CN107392790A - 雷电数据与输电线路本体运行数据关联方法 - Google Patents
雷电数据与输电线路本体运行数据关联方法 Download PDFInfo
- Publication number
- CN107392790A CN107392790A CN201710530714.7A CN201710530714A CN107392790A CN 107392790 A CN107392790 A CN 107392790A CN 201710530714 A CN201710530714 A CN 201710530714A CN 107392790 A CN107392790 A CN 107392790A
- Authority
- CN
- China
- Prior art keywords
- lightning
- data
- thunder
- transmission line
- correlating method
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000005611 electricity Effects 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 15
- 241001269238 Data Species 0.000 claims abstract description 4
- 238000005381 potential energy Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000004020 conductor Substances 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims 1
- 238000012098 association analyses Methods 0.000 abstract description 2
- 208000025274 Lightning injury Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种雷电数据与输电线路本体运行数据关联方法,其特征在于,包括如下步骤:第一步:注入W,E、D、F分量属性;第二步:连接数据,并使用K‑means标量化雷电数据;第三步:使用Apriori搜索频繁项,并找出符合支持度和置信度的结果;第四步:设置前置条件lhs,后置条件rhs,对结果进行过滤;第五步:还原标量化雷电数据,得到具有指导意义的知识。本发明的雷电数据与输电线路本体运行数据关联方法利用主要故障相关的雷电数据,以输电线路构成元素为基础,通过关联分析,从大量的缺陷故障中发现雷电外力对输电线路造成影响的频繁规律,为输电线路有针对性的维护,减少故障缺陷发生提供参考依据。
Description
技术领域
本发明涉及雷电数据与输电线路系统本体运行状态分析领域,具体涉及一种雷电数据与输电线路本体运行数据关联方法。
背景技术
云地之间放电产生的雷电是一种自然现象,产生的强大电流可通过直击或者绕击的方式对输电线路安全造成危害。输电网络是国民经济和社会发展的支柱,经过数十年的发展,输电网络分布地区广,线路长期暴露在外,容易遭受雷电的影响,根据国家电网公司的数据,雷击跳闸次数占各类原因导致总跳闸次数比例是最高的。地面电场仪、雷电定位仪、气象雷达和卫星多种设备被采用来监测雷电的发生,这些先进设备的应用给研究雷电对输电线路的影响提供了数据基础,以往的方法主要是单纯地采用落雷密度,雷电流强度指标来表示输电线路雷击闪络的风险,但是雷电的发生具有突发性,很难在极短的时间内预报。另一方面,输电线路自身的导电特性,绝缘能力,所处的时空环境也决定了闪络的难易。针对目前很难在雷电发生前的极短时间内预警,本发明从监测导致输电线路故障的雷电发生前一段时间内发生的次数达到多少数量,雷电流强度达到什么的程度这样一个势能积累过程来找出雷电-输电线路设备-缺陷故障的内在关联。
发明内容
针对目前缺少发现雷电-输电线路设备-缺陷故障关联的方法,本发明主要目的在于提供一种雷电数据与输电线路本体运行数据关联方法。
为了实现上述目的,本发明采用的技术方案如下:
雷电数据与输电线路本体运行数据关联方法,其特征在于,包括如下步骤:
第一步:注入W,E、D、F分量属性;
第二步:连接数据,并使用K-means标量化雷电数据;
第三步:使用Apriori搜索频繁项,并找出符合支持度和置信度的结果;
第四步:设置前置条件lhs,后置条件rhs,对结果进行过滤;
第五步:还原标量化雷电数据,得到具有指导意义的知识。
进一步地,第1步中,所述的注入W,E、D、F分量属性具体包括;设W为雷电集合,E为输电线路设备集合,D为缺陷集合,F为故障集合;根据分析规模的需要,每类集合可以包括不同数量的具体分量:W可以按任意时间长度注入一系列雷电落雷次数、雷电流强度矢量值;E可以注入导线电阻率,杆塔高度,绝缘子数量,接地电阻设备的规格属性以及安装属性;D、F可以注入发生时间和位置,发生线路,发生设备,技术原因。
进一步地,第2步中,所述的“连接数据,并使用K-means标量化雷电数据”具体包括:
