-
公开(公告)号：CN111563348A
公开(公告)日：2020-08-21
申请号：CN202010280306.2
申请日：2020-04-10
Applicant: 西安工程大学
Abstract: 本发明公开了一种基于深度支持向量机的变压器故障诊断方法，包括以下步骤：(1)对收集到的电力变压器油中溶解气体进行分析得到特征气体组分体积分数的原始数据，将原始数据的70％作为训练集，剩余30％作为测试集，用于测试得到的故障诊断模型的准确率；(2)将原始数据进行归一化处理；(3)将步骤(2)中得到的归一化数据，利用灰狼算法对支持向量机参数进行优化，得到变压器故障诊断的最优参数，通过深度学习中的受限玻尔兹曼机对支持向量机模型Mr进行训练，得到变压器故障诊断的最优模型。该方法既可以进一步提高变压器故障诊断的效率又能有效增加故障诊断的准确率。
-
公开(公告)号：CN111563348B
公开(公告)日：2023-04-18
申请号：CN202010280306.2
申请日：2020-04-10
Applicant: 西安工程大学
IPC: G16C20/20 , G16C20/70 , G06F18/2411 , G06F18/2413 , G06F18/15 , G06F18/21 , G06F18/214 , G06N3/006 , G06N3/044 , G06N3/047 , G06N3/0475
Abstract: 本发明公开了一种基于深度支持向量机的变压器故障诊断方法，包括以下步骤：(1)对收集到的电力变压器油中溶解气体进行分析得到特征气体组分体积分数的原始数据，将原始数据的70％作为训练集，剩余30％作为测试集，用于测试得到的故障诊断模型的准确率；(2)将原始数据进行归一化处理；(3)将步骤(2)中得到的归一化数据，利用灰狼算法对支持向量机参数进行优化，得到变压器故障诊断的最优参数，通过深度学习中的受限玻尔兹曼机对支持向量机模型Mr进行训练，得到变压器故障诊断的最优模型。该方法既可以进一步提高变压器故障诊断的效率又能有效增加故障诊断的准确率。
-
公开(公告)号：CN112331274A
公开(公告)日：2021-02-05
申请号：CN202010151420.5
申请日：2020-03-06
Applicant: 西安工程大学
Abstract: 本发明公开了基于相重构和神经网络的变压器油中溶解气体预测方法，首先采集变压器油中溶解气体其中的一种气体积数据的时间序列；然后将采集的气体体积数据的时间序列进行归一化处理；归一化处理后的气体体积数据的时间序列进行相空间重构，得到气体体积数据的时间序列相空间重构矩阵；利用气体体积数据的时间序列相空间重构矩阵对BP神经网络进行训练；最后用训练好的BP神经网络时间序列预测模型预测该气体含量，重复上述步骤对其余特征气体进行预测；这种预测方法在相同的工况下具有更小的误差值，而且其预测结果也更接近实验值。
-
Patent Agency Ranking
公开(公告)号：CN109871602A
公开(公告)日：2019-06-11
申请号：CN201910091896.1
申请日：2019-01-30
Applicant: 西安工程大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于高斯过程回归的临界热流密度预测方法，具体按照以下步骤实施：步骤1：将采集到的数据集分为两个部分，其中70％的数据作为训练集，其余30％的数据作为测试集，记为：D*＝{(X*,y*)}；步骤2：将训练集数据和测试集数据采用标准正态变量法对数据进行预处理，使训练集D和测试集D*的均值为0且标准偏差为1；步骤3：利用高斯过程回归对训练输入变量与训练目标输出之间关系进行推断，得到临界热流密度预测模型；步骤4：利用得到的临界热流密度预测模型，通过系统压力P、质量流速G和平衡含汽量Xe对临界热流密度进行预测。该方法能够对临界热流密度进行准确有效的预测。
-
公开(公告)号：CN108734202A
公开(公告)日：2018-11-02
申请号：CN201810390778.6
申请日：2018-04-27
Applicant: 西安工程大学
