CN107807328A - 基于Mapreduce计算框架的SF6高压断路器故障诊断方法 - Google Patents

基于Mapreduce计算框架的SF6高压断路器故障诊断方法 Download PDF

Info

Publication number
CN107807328A
CN107807328A CN201710966206.3A CN201710966206A CN107807328A CN 107807328 A CN107807328 A CN 107807328A CN 201710966206 A CN201710966206 A CN 201710966206A CN 107807328 A CN107807328 A CN 107807328A
Authority
CN
China
Prior art keywords
fault
voltage circuit
circuit breaker
mapreduce
reliability
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.)
Granted
Application number
CN201710966206.3A
Other languages
English (en)
Other versions
CN107807328B (zh
Inventor
苗红霞
倪瑞
刘康康
何龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201710966206.3A priority Critical patent/CN107807328B/zh
Publication of CN107807328A publication Critical patent/CN107807328A/zh
Application granted granted Critical
Publication of CN107807328B publication Critical patent/CN107807328B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3272—Apparatus, systems or circuits therefor
    • G01R31/3274—Details related to measuring, e.g. sensing, displaying or computing; Measuring of variables related to the contact pieces, e.g. wear, position or resistance

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于Mapreduce的SF6高压断路器故障诊断方法，包括以下步骤：在Linux系统环境下搭建Hadoop平台；选取SF6高压断路器的六种典型的故障状态及五种故障征兆；获取SF6高压断路器合闸线圈的电压值、电流值和电流有效时间值，调整数据格式，将调整后的数据导入Hadoop平台；根据对应关系决策表建立选取的六种典型故障与五种故障征兆的信度函数分配；基于D‑S证据理论，在Mapreduce并行运算框架下，对故障和故障征兆的信度分配进行数据融合，获得融合后的故障信度函数分配；对于融合后得到的故障函数信度分配，判断找出信度最大的故障，即为最终诊断结果。本方法可以实现对海量SF6高压断路器状态信息的快速诊断。

