CN107843779B - 一种基于模糊聚类的电力系统故障录波分类分析方法和系统 - Google Patents
一种基于模糊聚类的电力系统故障录波分类分析方法和系统 Download PDFInfo
- Publication number
- CN107843779B CN107843779B CN201710882922.3A CN201710882922A CN107843779B CN 107843779 B CN107843779 B CN 107843779B CN 201710882922 A CN201710882922 A CN 201710882922A CN 107843779 B CN107843779 B CN 107843779B
- Authority
- CN
- China
- Prior art keywords
- fault
- information acquisition
- matrix
- membership
- point
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000010224 classification analysis Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 230000010355 oscillation Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
-
- H02J13/0017—
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一种基于模糊聚类的电力系统故障录波分类分析方法和系统,包括:初始化:故障类型个数c设定,故障类型包括:短路故障、系统振荡、频率崩溃、电压崩溃,迭代次数t=0,设定加权指数,电力系统故障录波数据采集,更新隶属程度矩阵U,更新故障类型类心矩阵V,根据不同的故障类型和隶属度启动不同的保护策略。本发明解决了电力系统故障类型不能自动分类问题,且在现有的电力系统故障问题发现时不能够智能提供合理的启动保护以及故障问题解决效率较低的问题。
Description
技术领域
本发明涉及电力系统故障录波领域,具体地涉及一种基于模糊聚类的电力系统故障录波分类分析方法和系统。
背景技术
目前,我国电力系统故障录波发展迅猛,它可以自动准确地记录故障前后过程中各种电气量的变化情况,记录系统频率的全过程变化现象,以及记载暂态信息,通过对这些信息的记录对电力故障发生原因提供一定的参考价值,录波器是独立于保护之外的记录设备,通过记载模拟量和开关量来真实反应事故情况,是判断事故发展过程的最有效的工具。
但是大量的录波数据蕴藏着大量有用信息,如果合理利用大数据处理,提取所需要的信息,现有的电力故障分析还未有对故障进行分类并智能进行选择保护方式的方法和系统,为电力故障及时发现问题并采取对应措施还未有相关研究。通过对这些电气量的分析比较,可以为分析处理事故,判断保护是否正确动作提供科学依据,故障录波器起动方式的选择,应保证在系统发生任何类型故障时,故障录波器都能可靠的启动,对保证电力系统的安全具有重要意义。
现有技术中,电力系统故障类型自动分类问题鲜有涉及,且在现有的电力系统故障问题发现时不能够智能提供合理的启动保护问题,以及故障问题解决效率较低的问题。
发明内容
为解决上述技术问题,本发明提供一种基于模糊聚类的电力系统故障录波分类分析方法,其特征在于,包括:
步骤S1:初始化:故障类型个数c设定,故障类型包括:短路故障、系统振荡、频率崩溃、电压崩溃,迭代次数t=0,设定加权指数m,其中m>1,加权指数m越大表示模糊程度越大,电力系统故障录波数据采集,包括电气量信息采集、时间信息采集、通道数量信息采集、采样速率信息采集、频率信息采集;
步骤S2:更新隶属程度矩阵U,其中隶属程度矩阵U通过计算电力系统故障录波数据得到;
步骤S3:更新故障类型类心矩阵V,其中故障类型类心矩阵V是隶属程度矩阵U与每种故障类型计算形成;
步骤S4:令t=t+1,当max|uik t-uik t-1|<ε或者t>N时,停止,否则转向步骤S2,其中ε是设定临界阈值,N为次数阈值;
步骤S5:求解出最终的隶属度矩阵U和故障类型类心矩阵V,根据不同的故障类型类心矩阵的隶属度启动不同的保护策略,保护启动包括负序电压、低电压、过电流、零序电流、零序电压;
其中:uik表示故障信息采集数据点对类心点的隶属度,i,k为参数量。