步骤2.1选择D或者F,依据连接属性连接三个数据集合,W与E可以通过位置关系进行匹配连接操作;D、F与W可以通过时间关系进行匹配连接操作;D、F与E可以通过位置关系进行匹配连接操作,形成基于D或者F的事务项,数据如表1所示:
表1数据表
其中,W的每一列w.j代表一种雷电衡量分量,而且它是一个向量w.j=(w1.j,w2.j...wIL.j),记录在时长L内若干点上的雷电分量值,L可以根据实际的需要定义长度;其他D、F和E的每个分量为标量数据;
步骤2.2雷电分量w.j设置参数K,该参数对应K-means方法的类别数,使用欧氏距离衡量两个气象分量的相似性:
实施K-means聚类过程,包括如下步骤:
(1)从w.j数据对象任意选择k个对象作为初始聚类中心;
(2)根据每个聚类的中心对象,计算每个w.j与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
(3)重新计算每个聚类的中心对象;
(4)循环(2)到(3)直到每个聚类不再发生变化为止;
聚类完毕后,雷电分量w.j矢量集的每一项wij(i=1,2,...n)均有一个类别号与之对应,则时序矢量时序数据w.j=(w1.j,w2.j...wIL.j)将变换为某类标签,成为标量数据,数据集由表1形式变换为表2形式:
表2矢量雷电数据标量化后的数据表
进一步地,步骤2.2中,W中记录的雷电数据是以时序方式记录的多点数据,因此使用数据自适应方式和区间的描述手段,以无监督的聚类方法,将雷电分量的矢量按相似性归类,每一个类的上下边界以及相似的谱型代表一种雷电势能类型。
进一步地,步骤2.2中,需要用不同精细尺度来观察雷电势能类型时可以通过调节K值的大小实现,K值越高,精细度越高,反之,越低概括力越强。
进一步地,第3步中,所述的“使用Apriori搜索频繁项,并找出符合支持度和置信度的结果”具体包括:利用Apriori算法在表2所示的数据上提取频繁项,利用(1)连接步和(2)剪枝步来快速求得频繁项;
设置最小支持度和最小置信度,
Support(A->B)=p(A∪B)
Confidence(A->B)=P(B|A)
选择满足条件的频繁项。
进一步地,第4步中,所述的“设置前置条件lhs,后置条件rhs,对结果进行过滤”具体包括:为了使得规则对于输电网运维有明确的指导语义,设置W,E、D、F哪些出现在前置条件lhs,哪些出现在后置条件rhs,从有效规则中筛选出具有特定语义规则,具体代表性的规则为:
(W,E)->(D/F)
该型规则解释为:在什么样的雷电频率,雷电强度条件下,在什么线路的什么设备上,会出现什么样的故障或者缺陷,这样,规则转换成输电网络运维关心的专业知识。
进一步地,第5步中,所述的“还原标量化雷电数据,得到具有指导意义的知识”具体包括:还原“缺陷故障-设备-雷电外力”描述,前述步骤可以得到特定规则;取出w.j的类标签为k的所有项,求出最小min和最大max值,然后在L个时间点上,求平均值则由这三个量来表示一个具体的雷电势能分类类型;min和max可以得到值的区间范围,平均矢量可以得到变化波形;还原标量化处理,在进行语义解释时,使其具有明确指导含义。
本发明的有益效果是:本发明的雷电数据与输电线路本体运行数据关联方法利用主要故障相关的雷电数据,以输电线路构成元素为基础,通过关联分析,从大量的缺陷故障中发现雷电外力对输电线路造成影响的频繁规律,为输电线路有针对性的维护,减少故障缺陷发生提供参考依据。
附图说明
图1为本发明雷电数据与输电线路本体运行数据关联方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行说明。
如图1所示,为本发明雷电数据与输电线路本体运行数据关联方法流程图。所述方法包括如下步骤:
第一步:注入W,E、D、F分量属性。
设W为雷电集合,E为输电线路设备集合,D为缺陷集合,F为故障集合。W与E可通过位置关系进行匹配连接操作。D、F与W可通过时间关系进行匹配连接操作。D、F与E可通过位置关系进行匹配连接操作。
根据分析规模的需要,每类集合可以包括不同数量的具体分量,例如:W可以按任意时间长度注入一系列雷电落雷次数、雷电流强度矢量值。E可注入导线电阻率,杆塔高度,绝缘子数量,接地电阻等设备的规格属性以及安装属性等。D、F可注入发生时间和位置,发生线路,发生设备,技术原因等。
第二步:连接数据,并使用K-means标量化雷电数据。具体步骤如下:
步骤2.1
选择D或者F,依据连接属性连接三个数据集合,形成基于D或者F的事务项,如下表1形式所示。
表1数据表
其中W的每一列w.j代表一种雷电衡量分量,例如w.1可代表落雷次数,w.2可代表雷电流强度。而且它是一个向量w.j=(w1.j,w2.j...wIL.j),记录在时长L内若干点上的雷电分量值。L可以根据实际的需要定义长度,这符合故障与缺陷发生后,调查原因时,回溯L长的时间来考察气象具有什么形式特征的需要。
其他D、F和E的每个分量为标量数据。
步骤2.2
W中记录的雷电数据由于是以时序方式记录的多点数据,一方面维数很高,另一方面,进行关联规则分析时,雷电要素用具体多少“次”,多少“安”,这种准确值去关联一种电力故障或者缺陷现象是没有意义的。为此,本发明使用数据自适应方式和区间的描述手段,以无监督的聚类方法,将雷电分量的矢量按相似性归类,每一个类的上下边界以及相似的谱型代表一种雷电势能类型。
