Oct, 2022

电力变压器局部放电特征工程和分类模型

PDF
TL;DR使用相态分解部分放电信号数据来识别局部放电，建立了一套包括总量级、最大值级和最长空区段长度等特征的分类模型，采用随机森林和支持向量机分类方法，在分类准确率方面取得了显著的成果，同时开发了一个叠加集成模型，结果表明该模型在准确性和方差方面均优于现有方法。
power transformerspartial dischargeclassificationrandom forestsvm
发现论文，激发创造
  • 利用神经网络对气体绝缘高压直流系统中的超高频局部放电信号进行分类

    本文提出并分析了一种基于神经网络的方法，用于分类高压直流气体绝缘系统中对金属凸起和导电粒子产生的局部放电信号，同时对不同的归一化策略的影响进行了探究。

    Jul, 2023

  • 机器学习检测网络攻击并区分电力系统干扰类型

    基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

    Jul, 2023

  • 使用 AI Transformer 模型提升电能质量事件分类能力

    最近，人们对利用机器学习进行电能质量事件（PQE）的准确分类越来越感兴趣。本文在先前的 PQE 分类研究基础上，提出了一个深度学习框架，利用注意力机制和 Transformer 来准确地在考虑到测量噪音、直流偏移以及电压信号幅值和频率变化的情况下进行 PQE 分类。实验证明，该框架的性能优于最近提出的基于学习的技术，其分类准确率在信噪比、直流偏移和信号幅值、频率变化等条件下能达到 99.81% 到 91.43% 不等。

    Feb, 2024

  • 利用高维度的物理 - 数字数据流来诊断智能电网故障

    探讨了特征工程对于解决物理系统数据诊断过程中存在的数据质量，噪声干扰，决策模型不精确等挑战的影响作用；论文使用特征筛选、降维和决策模型等方法，在 118 个节点的电力系统上进行了数据驱动的故障诊断，同时比较了多种高级技术在该领域的应用。实验结果表明，特征筛选和降维方法的联合应用可以有效提高数据质量，提高物理系统的诊断准确性。

    Mar, 2023

  • 基于随机森林和瞬态合成特征的三相 PWM 整流器故障诊断的数据驱动设计

    本文提出了一种基于随机森林的数据驱动在线故障诊断方法，可及时有效地定位三相 PWM 整流器中 IGBT 的断路故障并确保系统安全。

    Nov, 2022

  • 基于预防性维护的光伏系统故障检测和分类

    利用随机森林算法提取和选择特征以检测光伏系统中的细微故障，以提高故障分类的精度和计算效率。

    Jun, 2023

  • 基于注意力机制的频率多任务学习用于电力系统故障检测

    本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

    Sep, 2020

  • 基于数据驱动的电力系统关键电压事件预测模型

    该研究探讨了使用简单分类标签的数据驱动模型来预测电力系统中电压失控事件的有效性，通过将预测视为分类任务来降低计算和数据负担，并在一个真实的意大利 150 千伏输电网络部分进行了实证案例研究，证明了该方法的广泛适用性，并提供了几种广泛使用的预测模型在该应用中的优点和缺点的见解。

    Jul, 2022

  • 利用深度卷积自编码器进行电力系统干扰的无监督聚类

    该论文提出了一种使用自编码器和 K 均值聚类的无监督学习技术，可将电力质量事件分类为下降、中断、瞬变、正常和谐波畸变等类别，并使用 t 分布随机邻域嵌入（t-SNE）可视化工具分析这些聚类，便于快速研究大量事件，为电力系统工程师诊断和纠正根本问题提供帮助。

    Jun, 2023

  • 从电力信号中学习：电力传输系统中电气干扰识别的自动化方法

    电力质量问题的自动化分析方法使用基于规则的分析技术对电压和电流信号的时域和频域特性进行分类，具有高准确度。通过循环直方图检测微小信号变化，预防电力系统问题，提高传输系统的可靠性。

    Sep, 2023