{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,9,5]]，“日期-时间”：“2024-09-05T00:41:43Z”，“时间戳”：1725496903438}，“引用-计数”：57，“发布者”：“MDPI AG”，“问题”：“8”，“许可证”：[{“开始”：{-date-parts”：[2022,8,16]]，”日期-时间“：”2022-08-16T00:00:00Z“，“时间戳”：1660608000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“name”：“陕西省重点研发计划唐骏基金会青年学者项目科研基金会”，“奖项”：[“2021NY-181”]}，{“name”：“协调国家电力投资有限公司的科研项目”，“奖项”：[“TC2020SD01”]}，{“名称”：“国家自然科学基金”，“奖”：[”51909222“，”51509210“]}]，“内容域”：{“域”：[]，“交叉标记限制”：false}，“短容器标签”：“熵”]，“摘要”：“为了准确诊断电力变压器的故障类型，提出了一种基于时移多尺度泡沫熵（TSMBE）和随机配置网络（SCN）相结合的变压器故障诊断方法。首先，引入气泡熵来克服传统熵模型过于依赖超参数的缺点。其次，基于气泡熵，提出了一种测量信号复杂度的工具TSMBE。然后，提取变压器振动信号的TSMBE作为故障特征。最后，将故障特征输入到随机配置网络模型中，实现对不同变压器状态信号的准确识别。将该方法应用于实际的电力变压器故障案例，研究结果表明，与传统的诊断模型MBE-SCN、TSMSE-SCN和MSE-SCN+TSMDE-SCN相比，TSMBE-SCN+在不同折叠数下的诊断率分别达到了99.01%、99.1%、99.11%、99.14%和99.02%。该比较表明TSMBE-SCN具有较强的竞争优势，验证了所提方法具有良好的诊断效果。本研究为电力变压器故障诊断提供了一种新的方法，具有很好的参考价值<\/jats:p>“，”DOI“：”10.3390\/e24081135“，”type“：”journal-article“，”created“：{”date-parts“：[2022,8,17]]，”date-time“：”2022-08-17T03:44:25Z“，”timestamp“：16607865000}，”page“：“1135”，“source”：“Crossref”，“is-referenced-by-count”：8，“title”：[“基于时移多尺度气泡熵和随机配置网络的电力变压器故障诊断“]，“前缀”：“10.3390”，“卷”：“24”，“作者”：[{“给定”：“费”，“家庭”：“陈”，“序列”：“第一”，“隶属”：[}“名称”：“西北农林科技大学电力与电气工程系，咸阳712100”}，{“姓名”：“教育部干旱半干旱地区农业水土工程重点实验室，西北农林科技大学，咸阳712100张，“序列”：“附加”，“隶属关系”：[{“名称”：“西北农林大学电力与电气工程系，咸阳712100，中国”}，{“姓名”：“教育部干旱半干旱地区农业水土工程重点实验室，西北农林大学，咸阳732100”}]}，“给定”：“甲征”，“family“：”Li“，”sequence“：”additional“，”affiliation“：[{”name“：”西北农林大学电力与电气工程系，咸阳712100“}，{”name“：”教育部干旱半干旱地区农业水土工程重点实验室，西北农林学院，咸阳732100“{”given“：”Chen“，”家族”：“丁”，“序列”：“附加”，“隶属关系”：[{“名称”：“西北农林大学电力与电气工程系，咸阳712100”}，{“名称”：“教育部干旱半干旱地区农业水土工程重点实验室，西北农林大学，咸阳712100”}]，{“给定”：“Diyi”，“family”：“Chen”，“sequence”：“additional”，“affiliation”：[{“name”：“西北农林大学电力与电气工程系，咸阳712100”}，{“name”：“教育部干旱半干旱地区农业水土工程重点实验室，西北农林学院，咸阳732100”{]}，“ORCID“：”http://\/ORCID.org\/0000-0002-1341-6449“，”authenticated-ORCID“：false，”given“：“Weiyu”，”family“：”Wang“，”sequence“：”additional“，”affiliation“：[{”name“：”五菱电力股份有限公司，中国长沙410004“}]}，{“given”：“Fengjiao”，“family”：“Wu”，“sequence”：“additional”，“affiliance”：西北农林科技大学电力与电气工程系，咸阳712100“}，{“name”：“西北农林大学干旱半干旱地区农业水土工程教育部重点实验室，咸阳市712100”}]}，}“ORCID”：“http://\/ORCID.org\/00000-0003-2745-3889”，“authenticated-orcid“：false，”given“：”Bin“，”family“：”Wang“，”sequence“：”additional“，”affiliation“：[{”name“：”西北农林大学电力与电气工程系，咸阳712100，中国“}，{”name“：”教育部干旱半干旱地区农业水土工程重点实验室，西北农林科技大学，咸阳71210010.1016 \/j.engfailanal.2022.106213“，“文章标题”：“使用统计数据分析方法，通过内部故障临界性评估电力变压器健康分析，以防止过早失效”，“卷”：“136”，“作者”：“Soni”，“年份”：“2022”，“日志标题”：”工程失败。