Abstract: 本发明公开了一种基于改进BP神经网络的高压断路器故障诊断方法，具体为，对所采集的高压断路器带有类标签的样本分为训练样本和测试样本，然后建立基于育种算法和粒子群算法的BP神经网络模型，并利用训练样本进行训练后，解码产生新的连接权和阈值；应用迭代控制器进行控制，使两种算法每隔数代进行信息交互，信息交互的内容是最优粒子种子的相关信息，并得到最优全局参数；将得到的全局最优解经过解码后替换原始BP神经网络的所有权值和阈值参数，建立优化后的高压断路器故障模型，对测试样本进行故障分类，并输出结果。本发明的方法以BA和PSO算法代替误差反传的网络学习过程来优化BP神经网络的连接权和阈值，有效提高故障诊断精度。
-
公开(公告)号：CN110751173B
公开(公告)日：2020-12-01
申请号：CN201910854049.6
申请日：2019-09-10
Applicant: 西安工程大学
Abstract: 本发明公开了基于深度学习支持向量机的临界热流密度预测方法，具体按照以下步骤实施：步骤1：对收集到的临界热流密度原始数据分为两个部分：原始数据的70％作为训练集，用X＝{(x1,y1),(x2,y2),…(xi,yi)…(xn,yn)}表示，对得到的训练数据集中的xi采用线性变换进行归一化处理，得到归一化处理后的数据点x′i；另外30％的原始数据作为测试集，用来测试训练得到的预测模型的预测准确率；步骤2：将步骤1得到的归一化处理后的数据点x′i，i＝1,2,…,n，利用加入信息潜能的减法聚类进行选择实验数据；步骤3：将步骤2得到的实验数据，再通过留一法交叉验证优化支持向量机的参数，采用深度学习中的受限玻尔兹曼机进行训练，得到最优预测模型和最优参数。该预测方法可以更加准确的预测临界热流密度。
-
公开(公告)号：CN110751173A
公开(公告)日：2020-02-04
申请号：CN201910854049.6
申请日：2019-09-10
Applicant: 西安工程大学
Abstract: 本发明公开了基于深度学习支持向量机的临界热流密度预测方法，具体按照以下步骤实施：步骤1：对收集到的临界热流密度原始数据分为两个部分：原始数据的70％作为训练集，用X＝{(x1,y1),(x2,y2),…(xi,yi)…(xn,yn)}表示，对得到的训练数据集中的xi采用线性变换进行归一化处理，得到归一化处理后的数据点x′i；另外30％的原始数据作为测试集，用来测试训练得到的预测模型的预测准确率；步骤2：将步骤1得到的归一化处理后的数据点x′i，i＝1,2,…,n，利用加入信息潜能的减法聚类进行选择实验数据；步骤3：将步骤2得到的实验数据，再通过留一法交叉验证优化支持向量机的参数，采用深度学习中的受限玻尔兹曼机进行训练，得到最优预测模型和最优参数。该预测方法可以更加准确的预测临界热流密度。
-
公开(公告)号：CN108875783A
公开(公告)日：2018-11-23
申请号：CN201810437756.0
申请日：2018-05-09
Applicant: 西安工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种面向不平衡数据集的极限学习机变压器故障诊断方法，具体为，步骤1、将采集的油浸式变压器带有类标签的不平衡样本集S＝{(x1,t1),(x2,t2)...(xn,tn)}按6:1的比例分为训练样本和测试样本；其中，xi代表样本属性，i＝1，2，3，4，5，6，具体包含氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳，六种属性；ti代表类别标签，i＝1，2，3，4，5，6，1、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，并用PAM算法对其进行聚类，并用PAM算法对其进行聚类；步骤2、以PAM算法的聚类簇心作为中心点，对于少数类；步骤3、极限学习机分类输出阶段，首先建立DAG‑ELM模型，然后，阶段2产生的新数据集仍按6:1分成训练集和测试集，6份用于训练建模，1份用于验证分类效果。本方法解决了不平衡数据集对变压器故障诊断结果的影响。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