Description

基于Mapreduce计算框架的SF6高压断路器故障诊断方法
技术领域
本发明涉及一种基于Mapreduce计算框架的SF6高压断路器故障诊断方法，属于电力系统SF6高压断路器故障数据处理技术领域。
背景技术
SF6高压断路器作为电力系统中交直流开关设备，在电力系统中具有控制和保护的双重作用。其是否正常运行直接影响到电力系统的运行安全，从而对其进行实时故障诊断显得尤为必要。近年来基于人工智能算法的故障诊断系统得到了广泛应用。随着智能电网的发展，电力设备具有状态信息分布广、种类多、数据量大的特征。原有的故障诊断系统已无法满足日渐庞大的运算需求，大数据时代下新的计算技术的研究具有重要的研究价值。
考虑到SF6高压断路器在电力系统中的重要性，设计快速而准确的故障诊断系统显得尤为重要。对于SF6高压断路器的故障诊断方法的研究大都是在串行运算环境下，结合人工智能算法进行设计。常用的人工智能算法有基于神经网络、专家系统、支持向量机、模糊理论，使用这些人工智能算法在一定程度上加快了故障信息处理的速度和准确性。但是串行计算极大地限制了故障数据的处理速度和处理效率。对于数据量庞大的电力系统，尤其对于需要实时监控的电力设备，串行计算的故障诊断系统不利于工作人员及时发现并排除故障，从而导致不必要的损失。随着电力设备的数据量日渐庞大，电力系统信息处理已经步入了大数据时代。王德文等采用了Mapreduce计算框架和朴素贝叶斯算法，对电力设备的故障信息进行仿真计算。LinLu等设计了一种基于Hadoop平台并行运算框架的电力能源监测系统。使用Mapreduce框架与基于人工智能的故障诊断算法相结合，可使运算能力更加高效。而针对大数据环境下的故障诊断方法，还有待研究。
发明内容
本发明所要解决的技术问题是提供一种SF6高压断路器故障诊断方法，在大数据环境下，提高SF6高压断路器故障信息的处理速度。
为解决上述技术问题，本发明提供一种基于Mapreduce的SF6高压断路器故障诊断方法，包括以下步骤：
1)在Linux系统环境下创建Hadoop用户，初始化Mapreduce框架；
2)选取SF6高压断路器的六种典型的故障状态及五种故障征兆；
3)获取SF6高压断路器合闸线圈的电压值、电流值和电流有效时间值，调整数据格式，将调整后的数据导入搭建好的Hadoop平台：
导入过程为：对于获得的SF6高压断路器的原始故障数据，按照SF6高压断路器序号、电压值、电流值和电流时间有效值的顺序，每行对应一个SF6高压断路器，储存为Hadoop平台下的txt文件；
4)根据对应关系决策表建立选取的六种典型故障与五种故障征兆的信度函数分配；
5)基于D-S证据理论，在Mapreduce并行运算框架下，对故障和故障征兆的信度分配进行数据融合，获得融合后的故障信度函数分配；
6)对于融合后得到的故障函数信度分配，判断找出信度最大的故障，在Reduce阶段输出结果。
上述步骤1)中，Mapreduce框架初始化包括以下步骤：
11)使用语句sudo useradd-m hadoop-s/bin/bash,sudo passwd hadoop,sudoadduser hadoop sudo创建Hadoop用户并设置密码，创建可以登陆的hadoop用户，并为hadoop用户增加管理员权限；
12)使用语句sudo apt-get install openssh-server，ssh localhost安装SSH，配置SSH无密码登陆，实现远程登陆；
13)退出的SSH，利用ssh-keygen生成密钥，并将密钥加入到授权中，免密登陆SSH；
14)在终端输入指令start-all.sh启动所有进程。
上述步骤2)中，选取的六种典型的故障状态，分别为：D1分(合)闸线圈铁心配合精度差；D2分(合)闸线圈短路；D3分(合)闸线圈烧毁、断线；D4与铁芯顶杆连接的锁扣和阀门变形、移位；D5辅助开关及分(合)闸接触器接触不良；D6直流电源和系统辅助电源故障。
选取的五种SF6高压断路器故障征兆，分别为：K1合闸线圈电流有效值过小(1.6A-1.8A)；K2合闸线圈电流有效值过大(2.2A-2.4A)；K3合闸线圈电流时间过短(56ms-60ms)；K4合闸线圈电流时间过长(64ms-68ms)；K5合闸线圈两端电压异常(210V-230V)。
上述步骤3)中，根据对应关系决策表确定的故障与故障征兆之间的信度函数分配如表1所示：
表1故障与征兆的信度函数分配
Num D1 D2 D3 D4 D5 D6
K1 0.001 0.001 0.80 0.001 0.10 0.10
K2 0.30 0.50 0.001 0.05 0.15 0.001
