CN104597375A - 一种电网故障诊断方法 - Google Patents
一种电网故障诊断方法 Download PDFInfo
- Publication number
- CN104597375A CN104597375A CN201410851512.9A CN201410851512A CN104597375A CN 104597375 A CN104597375 A CN 104597375A CN 201410851512 A CN201410851512 A CN 201410851512A CN 104597375 A CN104597375 A CN 104597375A
- Authority
- CN
- China
- Prior art keywords
- storehouse
- institute
- protection
- ident value
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种电网故障诊断方法,该方法包括:根据预设的拓扑分析规则对故障后的电网进行拓扑分析,得到失电元件;根据失电元件预先配置的保护信息以及保护信息对应的断路器动作信息,建立失电元件的Petri网模型,Petri网模型由库所、变迁以及库所和变迁之间的连接弧组成,库所包括保护库所、断路器库所和元件库所;对Petri网模型的参数赋值,得到直觉模糊Petri网模型,参数包括:库所标识值、变迁阈值以及连接弧权值,库所标识值包括:保护库所标识值、断路器库所标识值和元件库所标识值;根据直觉模糊petri网模型以及预设的模糊推理规则,得到元件库所标识值;根据元件库所标识值以及预设的测度函数,得到失电元件的故障概率,并确定故障元件。
Description
技术领域
本发明涉及电力系统领域,具体涉及一种电网故障诊断方法。
背景技术
电网故障诊断中故障信息的不确定性可以由模糊petri网有效的表达。在模糊petri网中,网的框架代表基于产生式规则的知识结构,库所(place,简称p)表示命题,如果命题为真,在库所中标识上令牌(token),token的值表示命题为真的置信度;规则推理过程用带置信度的变迁(Transition,简称t)的触发表示,命题与规则之间的因果联系用库所和变迁之间的有向弧表示。
目前,在模糊petri网模型中,所有参数都是用模糊数来表示。而模糊数只能表示事件或规则的可信度,不能表示其不可信度,电网故障诊断不精确。
发明内容
本发明所要解决的技术问题是在模糊petri网模型中,所有参数都是用模糊数来表示。而模糊数只能表示事件或规则的可信度,不能表示其不可信度,电网故障诊断不精确的问题。
为此目的,本发明提出一种电网故障诊断方法,所述方法包括:
S1、根据预设的拓扑分析规则,对故障后的电网进行拓扑分析,得到失电元件;
S2、根据所述失电元件预先配置的保护信息以及所述保护信息对应的断路器动作信息,建立所述失电元件的Petri网模型,其中,所述Petri网模型由库所、变迁以及库所和变迁之间的连接弧组成,所述库所包括保护库所、断路器库所和元件库所;
S3、对所述Petri网模型的参数赋值,得到所述失电元件的直觉模糊Petri网模型,所述参数包括:库所标识值、变迁阈值以及库所和变迁之间的连接弧权值,其中,所述库所标识值包括:保护库所标识值、断路器库所标识值和元件库所标识值;
S4、根据所述直觉模糊petri网模型以及预设的模糊推理规则,得到所述元件库所标识值;
S5、根据所述元件库所标识值以及预设的测度函数,得到所述失电元件的故障概率;
S6、根据所述故障概率,确定故障元件。
可选的,在所述步骤S3中,对所述失电元件的Petri网模型的参数赋值,满足:
所述库所标识值使用直觉模糊数对(α1,β1)表示,所述变迁阈值使用直觉模糊数对(α2,β2)表示,所述库所和变迁之间的连接弧权值使用直觉模糊数对(α3,β3)表示,其中,α1,α2,α3表示可信度,β1,β2,β3表示不可信度,且0<αi+βi≤1,0<αi<1,0<βi<1,i=1,2,3。
可选的,在所述步骤S2中,所述保护信息包括主保护动作信息和后备保护动作信息;
所述保护库所包括主保护库所和后备保护库所;
相应地,在所述步骤S3中,所述主保护库所标识值使用直觉模糊数对(α11,β11)表示,所述后备保护库所标识值使用直觉模糊数对(α12,β12)表示,所述主保护库所对应的断路器库所标识值使用直觉模糊数对(α13,β13)表示,所述后备保护库所对应的断路器库标识值所使用直觉模糊数对(α14,β14)表示,其中,α1j表示可信度,β1j表示不可信度,且0<α1j+β1j≤1,0<α1j<1,0<β1j<1,j=1,2,3,4。
可选的,所述α11>所述α12,所述β11和β12满足:
可选的,所述α13>所述α14,且所述α13>所述α11,所述β13和β14满足:
可选的,所述步骤S6,包括:将所述故障概率最大的失电元件确定为故障元件。
