摘要
摘要
随着机器学习技术的进步,变压器故障诊断技术正朝着智能化和可靠化的方
向快速发展。在基于变压器油中溶解气体分析的机器学习诊断方法中,样本数据质
量和分类器性能是决定故障诊断精度的两个关键因素。现有研究虽然在处理样本
异常值和样本数量不平衡问题方面取得了一定成果,但对低概率样本的针对性扩
充研究仍显不足。论文从以下两方面展开研究,以增加罕见样本的数量并提升分类
器性能。
首先,针对现有方法在
摘要
摘要
随着机器学习技术的进步,变压器故障诊断技术正朝着智能化和可靠化的方
向快速发展。在基于变压器油中溶解气体分析的机器学习诊断方法中,样本数据质
量和分类器性能是决定故障诊断精度的两个关键因素。现有研究虽然在处理样本
异常值和样本数量不平衡问题方面取得了一定成果,但对低概率样本的针对性扩
充研究仍显不足。论文从以下两方面展开研究,以增加罕见样本的数量并提升分类
器性能。
首先,针对现有方法在
文档评论(0)