K3 0.001 0.50 0.50 0.001 0.001 0.001
K4 0.60 0.001 0.001 0.40 0.001 0.001
K5 0.001 0.001 0.55 0.001 0.001 0.45
上述步骤5)中，SF6高压断路器的故障征兆信度函数分配m1、m2和m3在MapReduce的Map阶段进行数据融合，得到最终的故障信度分配m并找出最大信度的故障，输出<key,value>键值对。其中，key为SF6高压断路器编号，value为故障类型。计算融合后的故障信度函数分配的步骤可为：
51)判断若故障征兆(故障函数信度分配)个数少于一个，由于证据不足，无法判断故障类型；
52)判断若故障征兆个数大于一个，则计算中间信度分配m12，所有信度函数乘积之和C12：
其中，m1和m2分别为对应同一辨识框架θ上，针对某一SF6高压断路器的两个传感器获得的故障征兆信度函数分配，其中，根据D-S联合规则，焦元分别为A1，A2，…，Ak和B1，B2，…，Bk，表示该SF6高压断路器在该种故障征兆下所对应发生相应故障的信度函数分布。C12是包含完全冲突假设的m1和m2的信度所有信度函数的乘积。
53)计算最终信度函数分配m：
同步骤51)，其中，根据D-S联合规则，m12和m3焦元分别为A1，A2，…，Ak和B1，B2，…，Bk，C是包含完全冲突假设的m12和m3的信度所有信度函数的乘积，根据式(5)和式(6)，融合中间信度分配m12和第三个故障征兆m3，计算最终的故障信度函数分配。
上述步骤6)中，在Reduce阶段输出结果的步骤为：Reduce过程对Map阶段的输出进行归并，以SF6高压断路编号排序，最后Reduce函数的输出每个高压断路器的运行状态，是正常或出现某类故障。
本发明所达到的有益效果：
本发明将MapReduce计算框架和D-S证据理论数据融合算法结合起来，处理SF6高压断路器故障信息。用D-S证据理论设计故障信息数据融合算法，融合不同故障征兆的信度分配，提高了对SF6高压断路器故障判断的准确性；优化D-S证据理论，自动判断当前获得的故障征兆是否足够得出准确的故障信息；同时将D-S证据理论数据融合算法嵌入MapReduce并行运算框架，在Hadoop平台下，对百兆级数据量的故障信息并行处理，较传统的基于串行运算的故障诊断系统，在处理速度方面得到较大的提升。
附图说明
图1为SF6高压断路器故障信息诊断流程图。
具体实施方式
实施例：
如图1所示，一种基于Mapreduce的SF6高压断路器故障诊断方法，步骤如下：
步骤1在Linux系统环境下创建Hadoop用户，初始化MapReduce框架。初始化分为以下四步：
11)使用语句sudo useradd-m hadoop-s/bin/bash,sudo passwd hadoop,sudoadduser hadoop sudo创建Hadoop用户并设置密码，创建可以登陆的hadoop用户，并为hadoop用户增加管理员权限；
12)使用语句sudo apt-get install openssh-server，ssh localhost安装SSH,配置SSH无密码登陆，实现远程登陆；
13)退出的SSH，利用ssh-keygen生成密钥，并将密钥加入到授权中，免密登陆SSH；
14)在终端输入指令start-all.sh启动所有进程；
步骤2选取六种典型的故障和五种故障征兆
六种典型的故障分别为：D1分(合)闸线圈铁心配合精度差；D2分(合)闸线圈短路；D3分(合)闸线圈烧毁、断线；D4与铁芯顶杆连接的锁扣和阀门变形、移位；D5辅助开关及分(合)闸接触器接触不良；D6直流电源和系统辅助电源故障。
五种SF6高压断路器故障征兆，分别为：K1合闸线圈电流有效值过小(1.6A-1.8A)；K2合闸线圈电流有效值过大(2.2A-2.4A)；K3合闸线圈电流时间过短(56ms-60ms)；K4合闸线圈电流时间过长(64ms-68ms)；K5合闸线圈两端电压异常(210V-230V)。
步骤3调整数据格式
对于获得的SF6原始故障数据，按照SF6高压断路器序号、电压值、电流值和电流时间有效值的顺序，每行对应一个SF6高压断路器，储存为Hadoop平台下的txt文件；
步骤4确定的故障与故障征兆之间的信度函数分配：
根据对应关系决策表确定的故障与故障征兆之间的信度函数分配如表1所示：
表1故障与征兆的信度函数分配
Num D1 D2 D3 D4 D5 D6
K1 0.001 0.001 0.80 0.001 0.10 0.10
K2 0.30 0.50 0.001 0.05 0.15 0.001