分析。“}，{”key“：”ref_2“，”doi-asserted-by“：”crossref“，”first-page“：”5393“，”doi“：”10.1016\/j.aej.2021.04.019“，”article-title“：”基于支持向量回归和灰狼优化的110kV电力变压器全寿命周期成本预测“，”volume“：crossref“，”first page“：”63“，”DOI“：”10.1016\/j.isatra.2020.3.022“，”article-title“：”基于优化ANFIS和关联规则的电力变压器故障诊断智能系统“，”volume“：“103”，”author“：”Tightiz“，“year”：“2020”，“journal-title”：“ISA Trans。“｝，｛”key“：”ref_4“，”doi asserted by“：”crossref“，”首页“：”107356“，”doi“：”10.1016\/j.iepes.20211.107356“，”文章标题“：”一种具有特征可解释性的油浸式变压器故障诊断的双层机器学习方法“，”卷“：”134“，”作者“：”张“，”年“：”2022“，”期刊标题“：”Int.j.Electr.Power Energy Syst.“｝，｛”key“：”ref_5“，”doi-asserted-by“：”crossref“，”first page“：”107969“，”doi“：”10.1016\/j.epsr.2022.107969“、”article-title“：”基于改进的深耦合稠密卷积神经网络的变压器故障诊断“，”volume“：“209”，“author”：“Li”，“year”：“2022”，“journal-title”：“Electr”。电力系统。研究“}，{”key“：”ref_6“，”doi-asserted-by“：”crossref“，”first page“：“1442”，”doi“：”10.1016\/j.rser.2017.05.165“，”article-title“：”变压器故障原因和诊断方法\u2014A review“，“volume”：“82”，“author”：“Christina”，“year”：“2018”，“journal-title”：“Renew.Sustain.Energy Rev.”}，”{“key”：”ref_ 7“，“doi-assert-by”：“crossref”，“首页”：“110686”，“DOI”：“10.1016\/j.measurement.2021110686”，“文章标题”：“有效的基于物联网的深度学习平台，用于针对网络攻击和数据不确定性的电力变压器在线故障诊断”，“卷”：“190”，“作者”：“Elisi”，“年”：“2022”，“期刊标题”：“measurement”}，{“key”：“ref_8”，“DOI断言”：“crossref”，“首页”：“107990”，“DOI“：”10.1016\/j.epsr.2022.107990“，”article-title“：”电力变压器故障检测和诊断：出版物和方法的综合评述和分类“，”卷“：”209“，”作者“：”Abbasi“，”年份“：”2022“，”期刊标题“：”Electr。电力系统。研究“}，{”key“：”ref_9“，”doi-asserted-by“：”crossref“，”first-page“：”104“，”doi“：”10.1016\/j.ijepes.2018.02.026“，”article-title“：”云环境下变压器故障预测的新振动分析方法“，”volume“：“100”，“author”：“Bagheri”，“year”：“2018”，“journal-title”：“Int.j.Electr.Power Energy Syst.”}，”{“key”：“ref_10”，“doi-asserted-by“：”crossref“，”first page“：”178295“，”doi“：”10.1109\/ACCESS.2020.3027830“，”article-title“：”使用溶解气体分析进行电力变压器故障诊断的带辅助任务的半监督自动编码器（SAAT）“，”volume“：crossref“，”first page“：”17268“，”DOI“：”10.1109\/ACCESS.2021.3127164“，“article-title”：“基于电力变压器故障诊断方法的混合改进sagull优化算法和支持向量机”，“volume”：“10”，“author”：“Wu”，“year”：“2021”，“journal-title“：”IEEE ACCESSDOI“：”10.1016\/j.ijepes.2021.107619“，”article-title“：”向一个软弱的老师学习：“基于规则的Duval方法和电力变压器故障诊断的深度神经网络的桥接”，“卷”：“136”，“作者”：“Kim”，“年份”：“2022”，“新闻标题”：“国际j.Electr”。