-
公开(公告)号：CN107679615B
公开(公告)日：2020-06-19
申请号：CN201710791842.7
申请日：2017-09-05
Applicant: 西安工程大学
Abstract: 本发明公开了基于改进遗传算法的变压器样本选择方法，具体按照以下步骤实施：步骤1、对训练样本进行二进制编码，并进行种群初始化，设置最大迭代数T，种群规模为N；步骤2、经步骤1后，将种群分为个体为n的子种群，称为探测块，在进化过程中产生一个包含较好个体的种群，称为开发块，将开发块与探测块结合对变压器样本进行选择；步骤3、待步骤2完成后，利用文化算法对多种群遗传算法进行改进提升，在相应的进化操作之下得到最终适应度最大的个体，完成基于改进遗传算法的变压器样本选择。本发明基于改进遗传算法的变压器样本选择方法，利用多种群遗传算法对变压器进行训练样本选优，并利用文化算法对其进行改进，能获得最佳样本。
-
公开(公告)号：CN107656152B
公开(公告)日：2019-11-26
申请号：CN201710791918.6
申请日：2017-09-05
Applicant: 西安工程大学
Abstract: 本发明公开了一种基于GA‑SVM‑BP变压器故障诊断方法，对所采集的油浸式变压器带有类标签的样本集S＝{(x1,y1),(x2,y2),...(xn,yn)}每一类按3：1比例分为训练样本和测试样本；xi代表样本属性，包含氢气、甲烷、乙烷、乙烯、乙炔五种属性，yi代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电；先建立DAG‑SVM变压器故障诊断模型、BP神经网络，再建立GA‑DAG‑SVM模型与GA‑BP神经网络；将GA‑DAG‑SVM模型与GA‑BP神经网络进行结合，对变压器进行故障诊断。本发明方法能对变压器故障进行准确诊断。
-
公开(公告)号：CN108957304A
公开(公告)日：2018-12-07
申请号：CN201810311831.9
申请日：2018-04-09
Applicant: 西安工程大学
IPC: G01R31/327 , G01K13/00
Abstract: 本发明公开了一种断路器载流故障预测方法，步骤包括：1)采集相关数据，各个监测从机通过采集相对应的断路器触头上的温度信号、电流信号和从机电源电压信号，并通过433MHz无线传送给监测主机，监测主机收到各个监测从机发送来的采集数据之后，通过与监测主机上的温湿度传感器检测出来的温湿度值进行对比，形成温升值；2)采用动态阈值算法去除奇异点数据，若两次采样增速小于Δ，采用相似日法；若增速大于Δ，则采用等效电阻分析法预测温度发展趋势；即如果增速大于Δ，则进行即时故障预测；如果增速小于Δ，则进行长期故障预测。本发明的方法，精确度高。
-
公开(公告)号：CN107679615A
公开(公告)日：2018-02-09
申请号：CN201710791842.7
申请日：2017-09-05
Applicant: 西安工程大学
Abstract: 本发明公开了基于改进遗传算法的变压器样本选择方法，具体按照以下步骤实施：步骤1、对训练样本进行二进制编码，并进行种群初始化，设置最大迭代数T，种群规模为N；步骤2、经步骤1后，将种群分为个体为n的子种群，称为探测块，在进化过程中产生一个包含较好个体的种群，称为开发块，将开发块与探测块结合对变压器样本进行选择；步骤3、待步骤2完成后，利用文化算法对多种群遗传算法进行改进提升，在相应的进化操作之下得到最终适应度最大的个体，完成基于改进遗传算法的变压器样本选择。本发明基于改进遗传算法的变压器样本选择方法，利用多种群遗传算法对变压器进行训练样本选优，并利用文化算法对其进行改进，能获得最佳样本。
-
公开(公告)号：CN107656152A
公开(公告)日：2018-02-02
申请号：CN201710791918.6
申请日：2017-09-05
Applicant: 西安工程大学
Abstract: 本发明公开了一种基于GA-SVM-BP变压器故障诊断方法，对所采集的油浸式变压器带有类标签的样本集S＝{(x1,y1),(x2,y2),…(xn,yn)}每一类按3：1比例分为训练样本和测试样本；xi代表样本属性，包含氢气、甲烷、乙烷、乙烯、乙炔五种属性，yi代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电；先建立DAG-SVM变压器故障诊断模型、BP神经网络，再建立GA-DAG-SVM模型与GA-BP神经网络；将GA-DAG-SVM模型与GA-BP神经网络进行结合，对变压器进行故障诊断。本发明方法能对变压器故障进行准确诊断。
-
Patent Agency Ranking
公开(公告)号：CN106646158A
公开(公告)日：2017-05-10