可选的,所述电气量信息包括电压、电流、负荷、通信信道信号。
可选的,故障类型类心矩阵V中的类心点vi中每个元素vil(l=1,2,...,p)的更新公式如下:
其中,uik表示故障信息采集数据点xk对类心点vi的隶属度;m为加权指数,n为故障数据点总个数,k为变量。
可选的,隶属度uik的更新公式为:
其中,d(xk;vi)表示故障信息采集数据点xk到类心点vi的距离,d(xk;vj)表示故障信息采集数据点xk到类心点vj的距离。
本发明还公开了一种基于模糊聚类的电力系统故障录波分类分析系统,其特征在于,包括:初始化模块,故障类型个数c设定,故障类型包括:短路故障、系统振荡、频率崩溃、电压崩溃,迭代次数t=0,设定加权指数m,其中m>1,加权指数m越大表示模糊程度越大,电力系统故障录波数据采集,包括电气量信息采集、时间信息采集、通道数量信息采集、采样速率信息采集、频率信息采集;
隶属程度矩阵U更新模块,其中隶属程度矩阵U通过计算电力系统故障录波数据得到;
故障类型类心矩阵V更新模块,其中故障类型类心矩阵V是隶属程度矩阵U与每种故障类型计算形成;
判断模块、令t=t+1,当max|uik t-uik t-1|<ε或者t>N时,停止,否则转向步骤S2,其中ε是设定临界阈值,N为次数阈值,其中:uik表示故障信息采集数据点对类心点的隶属度,i,k为参数量;
启动保护模块、求解出最终的隶属度矩阵U和故障类型类心矩阵V,根据不同的故障类型类心矩阵的隶属度启动不同的保护策略,保护启动包括负序电压、低电压、过电流、零序电流、零序电压。
可选的,所述电气量信息包括电压、电流、负荷、通信信道信号。
可选的,可选的,故障类型类心矩阵V中的类心点vi中每个元素vil(l=1,2,...,p)的更新公式如下:
其中,uik表示故障信息采集数据点xk对类心点vi的隶属度;m为加权指数,n为故障数据点总个数,k为变量。
可选的,隶属度uik的更新公式为:
其中,d(xk;vi)表示故障信息采集数据点xk到类心点vi的距离,d(xk;vj)表示故障信息采集数据点xk到类心点vj的距离。
与现有技术相比,本发明的技术方案具有以下有益效果:
解决了电力系统故障类型自动分类研究较少,且在现有的电力系统故障问题发现时不能够智能提供合理的启动保护以及故障问题解决效率较低的问题。
附图说明
图1是本发明实施例一种基于模糊聚类的电力系统故障录波分类分析方法的流程图;
图2是本发明某一实施例中基于模糊聚类的电力系统故障录波分类分析系统通信方式结构示意图;
图3是本发明某一实施例中基于模糊聚类的电力系统故障录波分类分析系统通信方式结构示意图。
具体实施方式
本领域技术人员理解,如背景技术所言,现有技术存针对电力系统故障类型自动分类研究较少,且在现有的电力系统故障问题发现时不能够智能提供合理的启动保护问题,以及故障问题解决效率较低的问题还没有很好的解决。为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是一种基于模糊聚类的电力系统故障录波分类分析方法流程图,在具体实施过程中,步骤S1:初始化:故障类型个数c设定,一般设定为c=3到8种常发生的故障类型,例如故障类型设置为:短路故障、系统振荡、频率崩溃、电压崩溃,初始化过程中的迭代次数t=0,t最终的迭代次数与约束条件相关,设定加权指数m其中m>1,加权指数m越大表示模糊程度越大,电力系统故障录波数据采集,包括电气量信息采集、时间信息采集、通道数量信息采集、采样速率信息采集、频率信息采集;这些信息构成二维或多维信息组合,通过这些组合,对数据通过模糊聚类算法进行处理,得到需要的数据,进而进行判断;
步骤S2:更新隶属程度矩阵U,其中隶属程度矩阵U通过计算电力系统故障录波数据得到;
步骤S3:更新故障类型类心矩阵V,其中故障类型类心矩阵V是隶属程度矩阵U与每种故障类型计算形成;
步骤S4:令t=t+1,当max|uik t-uik t-1|<ε或者t>N时,停止,否则转向步骤S2,其中ε是设定临界阈值,N为次数阈值;
步骤S5:求解出最终的隶属度矩阵U和故障类型类心矩阵V,根据不同的故障类型和隶属度启动不同的保护策略,保护启动包括负序电压、低电压、过电流、零序电流、零序电压;
其中:uik表示故障信息采集数据点对类心点的隶属度,i,k为参数量。
具体实施中,电气量信息包括电压、电流、负荷、通信信道信号等常用的几种信息,在一些实施例中,还包括对频率振动、具体气体参数信号的采集;
在一个优选例中,核心思想在于优化(最小化)一个目标函数,该目标函数的定义如下式所示:
其中,uik表示故障信息采集数据点xk对类心点vi的隶属度;d(xk;vi)表示故障信息采集数据点xk到类心点vi的距离。所以,U为c*n的隶属度矩阵,X是n*p的待分类数据集矩阵,p为体素点的维数,V为c*p的故障类型类心矩阵。
目标函数的优化过程中需要满足的约束条件为:
在一个优选例中,故障类型类心矩阵V中的类心点vi中每个元素vil(l=1,2,...,p)的更新公式如下:
其中,uik表示故障信息采集数据点xk对类心点vi的隶属度;m为加权指数,n为故障数据点总个数,k为变量。
在一个优选例中,隶属度uik的更新公式为:
其中,d(xk;vi)表示故障信息采集数据点xk到类心点vi的距离,d(xk;vj)表示故障信息采集数据点xk到类心点vj的距离。
图2、3是本发明实施例一种基于身份识别的电力系统网络安全系统的结构示意图。
本实施例中,一种基于模糊聚类的电力系统故障录波分类分析系统,在具体实施过程中,如图2所示:录波采集模块将采集到的信号通过电话网将数据传输到远方录波主站,这样可以和电网的数据传输分离,提高了数据传输安全性,其中,初始化模块:故障类型个数c设定,一般设定为c=3到8种常发生的故障类型,例如故障类型设置为:短路故障、系统振荡、频率崩溃、电压崩溃,初始化过程中的迭代次数t=0,t最终的迭代次数与约束条件相关,设定加权指数m,其中m>1,加权指数m越大表示模糊程度越大,电力系统故障录波数据采集,包括电气量信息采集、时间信息采集、通道数量信息采集、采样速率信息采集、频率信息采集;这些信息构成二维或多维信息组合,通过这些组合,对数据通过模糊聚类算法进行处理,得到需要的数据,进而进行判断;
隶属程度矩阵U更新模块,其中隶属程度矩阵U通过计算电力系统故障录波数据得到;
故障类型类心矩阵V更新模块,其中故障类型类心矩阵V是隶属程度矩阵U与每种故障类型计算形成;
判断模块、令t=t+1,当max|uik t-uik t-1|<ε或者t>N时,停止,否则转向步骤S2,其中ε是设定临界阈值,N为次数阈值,其中:uik表示故障信息采集数据点对类心点的隶属度,i,k为参数量;
启动保护模块、求解出最终的隶属度矩阵U和故障类型类心矩阵V,根据不同的故障类型类心矩阵的隶属度启动不同的保护策略,保护启动包括负序电压、低电压、过电流、零序电流、零序电压。
可选的,电气量信息包括电压、电流、负荷、通信信道信号等常用的几种信息,在一些实施例中,还包括对频率振动、具体气体参数信号的采集。
在一个优选例中,故障类型类心矩阵V中的类心点vi中每个元素vil(l=1,2,...,p)的更新公式如下:
其中,uik表示故障信息采集数据点xk对类心点vi的隶属度;m为加权指数,n为故障数据点总个数,i,k为变量。
在一个优选例中,隶属度uik的更新公式为:
其中,d(xk;vi)表示故障信息采集数据点xk到类心点vi的距离,d(xk;vj)表示故障信息采集数据点xk到类心点vj的距离。
在另外一个优选例中,如图3所示:录波采集模块将采集到的信号通过广域网和路由器将数据传输到远方录波主站,这样不仅提高了数据传输安全性,而且在提升了数据传输效率,广域网一般采用光纤等传输,比电话线的传输稳定性和传输效率大大提高,其中,初始化模块:故障类型个数c设定,一般设定为c=3到8种常发生的故障类型,例如故障类型设置为:短路故障、系统振荡、频率崩溃、电压崩溃,初始化过程中的迭代次数t=0,t最终的迭代次数与约束条件相关,设定加权指数m,其中m>1,加权指数m越大表示模糊程度越大,电力系统故障录波数据采集,包括电气量信息采集、时间信息采集、通道数量信息采集、采样速率信息采集、频率信息采集;这些信息构成二维或多维信息组合,通过这些组合,对数据通过模糊聚类算法进行处理,得到需要的数据,进而进行判断。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (2)
1.一种基于模糊聚类的电力系统故障录波分类分析方法,其特征在于,包括:
步骤S1:初始化:故障类型个数c设定,故障类型包括:短路故障、系统振荡、频率崩溃、电压崩溃,迭代次数t=0,设定加权指数m,其中m>1,加权指数m越大表示模糊程度越大,电力系统故障录波数据采集,包括电气量信息采集、时间信息采集、通道数量信息采集、采样速率信息采集、频率信息采集,信息构成二维或多维信息组合;录波采集模块将采集到的信号通过广域网和路由器将数据传输到远方录波主站;
步骤S2:更新隶属程度矩阵U,其中隶属程度矩阵U通过计算电力系统故障录波数据得到;