K3 0.001 0.50 0.50 0.001 0.001 0.001
K4 0.60 0.001 0.001 0.40 0.001 0.001
K5 0.001 0.001 0.55 0.001 0.001 0.45
步骤5Map阶段融合故障征兆，分为三步：
51)判断若故障征兆(故障函数信度分配)个数少于一个，由于证据不足，无法判断故障类型；
52)判断若故障征兆个数大于一个，则计算中间信度分配m12，所有信度函数乘积之和C12：
其中，m1和m2分别为对应同一辨识框架θ上，针对某一SF6高压断路器的两个传感器获得的故障征兆信度函数分配，其中，根据D-S联合规则，焦元分别为A1，A2，…，Ak和B1，B2，…，Bk，表示该SF6高压断路器在该种故障征兆下所对应发生相应故障的信度函数分布。C12是包含完全冲突假设的m1和m2的信度所有信度函数的乘积。
53)计算最终信度函数分配m：
同步骤51)，其中，根据D-S联合规则，m12和m3焦元分别为A1，A2，…，Ak和B1，B2，…，Bk，C是包含完全冲突假设的m12和m3的信度所有信度函数的乘积，根据式(5)和式(6)，融合中间信度分配m12和第三个故障征兆m3，计算最终的故障信度函数分配。
步骤6判断故障
对得到的最终的故障信度分配m，找出最大信度的故障，输出<key,value>键值对，所述<key,value>键值对中，key为SF6高压断路器编号，value为故障类型。
步骤7Reduce阶段汇总诊断结果
Reduce过程对Map阶段的输出进行归并，以SF6高压断路器编号排序，最后Reduce函数的输出每个高压断路器的运行状态，是正常或出现某类故障。
本发明对于不同数据量的SF6高压断路器故障数据，较串行运算，运算时间比较如表2，当数据量大于10mb时，本发明的处理速度明显高于串行运算：
表2处理时间对比
Num 数据量 串行运算 并行运算
1 1Kb 0.7s 32s
2 1Mb 6.3s 29s
3 10Mb 67s 35s
4 100Mb 639s 35s
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于Mapreduce的SF6高压断路器故障诊断方法，其特征在于，包括以下步骤：
1)在Linux系统环境下创建Hadoop用户，初始化Mapreduce框架；
2)选取SF6高压断路器的六种典型的故障状态及五种故障征兆；
3)获取SF6高压断路器合闸线圈的电压值、电流值和电流有效时间值，调整数据格式，将调整后的数据导入搭建好的Hadoop平台；
导入过程为：对于获得的SF6高压断路器的原始故障数据，按照SF6高压断路器序号、电压值、电流值和电流时间有效值的顺序，每行对应一个SF6高压断路器，储存为Hadoop平台下的txt文件；
4)根据对应关系决策表建立选取的六种典型故障与五种故障征兆的信度函数分配；
5)基于D-S证据理论，在Mapreduce并行运算框架下，对故障和故障征兆的信度分配进行数据融合，获得融合后的故障信度函数分配；
6)对于融合后得到的故障函数信度分配，判断找出信度最大的故障，在Reduce阶段输出结果。
2.根据权利要求1所述的基于Mapreduce的SF6高压断路器故障诊断方法，其特征在于：在所述步骤1)中，使用的Linux系统为ubuntu16.04，Hadoop版本为2.6.0，MapReduce配置为完全分布式。
3.根据权利要求1所述的基于Mapreduce的SF6高压断路器故障诊断方法，其特征在于：所述步骤1)中初始化MapReduce框架步骤如下：
31)创建Hadoop用户并设置密码，创建能够登陆的hadoop用户，并为hadoop用户增加管理员权限；
32)安装SSH,配置SSH无密码登陆，实现远程登陆；
33)退出SSH，利用ssh-keygen生成密钥，并将密钥加入到授权中，免密登陆SSH；
34)在终端输入指令start-all.sh启动所有进程。
4.根据权利要求1所述的基于Mapreduce的SF6高压断路器故障诊断方法，其特征在于：在所述步骤2)中，选取的六种典型的故障状态分别为：
D1分或合闸线圈铁心配合精度差；
D2分或合闸线圈短路；
D3分或合闸线圈烧毁、断线；
D4与铁芯顶杆连接的锁扣和阀门变形、移位；
D5辅助开关及分或合闸接触器接触不良；
D6直流电源和系统辅助电源故障；
选取的五种SF6高压断路器故障征兆分别为：
K1合闸线圈电流有效值过小；
K2合闸线圈电流有效值过大；
K3合闸线圈电流时间过短；
K4合闸线圈电流时间过长；
K5合闸线圈两端电压异常。