电力能源系统。“}，{”key“：”ref_13“，”doi-asserted-by“：”crossref“，”first page“：“108642”，”doi“：”10.1016\/j.epsr.2022.108642“，”article-title“：”使用迭代去噪自动编码器（IDAE）进行溶解气体分析的缺失数据插补“，”volume“：doi-asserted-by“：”crossref“，”first page“：”107200“，”DOI“：”10.1016\/j.ijepes.2021.107200“，“article-title”：“基于负载试验的\u00b1500 kV高压直流换流变压器绕组振动信号分布特征研究”，“volume”：“132”，“author”：“Jiang”，”year“：”2021“，”journal-title“：”Int.j.Electr。电力能源系统。“}，{”key“：”ref_15“，”doi-asserted-by“：”crossref“，”first-page“：”533“，”doi“：”10.1016\/j.future.2020.03.008“，”article-title“：”使用物联网监测系统和集成机器学习的变压器故障诊断方法“，”volume“：“”crossref“，”first page“：”676“，”DOI“：”10.1109\/TPWRD.2020.2988820“，”article-title“：”利用振动图像和深度学习进行变压器绕组故障诊断“，”volume“：“36”，”author“：”Hong“，”year“：”2021“，”journal-title”：“IEEE Trans。电力输送。“}，{”key“：”ref_17“，”doi-asserted-by“：”crossref“，”first-page“：”109555“，”doi“：”10.1016\/j.measurement.2021.109555crossref“，”first page“：”107690“，”DOI“：”10.1016\/j.epsr.2021.107690“；”article-title“：”使用K-NN和基于树的分类器识别和分类变压器中的跨国故障“，”volume“：“204”，“author”：“Shahbazi”，“year”：“2022”，“journal-title”：“Electr”。电力系统。Res.“}，{”key“：”ref_19“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，Z.L.，Wu，Y.Y.，Zhang、R.X.，Jiang，P.Y.，Liu，G.H.，Ahmed，S.，and Dong，Z.J.（2019）.《基于数理统计的新型变压器故障识别优化方法》.Mathematics，7.“，”doi“：”10.3390\/math7030288“}非结构化”：“Li，Z.H.，Zhang，Y.J.，Siada，A.A.，Chen，X.X.，Li，Z，X.X，Xu，Y.C.，Zhang-L.和Tong，Y.（2021）。基于决策树和全连接神经网络的变压器绕组故障诊断。能源，14.“，”DOI“：”10.3390\/en14061531“}，{“key”：”ref_21“，”DOI-asserted-by“：”crossref“，“first page”：“4835694”，“DOI”：“10.1155\/2016\/4835694”，“article-title”：“基于多维特征区域的电力变压器局部放电故障诊断”，“卷”：“2016”，“作者”：“贾”，“年份”：“16”，“期刊标题”：“数学”。问题。工程“}，{”key“：”ref_22“，”doi-asserted-by“：”crossref“，”first page“：“108901”，”doi“：”10.1016\/j.measurement.2020.108901“，”article-title“：”基于CEEMDAN能量熵和PSO-LSSVM小波阈值去噪的滚动轴承故障特征提取与诊断“，”volume“：172”，“author”：“Chen”，“year”：“2021”，“journal-title”：“”测量“}，{”key“：”ref_23“，”doi-asserted-by“：”crossref“，”unstructured“：”Wang，X.C.，Lu，Z.G.，Wei，J.Y.，and Zhang，Y.（2019）.基于能量特征重构和复合多尺度置换熵的轨道车辆轴箱轴承故障诊断.熵，21.