步骤S3:更新故障类型类心矩阵V,其中故障类型类心矩阵V是隶属程度矩阵U与每种故障类型计算形成;
步骤S4:令t=t+1,当max|uik t-uik t-1|<ε或者t>N时,停止,否则转向步骤S2,其中ε是设定临界阈值,N为次数阈值;
步骤S5:求解出最终的隶属度矩阵U和故障类型类心矩阵V,根据不同的故障类型和隶属度启动不同的保护策略,保护启动包括负序电压、低电压、过电流、零序电流、零序电压;
其中:uik表示故障信息采集数据点对类心点的隶属度,i,k为参数量,所述电气量信息包括电压、电流、负荷、通信信道信号,故障类型类心矩阵V中的类心点vi中每个元素vil,l=1,2,...p的更新公式如下:
其中,uik表示故障信息采集数据点xk对类心点vi的隶属度;m为加权指数,n为故障数据点总个数,k为变量,隶属度uik的更新公式为:
其中,d(xk;vi)表示故障信息采集数据点xk到类心点vi的距离,d(xk;vj)表示故障信息采集数据点xk到类心点vj的距离。
2.一种基于模糊聚类的电力系统故障录波分类分析系统,其特征在于,包括:初始化模块:故障类型个数c设定,故障类型包括:短路故障、系统振荡、频率崩溃、电压崩溃,迭代次数t=0,设定加权指数m,其中m>1,加权指数m越大表示模糊程度越大,电力系统故障录波数据采集,包括电气量信息采集、时间信息采集、通道数量信息采集、采样速率信息采集、频率信息采集,信息构成二维或多维信息组合;录波采集模块将采集到的信号通过广域网和路由器将数据传输到远方录波主站;
隶属程度矩阵U更新模块,其中隶属程度矩阵U通过计算电力系统故障录波数据得到;
故障类型类心矩阵V更新模块,其中故障类型类心矩阵V是隶属程度矩阵U与每种故障类型计算形成;
判断模块、令t=t+1,当max|uik t-uik t-1|<ε或者t>N时,停止,否则转向步骤S2,其中ε是设定临界阈值,N为次数阈值,其中:uik表示故障信息采集数据点对类心点的隶属度,i、k为参数量;
启动保护模块、求解出最终的隶属度矩阵U和故障类型类心矩阵V,根据不同的故障类型类心矩阵的隶属度启动不同的保护策略,保护启动包括负序电压、低电压、过电流、零序电流、零序电压,所述电气量信息包括电压、电流、负荷、通信信道信号,故障类型类心矩阵V中的类心点vi中每个元素vil,l=1,2,...p的更新公式如下:
其中,uik表示故障信息采集数据点xk对类心点vi的隶属度;m为加权指数,n为故障数据点总个数,k为变量,隶属度uik的更新公式为:
其中,d(xk;vi)表示故障信息采集数据点xk到类心点vi的距离,d(xk;vj)表示故障信息采集数据点xk到类心点vj的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710882922.3A CN107843779B (zh) | 2017-09-26 | 2017-09-26 | 一种基于模糊聚类的电力系统故障录波分类分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710882922.3A CN107843779B (zh) | 2017-09-26 | 2017-09-26 | 一种基于模糊聚类的电力系统故障录波分类分析方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107843779A CN107843779A (zh) | 2018-03-27 |
CN107843779B true CN107843779B (zh) | 2021-03-19 |
Family
ID=61661480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710882922.3A Expired - Fee Related CN107843779B (zh) | 2017-09-26 | 2017-09-26 | 一种基于模糊聚类的电力系统故障录波分类分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107843779B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212347B (zh) * | 2018-08-31 | 2020-11-27 | 西华大学 | 一种基于isos-dbn模型的光伏并网逆变故障特征提取诊断方法 |