相比于现有技术,本发明的电网故障诊断方法基于直觉模糊Petri网,该方法建立了失电元件的直觉模糊petri网模型,经过模糊推理算法得到元件故障的可信度和不可信度,根据测度函数以及元件故障事件的可信度和不可信度,得到元件故障的概率,提高了电网故障诊断的精确度。
附图说明
图1示出了一种电网故障诊断方法流程图;
图2示出了Petri网模型结构图;
图3示出了直觉模糊Petri网模型结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例公开一种电网故障诊断方法,所述方法可包括以下步骤:
S1、根据预设的拓扑分析规则,对故障后的电网进行拓扑分析,得到失电元件。
S2、根据失电元件预先配置的保护信息以及保护信息对应的断路器动作信息,建立失电元件的Petri网模型;其中,保护信息包括主保护动作信息和后备保护动作信息;Petri网模型由库所、变迁以及库所和变迁之间的连接弧组成;库所包括保护库所、断路器库所和元件库所;保护库所包括主保护库所和后备保护库所。
保护库所表示失电元件预先配置的保护信息;主保护库所表示失电元件预先配置的主保护动作信息;后备保护库所表示失电元件预先配置的后备保护动作信息;断路器库所表示保护信息对应的断路器动作信息;元件库所表示失电元件的状态信息,状态信息包括故障和正常。
本实施例中构建的Petri网模型如图2所示,库所用“○”表示,变迁用“|”表示,库所和变迁之间的连接弧用有向弧“→”表示。本实施例中失电元件预先配置的保护信息为主保护动作信息,图2中,p1、p3是主保护库所;p2、p4是断路器库所;p5、p6是虚拟库所;p7是元件库所;t1、t2、t3是变迁。图2中的虚拟库所无实际意义。
如果一个库所到一个变迁用有向弧连接,表示该库所是变迁的输入库所;如果一个变迁到一个库所用有向弧连接,表示该库所是变迁的输出库所。
根据输入库所和输出库所的定义,保护库所和断路器库所是输入库所,元件库所是输出库所,虚拟库所既可以是输出库所也可以是输入库所。图2中的虚拟库所为输出库所。
S3、对Petri网模型的参数赋值,得到失电元件的直觉模糊Petri网模型,如图3所示。参数包括:库所标识值、变迁阈值以及库所和变迁之间的连接弧权值,其中,库所标识值包括:保护库所标识值、断路器库所标识值和元件库所标识值。
直觉模糊Petri网模型与Petri网模型的区别在于以下四点:
(1)、直觉模糊Petri网模型的每一个库所都被赋予了一个标识值,该标识值用来表示该库所对应信息的可信度和不可信度;
(2)、给定每个变迁一个变迁阈值,该阈值用来表示该变迁发生的可信度和不可信度;
(3)、给定每个变迁和库所之间的连接弧一个权值,该权值用来表示变迁和库所连接情况的可信度;
(4)、库所标识值、变迁阈值以及库所和变迁之间的连接弧权值均使用直觉模糊集合表示,直觉模糊集合用数对表示。
具体的:
在步骤S3中,对失电元件的Petri网模型的参数赋值,需要满足以下条件:
库所标识值使用直觉模糊数对(α1,β1)表示,变迁阈值使用直觉模糊数对(α2,β2)表示,库所和变迁之间的连接弧权值使用直觉模糊数对(α3,β3)表示,其中,α1,α2,α3表示可信度,β1,β2,β3表示不可信度,且0<αi+βi≤1,0<αi<1,0<βi<1,i=1,2,3。
由于库所有三种,因此不同库所标识值通过第二个下标区分,即主保护库所标识值使用(α11,β11)表示,后备保护库所标识值使用(α12,β12)表示,主保护库所对应的断路器库所标识值使用(α13,β13)表示,后备保护库所对应的断路器库所标识值使用(α14,β14)表示,其中,α1j表示可信度,β1j表示不可信度,且0<α1j+β1j≤1,0<α1j<1,0<β1j<1,j=1,2,3,4。
失电元件预先配置的保护信息的可信度取决于故障发生时主保护动作和后备保护动作的优先权,即主保护动作在正常情况下动作的概率应该比后备保护动作要高,主保护库所标识值的可信度α11大于后备保护库所标识值的可信度α12,β11和β12满足:
本实施例将主保护库所标识值的可信度α11设为0.9,后备保护库所标识值的可信度α12设为0.8,因为图2中未涉及后备保护库所,所以以下部分仅讨论主保护库所标识值,主保护库所标识值的不可信度α12设为0.05。根据上述讨论,设置主保护库所标识值为(0.9,0.05)。
主保护库所对应的断路器库所标识值使用(α13,β13)表示,即断路器库所标识值描述了断路器动作信息的可信度和不可信度,并且由于主保护动作的可靠性比主保护动作对应的断路器动作可靠性低,因此,α13>α14,且α13>α11,β13和β14满足:
本实施例中设置主保护对应的断路器库所的标识值为(0.95,0.025)。
本实施例中,如果变迁的输入库所全部是虚拟库所,由于虚拟库所无实际意义,因此实际上该变迁必定发生,可以设置该变迁阈值为(1,0);否则,设置变迁阈值为(0.2,0.7);
如果某个变迁有n个输入库所,则该变迁对应的所有输入库所的连接弧权值设置为1/n;
如果变迁的输出库所是虚拟库所,由于虚拟库所无实际意义,因此实际上该变迁到虚拟库所的连接一定存在,则设置该变迁到虚拟库所的连接弧权值为(1,0);否则,连接弧权值设置为(0.9,0.05)。