“，“doi”：“10.3390\/e21090865”}，”{“key”：“ref_24”，“doi-assert-by”：“”crossref“，”first page“：”108814“，”DOI“：”10.1016\/j.apacoust.2022.108814”，”article-title“：”使用集成状态监测和混合集成方法方法对风力涡轮变速箱进行多部件故障分类“，”volume“：“195”，”author“：”Pichika“，”year“：”2022“，”journal-title”：“Appl。橡子。“}，{”key“：”ref_25“，”doi-asserted-by“：”crossref“，”first-page“：”107276“，”doi“：”10.1016\/j.knosys.2021.107276journal-title“：”知道。基于系统。“}，{”key“：”ref_26“，”doi-asserted-by“：”crossref“，”first page“：“116610”，”doi“：”10.1016\/j.energy.2019.11610“，”article-title“：”使用特殊经验模式分解熵值和指数能量的动态特征信息提取“，”volume“：crossref“，”first page“：”772“，”DOI“：”10.1016\/j.ymssp.2018.07.033“，”article-title“：”基于EEMD和信息熵的混流式水轮机尾水管压力脉动综合评价新方法“，”volume“：“116”，“author”：“Wang”，“year”：“2019”，“journal-title”：“Mech”。系统。信号处理。“}，{”key“：”ref_28“，”doi-asserted-by“：”crossref“，”first page“：“63”，”doi“：”10.1049\/iet-smt.2017.0188“，”article-title“：”基于经验小波变换和多尺度熵的电力变压器振动信号特征提取“，”volume“：doi-asserted-by“：”crossref“，”first page“：”101320“，”doi“：”10.1016\/j.aei.20211.01320“，“article-title”：“通过改进的经验小波变换和核极值学习机设计的变压器新故障诊断方法”，“volume”：“49”，“author”：“Lu”，“year”：“2021”，“journal-title“：”Adv.Eng.Inform。“}，{”key“：”ref_30“，”doi-asserted-by“：”crossref“，”unstructured“：”Shang，H.K.，Xu，J.Y.，Li，Y.C.，Lin，W.，and Wang，J.J.（2021）.一种基于CEEMDAN和多尺度色散熵的电力变压器振动信号特征提取新方法.熵，23.“非结构化”：“Shang，H.K.，Li，F.和Wu，Y.J.（2019）。基于多尺度离散熵和超球面多类支持向量机的局部放电故障诊断。熵，21.“，“DOI”：“10.3390\/e21010081”}，{“key”：“ref_32”，“DOI-asserted-by”：“crossref”，“首页”：“2485”，“DOI:”10.1007\/s11071-0721-07032-8“，“article-title”：“基于精细广义多尺度状态联合熵和稳健谱特征选择的风力发电机组齿轮箱智能故障诊断”，“volume”：”107“author”：“Dong”，“年份”：“2022年”，“新闻标题”：“非线性动力学”。“}，{”key“：”ref_33“，”doi-asserted-by“：”crossref“，”first-page“：”108891“，”doi“：”10.1016\/j.measurement.2020.108891ref_34”，“doi断言者”：“crossref”，“首页”：“2711”，“doi”：“10.1109\/TBME.2017.2664105”，“文章标题”：“泡沫熵：几乎没有参数的熵”，“卷”：“64”，“作者”：“Manis”，“年份”：“2017”，“期刊标题”：“IEEE Trans。生物识别。Eng.“}，{”key“：”ref_35“，”doi-asserted-by“：”crossref“，”unstructured“：”Manis，G.，Bodini，M.，Rivolta，M.W.，and Sassi，R.（2021）.泡沫熵的两步先行估计量.熵，23.“，“doi”：“10.3390\/e23060761”}，“{”key“：生理信号的时移多尺度熵分析。熵，19.“，”DOI“：”10.3390\/e19060257“}，{“key”：“ref_37”，“DOI-asserted-by”：“crossref”，“首页”：“111943”，“DOI”：“10.1016\/j.enbuild.2022.11943”，“article-title”：“Building\u2019s hourly electrical load prediction based data clustering and ense learning strategy”，“volume”：”261“author”：“Li”，”“year”：“2022”，“journal-title“：”Energy Build。