变压器故障诊断方法，能够提高变压器故障的分类能力和故障诊断的准确性。
-
公开(公告)号：CN116662862A
公开(公告)日：2023-08-29
申请号：CN202310658506.0
申请日：2023-06-05
申请人： 西安工程大学
IPC分类号： G06F18/24 , G06F18/214 , G06N3/0442 , G06N3/08
摘要： 本发明公开了一种基于油中溶解气体含量预测和诊断的变压器故障预警方法，包括以下步骤：将时间序列油色谱数据分为测试集和训练集，对训练集进行数据归一化处理后输入故障诊断算法中进行算法训练；初始化SSA算法参数，并设定对LSTM网络预测模型的寻优参数，采用SSA算法对LSTM网络预测模型进行参数优化；将最优参数和油色谱数据输入LSTM网络预测模型中预测未来的油中溶解气体含量，获得预测数据；将预测数据输入经算法训练的故障诊断算法中进行变压器故障诊断，出现故障时及时报警，否则继续进行故障诊断。本发明解决了现有预测方法存在精度低、预测效果较差以及现有方法没有使用准确精度衡量预测性能的问题。
-
公开(公告)号：CN114896883A
公开(公告)日：2022-08-12
申请号：CN202210524421.9
申请日：2022-05-13
申请人： 西安工程大学
IPC分类号： G06F30/27 , G06K9/62 , G06N20/10 , G06F111/06
摘要： 本发明公开了一种基于MEA‑SVM分类机的变压器故障诊断方法，所述基于MEA‑SVM分类机的变压器故障诊断方法包括：S1：获取变压器初始数据；S2：对所述变压器初始数据进行气体提取处理，得到变压器故障样本数据；S3：对所述变压器故障样本数据进行预处理，得到预处理数据；S4：根据所述预处理数据，利用思维进化算法和支持向量机原理，建立变压器故障诊断模型；S5：根据所述变压器故障样本数据，利用所述变压器故障诊断模型，得到变压器故障诊断结果。本发明所提供的基于MEA‑SVM分类机的变压器故障诊断方法，能够提高变压器故障的分类能力和故障诊断的准确性。
-
公开(公告)号：CN116628443B
公开(公告)日：2024-01-23
申请号：CN202310553821.7
申请日：2023-05-16
申请人： 西安工程大学
IPC分类号： G06F18/20 , G01R31/62 , G06F18/213 , G06F18/2411
摘要： 本发明公开了一种POA‑SVM变压器故障诊断方法及电子设备，方法包括以下步骤：获取变压器故障样本；对变压器故障样本进行混合采样处理，得到平衡数据集；获取平衡数据集的特征向量，进行归一化处理；将归一化后的特征向量作为特征参量，采用POA优化SVM方法，找到最优的惩罚因子C和核参数δ；根据最优惩罚因子C和核参数δ建立变压器故障诊断模型，并使用变压器故障诊断模型进行故障判断。本发明能够剔除多类样本的噪声和重复信息来提高数据利用率，同时仅通过增加少类样本中有效样本数量和保留多数样本有用信息来实现样本的均衡化；降低了误判率，整体诊断正确率更高，一致性更好，性能更好。(56)对比文件Le Wang 等.Review of ClassificationMethods on Unbalanced Data Sets《.IEEEAccess》.2021,第9卷第64606-64628页.王洋.变压器运行过程中的常见故障分析及维护探讨《.中国石油和化工标准与质量》.2018,第29-30页.郭婷 等.基于识别关键样本点的非平衡数据核SVM算法《.模式识别与人工智能》.2019,第32卷(第6期),第569-576页.Yuchuan Zhang 等.Prediction ofdissolved gas in transformer oil based onSSA-LSTM model《.2022 9th InternationalConference on Condition Monitoring andDiagnosis》.2023,第177-182页.Xiu Zhou 等.Research on TransformerFault Diagnosis Technology Based onAdaboost-Decision Tree and DGA《.Theproceedings of the 16th Annual Conferenceof China Electrotechnical Society》.2022,第1179–1189页.Wumaier Tuerxun 等.A Wind TurbineFault Classification Model Using BroadLearning System Optimized by ImprovedPelican Optimization Algorithm.《Machines》.2022,第10卷(第5期),第1-19页.
-
-
-
-
搜索结果
5 条记录 (耗时 0.021 秒)