图2中变迁的输出库所是虚拟库所,则变迁到虚拟库所的连接弧权值为(1,0)。
S4、根据直觉模糊petri网模型以及预设的模糊推理规则,得到元件库所标识值;
本实施例中,模糊推理规则(算法)的输入、输出和具体步骤如下所示:
该算法的输入为:加权输入矩阵In×m和输出矩阵On×m,变迁阈值向量τ,其中在加权输入矩阵In×m中,行表示变迁,列表示所有库所,矩阵中元素表示该元素对应库所到对应变迁的连接弧权值;在输出矩阵On×m中,行表示变迁,列表示所有库所,矩阵中元素表示该元素对应变迁到对应库所的连接弧权值;
初始库所标识值向量M0=[M0(p1),M0(p2),…,M0(pn)]T;
该算法的输出为:库所标识值向量Mk;
其中,Mk=[Mk(p1),Mk(p2),…,Mk(pn)]T,k为迭代次数,且满足Mk=Mk-1。
该算法的具体步骤如下:
S41、初始化所有输入,令k=0,初始化向量值Mk=M0;
S42、计算带加权因子的库所标识值δ=IT·Mk,其中I为输入矩阵,Mk为第k次迭代的标识值;
S43、将步骤S42中计算出的标识值与变迁阈值向量τ作比较,令ξ=δΘτ,可知ξ应是(0,1)或者(1,0)的m维直觉模糊列向量,再令计算可以成功激发的变迁的可信度和不可信度,其中是m维直觉模糊列向量;
S44、计算变迁激发后输出库所的标识值:O为输出矩阵;
S45、计算Mk+1:Mk+1=Mk⊕θ,若Mk+1≠Mk,则令k=k+1,返回步骤S42,否则,输出Mk,并结束推理。
其中,步骤中各算子的计算方式如下所示:
假设A、B、C为直觉模糊矩阵,则对于加法算子⊕:A、B、C均为n×m维直觉模糊矩阵;
对于乘法算子A、B、C均为n×s、s×m、n×m维直觉模糊矩阵
对于直乘算子·: A、B、C均为n×m维直觉模糊矩阵;
对于比较算子Θ:A、B、C均为n×m维直觉模糊矩阵
由于矩阵A、B和C的元素均为直觉模糊数,因此矩阵需根据模糊逻辑进行运算,假设aij=(μ(aij),γ(aij)),bij=(μ(bij),γ(bij)),则:
aij·bij=(μ(aij)·μ(bij),γ(aij)+γ(bij)-γ(aij)·γ(bij))
max(aij,bij)=(max(μ(aij),μ(bij)),min(γ(aij),γ(bij)))
aij≥bij=μ(aij)≥μ(bij)且γ(aij)≤γ(bij)
在本实施例中,计算如下:
首先,令k=0,根据IFPN模糊推理算法可以得到输入矩阵I、输出矩阵O、初始标识M0及变迁阈值τ。
M0=[(0.9,0.05) (0.95,0.025) (0.9,0.05) (0.95,0.025) (0,1) (0,1) (0,1)]T;
τ=[(0,2,0.7) (0,2,0.7) (0,2,0.7)]T;
令k=0,初始化Mk=M0;
δ=IT·M0=[(0.925,0.0375) (0.925,0.0375) (0,1)]T;
M1=M0⊕θ=
[(0.9,0.05) (0.95,0.025) (0.9,0.05) (0.95,0.025) (0.925,0.0375) (0.925,0.0375) (0,1)]T
δ=IT·M0=[(0.925,0.0375) (0.925,0.0375) (0.925,0.0375)]T;
ξ=δΘτ=[(1,0) (1,0) (1,0)]T;
[(0,1) (0,1) (0,1) (0,1) (0.925,0.0375) (0.925,0.0375) (0.833,0.0188)]T;
M2=M1⊕θ=
[(0.9,0.05) (0.95,0.025) (0.9,0.05) (0.95,0.025) (0.925,0.0375) (0.925,0.0375) (0.833,0.0188)]T
δ=IT·M1=[(0.925,0.0375) (0.925,0.0375) (0.925,0.0375)]T;
ξ=δΘτ=[(1,0) (1,0) (1,0)]T;
M3=M2⊕θ=
[(0.9,0.05) (0.95,0.025) (0.9,0.05) (0.95,0.025) (0.925,0.0375) (0.925,0.0375) (0.833,0.0188)]T
由于M3=M2,推理结束。
S5、根据元件库所标识值以及预设的测度函数,得到失电元件的故障概率;测度函数为:f(i)=μ(i)-γ(i),其中,(μ(i),γ(i))是元件库所标识值,f(i)为元件i故障的概率。
S6、根据故障概率,确定故障元件。本实施例将故障概率最大的失电元件确定为故障元件。
上述实施例中提出了一种基于直觉模糊Petri网的电网故障诊断方法,该方法建立了电气元件的直觉模糊Petri网模型,模型中的部分参数利用直觉模糊集合来表示,包括:告警信息事件的可信度和不可信度;变迁阈值等。经过模糊推理算法得到元件故障事件的可信度和不可信度,根据测度函数以及元件故障事件的可信度和不可信度,得到元件故障的概率。该方法考虑了告警信息事件的不可信度,在模糊推理过程中有不可信度的参与,使得到的结论更加精确。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (6)