CN109685096A (zh) * | 2018-10-25 | 2019-04-26 | 广东电网有限责任公司 | 一种基于模糊聚类的配电变压器分类方法 |
CN112415326B (zh) * | 2020-10-22 | 2022-02-11 | 中国矿业大学 | 一种基于模糊聚类算法的配电网故障区段辨识方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996010744A1 (de) * | 1993-09-30 | 1996-04-11 | Pro Innovatio Forschungszentrum Für Hochtechnologie Und Industrielle Anwendung Gmbh | Verfahren und anordnung zur selektiven erlangung geeigneter grössen zur kontinuierlichen ortsaufgelösten überprüfung der oberflächenparameter |
KR100495771B1 (ko) * | 2001-03-28 | 2005-06-17 | 학교법인 성균관대학 | 뉴로퍼지 네트워크를 이용한 전력계통의 고장검출 및 그판별방법 |
CN104462762A (zh) * | 2014-11-04 | 2015-03-25 | 西南交通大学 | 一种输电线路的模糊故障分类方法 |
CN104808109A (zh) * | 2015-04-23 | 2015-07-29 | 广东电网有限责任公司电力科学研究院 | 基于录波数据的高压输电线路故障识别方法和系统 |
CN105510819A (zh) * | 2016-01-04 | 2016-04-20 | 江苏省电力公司电力科学研究院 | 基于故障录波解析的断路器健康状况评估系统和方法 |
CN106443282A (zh) * | 2016-11-23 | 2017-02-22 | 南京瑞贻电子科技有限公司 | 一种基于事件触发模块的智能录波分析仪及其方法 |
CN106655490A (zh) * | 2016-10-19 | 2017-05-10 | 国网浙江省电力公司温州供电公司 | 一种基于多变电站的故障录波数据融合系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907681B (zh) * | 2010-07-15 | 2012-07-04 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
CN102520341B (zh) * | 2011-12-05 | 2013-12-18 | 南京航空航天大学 | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 |
CN103001328B (zh) * | 2012-11-19 | 2014-06-18 | 山东大学 | 一种智能变电站的故障诊断与评估方法 |
CN103324841B (zh) * | 2013-06-06 | 2016-08-17 | 山东大学 | 基于故障录波器数据的在线动态负荷建模方法 |
CN104155574B (zh) * | 2014-07-31 | 2017-12-15 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
-
2017
- 2017-09-26 CN CN201710882922.3A patent/CN107843779B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996010744A1 (de) * | 1993-09-30 | 1996-04-11 | Pro Innovatio Forschungszentrum Für Hochtechnologie Und Industrielle Anwendung Gmbh | Verfahren und anordnung zur selektiven erlangung geeigneter grössen zur kontinuierlichen ortsaufgelösten überprüfung der oberflächenparameter |
KR100495771B1 (ko) * | 2001-03-28 | 2005-06-17 | 학교법인 성균관대학 | 뉴로퍼지 네트워크를 이용한 전력계통의 고장검출 및 그판별방법 |