5.根据权利要求1所述的基于Mapreduce的SF6高压断路器故障诊断方法，其特征在于：在所述步骤5)中，计算融合后的故障信度函数分配的步骤如下：
51)判断若故障征兆个数少于一个，由于证据不足，无法判断故障类型；
52)判断若故障征兆个数大于一个，则计算中间信度分配m12，所有信度函数乘积之和C12：
<mrow> <msub> <mi>C</mi> <mn>12</mn> </msub> <mo>=</mo> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>A</mi> <mo>=</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>&amp;cap;</mo> <msub> <mi>B</mi> <mi>j</mi> </msub> </mrow> </msub> <msub> <mi>m</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>m</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>B</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow>
其中，m1和m2分别为对应同一辨识框架θ上，针对某一SF6高压断路器的两个传感器获得的故障征兆信度函数分配，其中，根据D-S联合规则，焦元分别为A1，A2，…，Ak和B1，B2，…，Bk，表示该SF6高压断路器在该种故障征兆下所对应发生相应故障的信度函数分布；C12是包含完全冲突假设的m1和m2的信度所有信度函数的乘积；
53)同步骤51)，根据D-S联合规则，m12和m3焦元分别为A1，A2，…，Ak和B1，B2，…，Bk，C是包含完全冲突假设的m12和m3的信度所有信度函数的乘积，融合中间信度分配m12和第三个故障征兆m3，计算最终的故障信度函数分配m；
<mrow> <mi>C</mi> <mo>=</mo> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>A</mi> <mo>=</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>&amp;cap;</mo> <msub> <mi>B</mi> <mi>j</mi> </msub> </mrow> </msub> <msub> <mi>m</mi> <mn>12</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>m</mi> <mn>3</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>B</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
6.根据权利要求1所述的基于Mapreduce的SF6高压断路器故障诊断方法，其特征在于：所述步骤6)中判断找出信度最大的故障的方法如下：
SF6高压断路器的故障征兆信度函数分配m1、m2和m3在Mapreduce的Map阶段进行数据融合，得到最终的故障信度分配m并找出最大信度的故障，输出<key,value>键值对；所述<key,value>键值对中，key为SF6高压断路器编号，value为故障类型。
7.根据权利要求1所述的基于Mapreduce的SF6高压断路器故障诊断方法，其特征在于：在所述步骤6)中，在Reduce阶段输出结果的过程为：Reduce过程对Map阶段的输出进行归并，以SF6高压断路编号排序，最后Reduce函数的输出每个高压断路器的运行状态，是正常或出现某类故障。
CN201710966206.3A 2017-10-17 2017-10-17 基于Mapreduce计算框架的SF6高压断路器故障诊断方法 Active CN107807328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710966206.3A CN107807328B (zh) 2017-10-17 2017-10-17 基于Mapreduce计算框架的SF6高压断路器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710966206.3A CN107807328B (zh) 2017-10-17 2017-10-17 基于Mapreduce计算框架的SF6高压断路器故障诊断方法