“}，{”key“：”ref_38“，”doi-asserted-by“：”crossref“，”first page“：“107627”，”doi“：”10.1016\/j.ijepes.2021.107627“，”article-title“：”基于自适应时间依赖的改进序列对序列GRU的短期电力负荷预测方法“，”volume“：。电力能源系统。“}，{”key“：”ref_39“，”doi-asserted-by“：”crossref“，”first page“：“107651”，”doi“：”10.1016\/j.ijepes.2021.107651“，”article-title“：”由预期故障和故障前潮流的混合信息驱动的在线多故障电力系统动态安全评估“，”volume“：。选举人。电力能源系统。“}，{”key“：”ref_40“，”doi-asserted-by“：”crossref“，”first page“：“107736”，”doi“：”10.1016\/j.epsr.2021.107736“，”article-title“：”基于深度学习考虑部分可观测性的电力系统暂态安全评估“，”volume“：doi-asserted-by“：”crossref“，”first page“：”108073“，”doi“：”10.1016\/j.epsr.2022.108073“。电力系统。研究“}，{”key“：”ref_42“，”doi-asserted-by“：”crossref“，”first page“：“107721”，”doi“：”10.1016\/j.epsr.2021.107721“，”article-title“：”用于混合输电线路故障定位的混合人工神经网络和小波包变换方法“，”volume“：ref_43“，”doi-asserted-by“：”crossref“，”first page“：”856“，”doi“：”10.1016\/j.egyr.2021.09.188“，”article-title“：”基于改进鲸鱼优化算法优化支持向量机的变压器故障诊断方法“，”volume“：“7”，”author“：”Fan“，”year“：”2021“，”journal-title”：“Energy Rep.”}，{“key”：“ref_44”，“doi-assert-by”：“crossref”，“”首页“：”4249“，”DOI“：”10.1007\/s10586-018-1795-x“，”文章标题“：”基于SVM的神经网络分类信号分形特征的故障诊断“，”卷“：”22“，”作者“：”朱“，”年份“：”2019“，”期刊标题“：“Clust。计算。“}，{”key“：”ref_45“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhou，Y.C.，Yang，X.H.，Tao，L.Y.，and Yang，L.（2021）.基于改进灰狼优化器和概率神经网络的变压器故障诊断模型.Energies，14.“，“doi”：“10.3390\/en14113029”}，“key”：“ref_46”，“doi-assert-by”：“crossref.”，“unstructure”：“”董华瑜、杨晓华、李亚瑜、谢振华和左永乐（2019）。利用溶解油气数据诊断电力变压器故障的生物激励PHM模型。传感器，19.“，”DOI“：”10.3390\/s19040845“}，{“key”：“ref_47”，“DOI-asserted-by”：“crossref”，“首页”：“3466”，“DOI”：“10.1109\/TCYB.2017.2734043”，“article-title”：“随机配置网络：基础和算法”，“volume”：”47“，“author”：“Wang”，“year”：“2017”，“journal-title“：”IEEE Trans.Cybern.“}ref_48“，”DOI-asserted-by“：”crossref“，”first page“：”109423“，”DOI“：”10.1016\/j.petrol.2021.109423”，”article-title“：”使用随机配置网络随机采样的抽油井淹没深度混合建模“，”volume“：“208”，”author“：”Han“，“year”：“2022”，”journal-title”：“j.Pet。科学。Eng.“}，{”key“：”ref_49“，”doi-asserted-by“：”crossref“，”first page“：“102711”，”doi“：”10.1016\/j.bspc.2021.102711“，”article-title“：”使用脑电图和随机构形网络（SCN）进行受试者特定精神负荷分类“，”volume“：‘68’，”author“：”Pang“，”year“：”2021“，“journal-title”：“Biomed.Signal Process.Control.”