雷电分量w.j设置参数K,该参数对应K-means方法的类别数。从应用角度讲,需要用不同精细尺度来观察雷电势能类型时可通过调节K值的大小实现。K值越高,精细度越高,反之,越低概括力越强。使用欧氏距离衡量两个气象分量的的相似性,其特征在于:
实施K-means聚类过程,其特征在于
(1)从w.j数据对象任意选择k个对象作为初始聚类中心;
(2)根据每个聚类的中心对象,计算每个w.j与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
(3)重新计算每个聚类的中心对象;
(4)循环(2)到(3)直到每个聚类不再发生变化为止。
聚类完毕后,雷电分量w.j矢量集的每一项wij(i=1,2,...n)均有一个类别号与之对应,则时序矢量时序数据w.j=(w1.j,w2.j...wIL.j)将变换为某类标签,成为标量数据。数据集由表1形式变换为表2形式。
表2矢量雷电数据标量化后的数据表
第三步:使用Apriori搜索频繁项,并找出符合支持度和置信度的结果。
利用Apriori算法在表2所示的数据上提取频繁项。其特征在于利用(1)连接步和(2)剪枝步来快速求得频繁项。
设置最小支持度和最小置信度。
Support(A->B)=p(A∪B)
Confidence(A->B)=P(B|A)
选择满足条件的频繁项。
第四步:设置前置条件lhs,后置条件rhs,对结果进行过滤。
为了使得规则对于输电网运维有明确的指导语义,设置W,E、D、F哪些出现在前置条件1hs,哪些出现在后置条件rhs,从有效规则中筛选出具有特定语义规则。具体代表性的规则为:
(W,E)->(D/F)
该型规则解释为:在什么样的雷电频率,雷电强度条件下,在什么线路的什么设备上,会出现什么样的故障或者缺陷。这样,规则转换成输电网络运维关心的专业知识。
第五步:还原标量化雷电数据,得到具有指导意义的知识。
还原“缺陷故障-设备-雷电外力”描述。前述步骤可以得到特定规则。由于雷电数据进行了标量化处理,在进行语义解释时,需要将其还原,使其具有明确指导含义。取出w.j的类标签为k的所有项,求出该类的最小min和最大max值,然后在L个时间点上,求平均值则由这三个量来表示一个具体的雷电分类类型。min和max可以得到值的区间范围,平均矢量可以得到变化波形。
以上实施例仅用以说明而非限制本发明的技术方案,尽管上述实施例对本发明进行了详细说明,本领域的相关技术人员应当理解:可以对本发明进行修改或者同等替换,但不脱离本发明精神和范围的任何修改和局部替换均应涵盖在本发明的权利要求范围内。
Claims (8)
1.雷电数据与输电线路本体运行数据关联方法,其特征在于,包括如下步骤:
第一步:注入W,E、D、F分量属性;
第二步:连接数据,并使用K-means标量化雷电数据;
第三步:使用Apriori搜索频繁项,并找出符合支持度和置信度的结果;
第四步:设置前置条件lhs,后置条件rhs,对结果进行过滤;
第五步:还原标量化雷电数据,得到具有指导意义的知识。
2.根据权利要求1所述的雷电数据与输电线路本体运行数据关联方法,其特征在于,第1步中,所述的注入W,E、D、F分量属性具体包括;设W为雷电集合,E为输电线路设备集合,D为缺陷集合,F为故障集合;根据分析规模的需要,每类集合可以包括不同数量的具体分量:W可以按任意时间长度注入一系列雷电落雷次数、雷电流强度矢量值;E可以注入导线电阻率,杆塔高度,绝缘子数量,接地电阻设备的规格属性以及安装属性;D、F可以注入发生时间和位置,发生线路,发生设备,技术原因。
3.根据权利要求2所述的雷电数据与输电线路本体运行数据关联方法,其特征在于,第2步中,所述的“连接数据,并使用K-means标量化雷电数据”具体包括:
步骤2.1选择D或者F,依据连接属性连接三个数据集合,W与E可以通过位置关系进行匹配连接操作;D、F与W可以通过时间关系进行匹配连接操作;D、F与E可以通过位置关系进行匹配连接操作,形成基于D或者F的事务项,数据如表1所示:
表1 数据表
其中,W的每一列w.j代表一种雷电衡量分量,而且它是一个向量w.j=(w1.j,w2.j...wIL.j),记录在时长L内若干点上的雷电分量值,L可以根据实际的需要定义长度;其他D、F和E的每个分量为标量数据;
步骤2.2雷电分量w.j设置参数K,该参数对应K-means方法的类别数,使用欧氏距离衡量两个气象分量的相似性:
实施K-means聚类过程,包括如下步骤:
(1)从w.j数据对象任意选择k个对象作为初始聚类中心;
(2)根据每个聚类的中心对象,计算每个w.j与这些中心对象的距离;并根据最小距离重新对相应对象进行划分;
(3)重新计算每个聚类的中心对象;
(4)循环(2)到(3)直到每个聚类不再发生变化为止;
聚类完毕后,雷电分量w.j矢量集的每一项wij(i=1,2...n)均有一个类别号与之对应,则时序矢量时序数据w.j=(w1.j,w2.j...wIL.j)将变换为某类标签,成为标量数据,数据集由表1形式变换为表2形式:
表2 矢量雷申数据标量化后的数据表
。