1.一种电网故障诊断方法,其特征在于,所述方法包括:
S1、根据预设的拓扑分析规则,对故障后的电网进行拓扑分析,得到失电元件;
S2、根据所述失电元件预先配置的保护信息以及所述保护信息对应的断路器动作信息,建立所述失电元件的Petri网模型,其中,所述Petri网模型由库所、变迁以及库所和变迁之间的连接弧组成,所述库所包括保护库所、断路器库所和元件库所;
S3、对所述Petri网模型的参数赋值,得到所述失电元件的直觉模糊Petri网模型,所述参数包括:库所标识值、变迁阈值以及库所和变迁之间的连接弧权值,其中,所述库所标识值包括:保护库所标识值、断路器库所标识值和元件库所标识值;
S4、根据所述直觉模糊petri网模型以及预设的模糊推理规则,得到所述元件库所标识值;
S5、根据所述元件库所标识值以及预设的测度函数,得到所述失电元件的故障概率;
S6、根据所述故障概率,确定故障元件。
2.根据权利要求1所述的方法,其特征在于,在所述步骤S3中,对所述失电元件的Petri网模型的参数赋值,满足:
所述库所标识值使用直觉模糊数对(α1,β1)表示,所述变迁阈值使用直觉模糊数对(α2,β2)表示,所述库所和变迁之间的连接弧权值使用直觉模糊数对(α3,β3)表示,其中,α1,α2,α3表示可信度,β1,β2,β3表示不可信度,且0<αi+βi≤1,0<αi<1,0<βi<1,i=1,2,3。
3.根据权利要求2所述的方法,其特征在于,在所述步骤S2中,所述保护信息包括主保护动作信息和后备保护动作信息;
所述保护库所包括主保护库所和后备保护库所;
相应地,在所述步骤S3中,所述主保护库所标识值使用直觉模糊数对(α11,β11)表示,所述后备保护库所标识值使用直觉模糊数对(α12,β12)表示,所述主保护库所对应的断路器库所标识值使用直觉模糊数对(α13,β13)表示,所述后备保护库所对应的断路器库标识值所使用直觉模糊数对(α14,β14)表示,其中,α1j表示可信度,β1j表示不可信度,且0<α1j+β1j≤1,0<α1j<1,0<β1j<1,j=1,2,3,4。
4.根据权利要求3所述的方法,其特征在于,所述α11>所述α12,所述β11和β12满足:
5.根据权利要求3所述的方法,其特征在于,所述α13>所述α14,且所述α13>所述α11,所述β13和β14满足:
6.根据权利要求1所述的方法,其特征在于,所述步骤S6,包括:将所述故障概率最大的失电元件确定为故障元件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410851512.9A CN104597375A (zh) | 2014-12-31 | 2014-12-31 | 一种电网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410851512.9A CN104597375A (zh) | 2014-12-31 | 2014-12-31 | 一种电网故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104597375A true CN104597375A (zh) | 2015-05-06 |
Family
ID=53123287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410851512.9A Pending CN104597375A (zh) | 2014-12-31 | 2014-12-31 | 一种电网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104597375A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124935A (zh) * | 2016-07-18 | 2016-11-16 | 国网河南省电力公司电力科学研究院 | 中低压配电网络故障定位方法 |
CN106771853A (zh) * | 2016-11-29 | 2017-05-31 | 华中科技大学 | 一种基于事件起点的智能化电网故障诊断方法 |
CN106841909A (zh) * | 2016-12-20 | 2017-06-13 | 国网辽宁省电力有限公司沈阳供电公司 | 基于方向分层模糊Petri网的多源信息融合配电网故障分析 |
CN110927509A (zh) * | 2019-10-14 | 2020-03-27 | 山东科技大学 | 一种配电网的故障诊断方法 |
CN112834876A (zh) * | 2020-12-31 | 2021-05-25 | 广东电网有限责任公司广州供电局 | 电缆状态检测方法、装置、设备以及计算机可读存储介质 |