}，”{“key”：“ref_50”，“doi-asserted-by“：”crossref“，”first page“：”13625“，”doi“：”10.1007\/s00521-020-04771-4“，”article-title“：”使用随机配置网络预测铝酸钠溶液中的成分浓度“，”volume“：“32”，”author“：”Wang“，”year“：”2020“，”journal-title”：“Neural Compute”。申请。“}，{”key“：”ref_51“，”doi-asserted-by“：”crossref“，”first page“：“117248”，”doi“：”10.1016\/j.apenergy.2021.117248“，”article-title“：”基于集成多模型融合的多步短期风速预测“，”volume“:”298“，“author”：“Tian”，“year”：“2021”，“journal-title”：“Appl.Energy”}，”{“key”：“ref_52”，“doi-assert-by”：“crossref.，“首页”：108743“，“DOI”：“10.1016\/j.measurement.2020.108743”，“article-title”：“使用广义加性模型和随机配置网络进行在线氨氮测量”，“volume”：“170”，“author”：“Wang”，“year”：“2021”，“journal-title“：“measurement”}，{“key”：”ref_53“，“DOI-asserted-by”：“crossref”，“first-page”：“068102”，“DOI:”10.1103\/PhysRevLett.89.068102“，”article-title“：”复杂生理时间序列的多尺度熵分析“，”volume“：”89“，”author“：”Costa“，”year“：”2002“，”journal-title”：“Phys。修订稿。“｝，｛”key“：”ref_54“，”首页“：”2502011“，”文章标题“：”使用深度递归神经网络对振动信号进行变压器故障预测“，”卷“：”70“，”作者“：”Zollanvari“，”年份“：”2020“，”期刊标题“：”IEEE Trans.Instrum.Meas.“｝，｛”key“：”ref_55“，”doi断言“：”crossref“，”首页“：”107186“，”doi“：”10.1016\/j.ymssp.2020.107186“，”article-title“：“智能小龙虾：使用熵增强主动传感和集成学习识别水下多螺栓松动的概念”，“卷”：“149”，“作者”：“王”，“年份”：“2021”，“期刊标题”：“机械。系统。信号处理。“}，{”key“：”ref_56“，”doi-asserted-by“：”crossref“，”first page“：“108580”，”doi“：”10.1016\/j.measurement.2020.108580“，”article-title“：”融合时移多尺度弥散熵和基于振动Harris-hawks优化的SVM的滚动轴承故障诊断协调方法“，”volume“173”，“author”：“Shao”，“year”：“2021”，“journal-title“：”Measurement“}，{”key“：”ref_57“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，F.，Sun，W.L.，Wang，H.W.，and Xu，T.T.（2021）.基于改进变分模式算法和信息熵的风力涡轮变速箱故障诊断.熵，23.“，“doi”：“10.3390\/e23070794”}]，“container-title”：[“熵”]，“original-title:[]，“language”：“en”，“link”：[{“URL”：“https:\/\/www.mdpi.com//1099-4300\/24\/8\/1135\/pdf”，“content-type”：“未指定”，“内容-版本”：“vor”，“intended-application”：“相似性检查”}]，“存放”：{“date-parts”：[2024,8,3]]，“日期-时间”：“2024-08-03T23:59:18Z”，“时间戳”：172272955800}，“分数”：1，“资源”：{“主资源”：}“URL”：“https:\/\/www.mdpi.com//1099-4300\/24\/8\/1135”}}，“副标题”：[]，“短标题”：[]，“已发布”：{“日期-部件”：[[2022,8,16]]}，”参考计数“：57，”日志发布“：{”问题“：“8”，“published-online \\/dx.doi.org\/10.3390\/e24081135“，”关系“：{}，”ISSN“：[”1099-4300“]，”ISSN-type“：[{“类型”：“电子”，“值”：“1099-4300”}]，“主题”：[]，“发布”：{“日期部分”：[[2022,8,16]]}}