申请号：CN201611121970.2
申请日：2016-12-08
Applicant: 西安工程大学
IPC: G01R31/12
Abstract: 本发明公开的基于多分类支持向量机变压器故障诊断提升方法：对所采集的油浸式变压器带有类标签的样本集每一类按3：1比例分为：训练样本和测试样本；对得到的训练样本与测试样本分别进行归一化处理，然后建立基于Bagging集成DAG‑SVM与多级支持向量机变压器故障诊断模型；利用改进二进制布谷鸟算法对得到的所有DAG‑SVM与多级支持向量机模型进行选择；利用获得的模型集合对待测样本同时检测，最后应用多数投票法得到最终结果。本发明基于多分类支持向量机变压器故障诊断提升方法，能提高变压器故障诊断的精度。
-
公开(公告)号：CN106597154A
公开(公告)日：2017-04-26
申请号：CN201611125041.9
申请日：2016-12-08
Applicant: 西安工程大学
IPC: G01R31/00
Abstract: 本发明公开的基于DAG‑SVM的变压器故障诊断提升方法：对所采集的油浸式变压器带有类标签的样本集每一类按3：1比例分为：训练样本和测试样本；从训练样本中有放回的抽取数量小于原训练样本的T个新的训练样本集训练SVM模型，得到T个弱学习器，即得到一组决策函数序列；利用正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电这6种类别标签及所获取的决策函数序列建立T个DAG‑SVM分类树模型；利用得到的T个DAG‑SVM分类树模型分别进行故障诊断。本发明基于DAG‑SVM的变压器故障诊断提升方法，将DAG‑SVM算法进行Bagging集成，有效提高了故障预测精度。
-
公开(公告)号：CN106015438A
公开(公告)日：2016-10-12
申请号：CN201610570505.0
申请日：2016-07-19
Applicant: 西安工程大学
CPC classification number: F16F9/535 , F16F9/3235 , F16F2224/045 , H02G7/14
Abstract: 本发明公开了一种碗头挂板磁流变阻尼器，包括缸体和连接在缸体上方的碗头座A，缸体的内部设置有线圈和活塞，线圈、缸体与活塞间充满磁流变液，缸体外侧设置有屏蔽罩。用于输电线的防振装置中，解决了现有防振锤防振频率单一，阻尼不可变的问题。本发明还公开了应用了该碗头挂板磁流变阻尼器的输电线防振装置，包括依次连接的导线振动采集单元、碗头挂板磁流变阻尼器调节单元和碗头挂板磁流变阻尼器。本发明还公开了输电线防振方法，具体步骤为，装置系统初始化，导线振动采集单元采集振幅值和频率值并发送数据，磁流变阻尼器控制器接收导线振幅值和频率值，磁流变阻尼器控制器使电流控制电路工作，达到调节的作用，从而防止振动。
-
公开(公告)号：CN106646158B
公开(公告)日：2019-04-19
申请号：CN201611121970.2
申请日：2016-12-08
Applicant: 西安工程大学
IPC: G01R31/12
Abstract: 本发明公开的基于多分类支持向量机变压器故障诊断提升方法：对所采集的油浸式变压器带有类标签的样本集每一类按3：1比例分为：训练样本和测试样本；对得到的训练样本与测试样本分别进行归一化处理，然后建立基于Bagging集成DAG‑SVM与多级支持向量机变压器故障诊断模型；利用改进二进制布谷鸟算法对得到的所有DAG‑SVM与多级支持向量机模型进行选择；利用获得的模型集合对待测样本同时检测，最后应用多数投票法得到最终结果。本发明基于多分类支持向量机变压器故障诊断提升方法，能提高变压器故障诊断的精度。
-
公开(公告)号：CN106015438B
公开(公告)日：2019-05-17
申请号：CN201610570505.0
申请日：2016-07-19
Applicant: 西安工程大学
Abstract: 本发明公开了一种碗头挂板磁流变阻尼器，包括缸体和连接在缸体上方的碗头座A，缸体的内部设置有线圈和活塞，线圈、缸体与活塞间充满磁流变液，缸体外侧设置有屏蔽罩。用于输电线的防振装置中，解决了现有防振锤防振频率单一，阻尼不可变的问题。本发明还公开了应用了该碗头挂板磁流变阻尼器的输电线防振装置，包括依次连接的导线振动采集单元、碗头挂板磁流变阻尼器调节单元和碗头挂板磁流变阻尼器。本发明还公开了输电线防振方法，具体步骤为，装置系统初始化，导线振动采集单元采集振幅值和频率值并发送数据，磁流变阻尼器控制器接收导线振幅值和频率值，磁流变阻尼器控制器使电流控制电路工作，达到调节的作用，从而防止振动。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.026 seconds)