-
2014
- 2014-12-31 CN CN201410851512.9A patent/CN104597375A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124935A (zh) * | 2016-07-18 | 2016-11-16 | 国网河南省电力公司电力科学研究院 | 中低压配电网络故障定位方法 |
CN106124935B (zh) * | 2016-07-18 | 2019-05-07 | 国网河南省电力公司电力科学研究院 | 中低压配电网络故障定位方法 |
CN106771853A (zh) * | 2016-11-29 | 2017-05-31 | 华中科技大学 | 一种基于事件起点的智能化电网故障诊断方法 |
CN106841909A (zh) * | 2016-12-20 | 2017-06-13 | 国网辽宁省电力有限公司沈阳供电公司 | 基于方向分层模糊Petri网的多源信息融合配电网故障分析 |
CN106841909B (zh) * | 2016-12-20 | 2019-07-09 | 国网辽宁省电力有限公司沈阳供电公司 | 基于方向分层模糊Petri网的多源信息融合配电网故障分析 |
CN110927509A (zh) * | 2019-10-14 | 2020-03-27 | 山东科技大学 | 一种配电网的故障诊断方法 |
CN112834876A (zh) * | 2020-12-31 | 2021-05-25 | 广东电网有限责任公司广州供电局 | 电缆状态检测方法、装置、设备以及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103308824B (zh) | 一种基于概率Petri网的电力系统故障诊断方法 | |
Dessavre et al. | Multidimensional approach to complex system resilience analysis | |
CN104597375A (zh) | 一种电网故障诊断方法 | |
CN103840967B (zh) | 一种电力通信网中故障定位的方法 | |
CN109633372B (zh) | 一种基于膜系统的电力系统故障自动诊断方法 | |
CN106021062B (zh) | 关联故障的预测方法和系统 | |
CN106503368A (zh) | 一种基于故障机理相关的多状态系统可靠性建模方法 | |
CN104901306B (zh) | 一种考虑连锁故障的电网运行安全裕度计算方法 | |
CN108090677B (zh) | 一种关键基础设施的可靠性测评方法 | |
CN107391385B (zh) | 一种软件测试用例生成技术的构建方法 | |
CN105721207A (zh) | 电力通信网中通信节点重要度的确定方法和装置 | |
CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
CN110380903B (zh) | 一种电力通信网故障探测方法、装置及设备 | |
CN105183952A (zh) | 一种基于分层时间模糊Petri网的输电网故障诊断方法 | |
CN105678337A (zh) | 一种智能变电站故障诊断中的信息融合方法 | |
CN105552899B (zh) | 一种计算大停电后电网恢复力的方法 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
CN106483425A (zh) | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 | |
CN116112283A (zh) | 一种基于cnn-lstm的电力系统网络安全态势预测方法及系统 | |
CN108108552A (zh) | 基于故障机理损伤累积模型的载荷共担行为建模与仿真方法 | |
CN116015707A (zh) | 配电网信息物理系统网络拓扑优化方法、装置及终端 | |
Zhou et al. | Robustness analysis of power system dynamic process and repair strategy | |
CN104408312B (zh) | 一种核电站系统误动率计算方法 | |
CN110008076A (zh) | 处理器可靠性评估方法、装置、电子设备及存储介质 | |
CN103823998A (zh) | 考虑网络拓扑变化对输电能力影响的薄弱断面确定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150506 |
|
WD01 | Invention patent application deemed withdrawn after publication |