CN104462762A (zh) * | 2014-11-04 | 2015-03-25 | 西南交通大学 | 一种输电线路的模糊故障分类方法 |
CN104808109A (zh) * | 2015-04-23 | 2015-07-29 | 广东电网有限责任公司电力科学研究院 | 基于录波数据的高压输电线路故障识别方法和系统 |
CN105510819A (zh) * | 2016-01-04 | 2016-04-20 | 江苏省电力公司电力科学研究院 | 基于故障录波解析的断路器健康状况评估系统和方法 |
CN106655490A (zh) * | 2016-10-19 | 2017-05-10 | 国网浙江省电力公司温州供电公司 | 一种基于多变电站的故障录波数据融合系统 |
CN106443282A (zh) * | 2016-11-23 | 2017-02-22 | 南京瑞贻电子科技有限公司 | 一种基于事件触发模块的智能录波分析仪及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107843779A (zh) | 2018-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107843779B (zh) | 一种基于模糊聚类的电力系统故障录波分类分析方法和系统 | |
CN112858919A (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN111598166B (zh) | 基于主分量分析和Softmax函数的单相接地故障分类方法和系统 | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN109633369B (zh) | 一种基于多维数据相似性匹配的电网故障诊断方法 | |
CN112307906B (zh) | 一种近邻传播聚类下储能电池故障分类特征筛选降维方法 | |
CN104408667A (zh) | 一种电能质量综合评估的方法和系统 | |
CN105654392A (zh) | 一种基于聚类算法的设备家族性缺陷的分析方法 | |
CN109547251B (zh) | 一种基于监控数据的业务系统故障与性能预测方法 | |
CN113902946A (zh) | 电力系统故障方位判别方法、装置、终端设备及存储介质 | |
CN108399579B (zh) | 变电站设备监控数据信号的智能解析系统 | |
CN113743537A (zh) | 基于深层稀疏记忆模型的高速公路机电系统故障分类方法 | |
CN113033678A (zh) | 一种基于自适应对抗网络的锂电池组故障诊断方法 | |
CN114201483A (zh) | 一种基于统计建模的光伏阵列故障诊断方法 | |
CN113687610B (zh) | 一种gan-cnn电力监测系统终端信息防护法方法 | |
CN111044845A (zh) | 基于Apriori算法的配电网事故识别方法及系统 | |
CN106019043A (zh) | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 | |
CN113030616A (zh) | 基于电压暂降监测数据的敏感负荷识别方法 | |
CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN112529395A (zh) | 一种基于fce和svm融合的输电线路典型冰风灾害分析方法 | |
CN106874537B (zh) | 一种电池储能系统运行数据的典型工况构建方法 | |
Li et al. | Multi-source heterogeneous log fusion technology of power information system based on big data and imprecise reasoning theory | |
CN110245617A (zh) | 基于暂态录波波形的人工智能分析方法 | |
CN111143622A (zh) | 基于大数据平台的故障数据集构建方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210319 |