4.根据权利要求4所述的雷电数据与输电线路本体运行数据关联方法,其特征在于,步骤2.2中,W中记录的雷电数据是以时序方式记录的多点数据,因此使用数据自适应方式和区间的描述手段,以无监督的聚类方法,将雷电分量的矢量按相似性归类,每一个类的上下边界以及相似的谱型代表一种雷电势能类型。
5.根据权利要求4所述的雷电数据与输电线路本体运行数据关联方法,其特征在于,步骤2.2中,需要用不同精细尺度来观察雷电势能类型时可以通过调节K值的大小实现,K值越高,精细度越高,反之,越低概括力越强。
6.根据权利要求4所述的雷电数据与输电线路本体运行数据关联方法,其特征在于,第3步中,所述的“使用Apriori搜索频繁项,并找出符合支持度和置信度的结果”具体包括:利用Apriori算法在表2所示的数据上提取频繁项,利用(1)连接步和(2)剪枝步来快速求得频繁项;
设置最小支持度和最小置信度,
Support(A->B)=p(A∪B)
Confidence(A->B)=P(B|A)
选择满足条件的频繁项。
7.根据权利要求6所述的雷电数据与输电线路本体运行数据关联方法,其特征在于,第4步中,所述的“设置前置条件lhs,后置条件rhs,对结果进行过滤”具体包括:为了使得规则对于输电网运维有明确的指导语义,设置W,E、D、F哪些出现在前置条件lhs,哪些出现在后置条件rhs,从有效规则中筛选出具有特定语义规则,具体代表性的规则为:
(W,E)->(D/F)
该型规则解释为:在什么样的雷电频率,雷电强度条件下,在什么线路的什么设备上,会出现什么样的故障或者缺陷,这样,规则转换成输电网络运维关心的专业知识。
8.根据权利要求7所述的雷电数据与输电线路本体运行数据关联方法,其特征在于,第5步中,所述的“还原标量化雷电数据,得到具有指导意义的知识”具体包括:还原“缺陷故障-设备-雷电外力”描述,前述步骤可以得到特定规则;取出w.j的类标签为k的所有项,求出最小min和最大max值,然后在L个时间点上,求平均值则由这三个量来表示一个具体的雷电势能分类类型;min和max可以得到值的区间范围,平均矢量可以得到变化波形;还原标量化处理,在进行语义解释时,使其具有明确指导含义。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710530714.7A CN107392790A (zh) | 2017-06-30 | 2017-06-30 | 雷电数据与输电线路本体运行数据关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710530714.7A CN107392790A (zh) | 2017-06-30 | 2017-06-30 | 雷电数据与输电线路本体运行数据关联方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392790A true CN107392790A (zh) | 2017-11-24 |
Family
ID=60334118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710530714.7A Pending CN107392790A (zh) | 2017-06-30 | 2017-06-30 | 雷电数据与输电线路本体运行数据关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392790A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108847686A (zh) * | 2018-07-02 | 2018-11-20 | 国电南瑞科技股份有限公司 | 一种光伏逆变器故障预测方法 |
CN109191021A (zh) * | 2018-10-30 | 2019-01-11 | 全球能源互联网研究院有限公司 | 电网异常事件的关联规则匹配方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593400A (zh) * | 2013-12-13 | 2014-02-19 | 陕西省气象局 | 一种基于改进Apriori算法的雷电活动数据统计方法 |
CN106529837A (zh) * | 2016-12-13 | 2017-03-22 | 国网新疆电力公司电力科学研究院 | 一种风数据与输电线路本体运行数据的关联方法 |
-
2017
- 2017-06-30 CN CN201710530714.7A patent/CN107392790A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593400A (zh) * | 2013-12-13 | 2014-02-19 | 陕西省气象局 | 一种基于改进Apriori算法的雷电活动数据统计方法 |
CN106529837A (zh) * | 2016-12-13 | 2017-03-22 | 国网新疆电力公司电力科学研究院 | 一种风数据与输电线路本体运行数据的关联方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108847686A (zh) * | 2018-07-02 | 2018-11-20 | 国电南瑞科技股份有限公司 | 一种光伏逆变器故障预测方法 |
