-
公开(公告)号：CN118094385A
公开(公告)日：2024-05-28
申请号：CN202311370403.0
申请日：2023-10-21
Applicant: 南昌大学
IPC: G06F18/243 , G06F18/2411 , G06F18/27 , G06F18/211
Abstract: 本发明公开了一种基于RFECV的变压器故障表征特征量筛选方法。首先，收集已知变压器运行状态的在线或离线油色谱数据，进行特征衍生处理，形成高维特征样本集；然后，构建基于分类回归树的变压器故障诊断模型，采用随机搜索算法实现分类回归树模型的参数优化；最后，将最优诊断模型作为RFECV方法的基学习器，通过遍历所有特征序列筛选得到最佳特征组合，实现变压器故障的准确预测及诊断决策可视化。本发明可以大幅度缩减特征量筛选中的统计分析工作和解决传统故障诊断方法的“黑箱”问题，提升变压器故障诊断方法的科学性和实用性。
-
公开(公告)号：CN118427607A
公开(公告)日：2024-08-02
申请号：CN202410468193.7
申请日：2024-04-18
Applicant: 南昌大学
IPC: G06F18/214 , G01R31/62 , G06F18/2433 , G06F18/213 , G06F18/10
Abstract: 本发明公开了一种基于多变量时间序列的变压器故障预警方法。首先，对变压器油中溶解气体在线监测时间序列样本进行数据预处理；然后，以抗短路电流和负荷时间序列作为外生变量，构建基于油中溶解气体多变量时间序列的向量自回归移动平均模型，并对模型参数进行估计，预测未来时刻的变压器油中溶解气体的含量；最后，将预测的油中溶解气体数据输入基于梯度提升树的变压器故障诊断模型，实现变压器的早期故障预警。本发明能够反应油中溶解气体的时序特性，充分考虑特征气体间的联系和外部因素的影响，并对预测模型的有效性做出更加明确的统计检验，提升了变压器油中溶解气体在线监测数据的预测精度，也为变压器的故障预警提供了可靠的保障。
-
公开(公告)号：CN117909705A
公开(公告)日：2024-04-19
申请号：CN202311369537.0
申请日：2023-10-21
Applicant: 南昌大学
IPC: G06F18/2113 , G01N30/02 , G01R31/62 , G01R31/12 , G06F18/243 , G06N20/20 , G06F18/214
Abstract: 本发明公开了一种基于特征选择的变压器故障诊断及影响因素分析方法。首先，收集已知变压器运行状态的油中溶解气体数据，通过特征衍生技术扩大特征量的筛选范围；然后，采用TPE算法实现RF模型参数寻优，选择最佳特征组合，并输出对应的最优故障诊断模型；最后，融合SHAP模型优选每种故障关联的主要特征量，利用特征贡献图实现对模型诊断结果的影响因素分析。本发明能够选择表征变压器故障类型的有效特征量，并克服传统变压器故障诊断特征量选取过于依赖现场经验的问题，也可实现诊断结果的事后分析及验证。
-
公开(公告)号：CN118427723A
公开(公告)日：2024-08-02
申请号：CN202410468337.9
申请日：2024-04-18
Applicant: 南昌大学
IPC: G06F18/243 , G06F18/2431 , G06F18/214 , G06Q10/20 , G06Q50/06 , G06N5/01 , G06N5/045 , G06N20/20 , G01R31/00
Abstract: 本发明公开了一种基于可解释性树模型的变压器健康状态评估方法。首先，以变压器在线监测和离线试验等多维度特征量作为变压器样本集；然后，融合TreeSHAP算法构建基于树结构算法的变压器健康状态评估模型，采用树结构概率密度估计对模型多参数同步优化，得到最优评估模型，实现变压器健康状态的快速、准确评估；最后，利用SHAP特征贡献解释XGBoost模型预测值，量化特征量对评估结果的边际贡献，实现对变压器健康状态评估决策的可视化。本发明能够有效解决现有变压器健康状态智能评估方法存在的“黑箱”问题，提升评估模型的准确性及可解释性，为变压器的运维检修提供有效的指导建议。
-
-
-
Search Results
4
records
(took 0.017 seconds)