Publications (2)

Publication Number Publication Date
CN107807328A true CN107807328A (zh) 2018-03-16
CN107807328B CN107807328B (zh) 2020-04-07

Family

ID=61585041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710966206.3A Active CN107807328B (zh) 2017-10-17 2017-10-17 基于Mapreduce计算框架的SF6高压断路器故障诊断方法

Country Status (1)

Country Link
CN (1) CN107807328B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108548970A (zh) * 2018-04-03 2018-09-18 国网江苏省电力有限公司电力科学研究院 一种基于d-s证据理论的继电保护装置自动化测试模板
CN109581215A (zh) * 2019-01-16 2019-04-05 广西电网有限责任公司电力科学研究院 一种具有综合试验功能的高压断路器智能检测系统
CN112666451A (zh) * 2021-03-15 2021-04-16 南京邮电大学 一种集成电路扫描测试向量生成方法
CN114090652A (zh) * 2021-11-12 2022-02-25 国网重庆市电力公司电力科学研究院 一种智能变电站故障诊断与跟踪方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100060468A1 (en) * 2008-09-08 2010-03-11 Elms Robert T Electrical switching apparatus including a trip coil open circuit test circuit and system including the same
CN102289590A (zh) * 2011-08-18 2011-12-21 沈阳工业大学 Sf6高压断路器运行状态评估方法及智能系统
CN105956290A (zh) * 2016-05-06 2016-09-21 国网江苏省电力公司检修分公司 一种基于多数据融合技术的高压断路器机械故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100060468A1 (en) * 2008-09-08 2010-03-11 Elms Robert T Electrical switching apparatus including a trip coil open circuit test circuit and system including the same
CN102289590A (zh) * 2011-08-18 2011-12-21 沈阳工业大学 Sf6高压断路器运行状态评估方法及智能系统
CN105956290A (zh) * 2016-05-06 2016-09-21 国网江苏省电力公司检修分公司 一种基于多数据融合技术的高压断路器机械故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王德文 等: "基于Mapreduce的电力设备并行故障诊断方法", 《电力自动化设备》 *
程磊 等: "D-S证据理论在断路器故障诊断中的应用", 《高压电器》 *
葛葆华: "高压断路器状态监测与故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108548970A (zh) * 2018-04-03 2018-09-18 国网江苏省电力有限公司电力科学研究院 一种基于d-s证据理论的继电保护装置自动化测试模板
CN109581215A (zh) * 2019-01-16 2019-04-05 广西电网有限责任公司电力科学研究院 一种具有综合试验功能的高压断路器智能检测系统
CN112666451A (zh) * 2021-03-15 2021-04-16 南京邮电大学 一种集成电路扫描测试向量生成方法
CN112666451B (zh) * 2021-03-15 2021-06-29 南京邮电大学 一种集成电路扫描测试向量生成方法
CN114090652A (zh) * 2021-11-12 2022-02-25 国网重庆市电力公司电力科学研究院 一种智能变电站故障诊断与跟踪方法

Also Published As

Publication number Publication date
CN107807328B (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN107807328A (zh) 基于Mapreduce计算框架的SF6高压断路器故障诊断方法
EP2985920B1 (en) Real time, automatic diagnostic system and method for electric networks
Wang et al. Quantitative evaluation of human-reliability based on fuzzy-clonal selection
CN112834865B (zh) 一种电力系统二次回路故障快速查找器
Uthitsunthorn et al. Optimal overcurrent relay coordination using genetic algorithms
JP2013172644A (ja) 取得データの誤り補正のための装置及び方法
Dong et al. Assessing the influence of an individual event in complex fault spreading network based on dynamic uncertain causality graph
Tan et al. Power grid fault diagnosis method using intuitionistic fuzzy petri nets based on time series matching
CN106169749B (zh) 一种配电网中关联信息拓扑分析的建模方法与系统
Ji et al. Research on self healing technology of smart distribution network based on multi Agent system
Li et al. A comprehensive method for fault location of active distribution network based on improved matrix algorithm and optimization algorithm
CN109932617B (zh) 一种基于深度学习的自适应电网故障诊断方法
CN101520647B (zh) 一种闭锁逻辑自动验证方法
CN105514925B (zh) 一种基于遗传算法的750kV变电站故障恢复方法
Zhang et al. An analytical method for mapping alarm information to model of power grid fault diagnosis
Wang et al. Application of weighted fuzzy reasoning spiking neural P systems to fault diagnosis in traction power supply systems of highspeed railways
CN110601261B (zh) 基于感控逻辑的微网控制器业务逻辑一致性分析方法
Guan et al. Contingency-based nodal market operation using intelligent economic alarm processor
CN106159987A (zh) 一种直流电网拓扑及故障隔离系统快速恢复的方法
Shamsudin et al. Losses minimization in network reconfiguration for fault restoration via a uniform crossover of genetic algorithm
Yu et al. Fault diagnosis of power transmission line based on elgamal encryption algorithm
CN109066675A (zh) 一种用于配电网广域自愈系统的拓扑配置方法
CN103558510A (zh) 一种考虑警报信息不确定性的电力系统故障诊断方法
Lv et al. Multi‐resolution modelling method based on time‐state‐machine in complex distribution network
CN113177404B (zh) 一种电力五防逻辑校验方法

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
GR01 Patent grant
GR01 Patent grant