CN108847686B (zh) * | 2018-07-02 | 2021-11-30 | 国电南瑞科技股份有限公司 | 一种光伏逆变器故障预测方法 |
CN109191021A (zh) * | 2018-10-30 | 2019-01-11 | 全球能源互联网研究院有限公司 | 电网异常事件的关联规则匹配方法及装置 |
CN109191021B (zh) * | 2018-10-30 | 2021-02-09 | 全球能源互联网研究院有限公司 | 电网异常事件的关联规则匹配方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kavousi-Fard et al. | Optimal distribution feeder reconfiguration for reliability improvement considering uncertainty | |
Hao et al. | An intelligent algorithm for fault location on VSC-HVDC system | |
CN108196165A (zh) | 基于样本协方差矩阵最大特征值的电网异常状态检测方法 | |
Yao et al. | Fault diagnosis model of adaptive miniature circuit breaker based on fractal theory and probabilistic neural network | |
CN106485089B (zh) | 谐波用户典型工况的区间参数获取方法 | |
CN106410792A (zh) | 一种电网防雷方法及系统 | |
CN109217296A (zh) | 一种基于加权潮流熵和电压稳定的电网关键节点辨识方法 | |
CN109687438A (zh) | 一种计及高铁冲击负荷作用下的电网脆弱线路辨识方法 | |
CN108761287A (zh) | 一种变压器局部放电类型识别方法 | |
CN107257351A (zh) | 一种基于灰色lof流量异常检测系统及其检测方法 | |
CN107392790A (zh) | 雷电数据与输电线路本体运行数据关联方法 | |
CN104463692A (zh) | 考虑实时气象雷暴信息的高压输电线路故障风险排序方法 | |
Mohamed et al. | MSA for optimal reconfiguration and capacitor allocation in radial/ring distribution networks | |
Duan et al. | Data mining & pattern recognition of voltage sag based on K-means clustering algorithm | |
Wu et al. | Transmission line fault cause identification method based on transient waveform image and MCNN-LSTM | |
CN107909199A (zh) | 一种基于雷电预警的特高压直流输电线路雷击主动防护方法 | |
CN112633665A (zh) | 一种基于层次分析法的配电网防雷决策方法 | |
Yuan et al. | Research on fusion algorithm of lightning strike trip warning for mountain transmission lines | |
CN108183499A (zh) | 一种基于拉丁超立方抽样概率潮流的静态安全分析方法 | |
CN108879658A (zh) | 一种主动配电网的电压薄弱点辨识方法 | |
Zheng et al. | Lightning risk assessment model for transmission lines with lift‐based improved analytic hierarchy process | |
Sachan et al. | Multiple correspondence analysis to study failures in a diverse population of a cable | |
CN105137211B (zh) | 一种基于wrf模式和相似日强对流指数辨识的雷害预警方法 | |
CN107394774A (zh) | 一种用电负荷分解融合辨识的方法与系统 | |
Vyas et al. | Computational geometry‐based<? show [AQ ID= Q1]?> methodology for identification of potential islanding initiators in high solar PV penetration distribution feeders |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |