CN109284830A - 一种组合单端行波故障定位算法 - Google Patents
一种组合单端行波故障定位算法 Download PDFInfo
- Publication number
- CN109284830A CN109284830A CN201811427837.9A CN201811427837A CN109284830A CN 109284830 A CN109284830 A CN 109284830A CN 201811427837 A CN201811427837 A CN 201811427837A CN 109284830 A CN109284830 A CN 109284830A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault location
- wave
- fault
- location information
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种组合单端行波故障定位算法,包括以下步骤S1:定义神经网络的拓扑结构,并对其中的权值和阈值进行编码建立初始种群;S2:对初始种群进行求解得到权值和阈值;S3:根据权值和阈值对神经网络经行优化,得到最终的神经网络;S4:采集线路故障时的波头信息,并将波头信息作为最终的神经网络的输入,得到初步的故障位置信息;S5:根据初步的故障位置信息进行以下选择,得到最终的故障位置信息。本发明针对中段部分的故障定位采取一种新型的测距公式,两端使用传统的测距公式,两者相互结合既保留了传统单端故障测距的优势,又提高了精度。
Description
技术领域
本发明涉及配网故障源定位技术领域,更具体地,涉及一种组合单端行波故障定位算法。
背景技术
配网线路测距一般是根据故障发生时通过检测线路保护安装处的电压、电流量来寻找故障特征,并由此确定多分支线路中故障点位置的过程。快速准确的故障定位可以大大减轻工作人员的巡线工作量,减小停电范围,尽可能地保障系统供电的可靠性。因此,一直以来,国内外大量电力方面的专家学者都在竭力研究提高配网线路故障测距准确度的方法。
迄今为止,配网线路故障测距方法种类繁多,也有很多分类方法,但大体上可以按照故障测距的原理或者测距所需信号来源来划分。根据故障测距原理,可以将主流测距方法分为阻抗法、故障分析法、固有频率法以及行波法四种,而按照测距信号来源,则又可以分为单端法和双端法。近年来,随着智能算法的兴起与发展,除了上述传统的测距方法外,一些新的算法与装置,如模糊神经网络、OPGW(光纤复合架空地线)等,开始逐渐被应用于配网线路故障测距,虽然它们均有各自的可优势,但同时也存在一定的局限性。
发明内容
本发明克服了现有的缺陷,提供了一种新的组合单端行波故障定位算法。本发明针对中段部分的故障定位采取一种新型的测距公式,两端使用传统的测距公式,两者相互结合既保留了传统单端故障测距的优势,又提高了精度。
为解决上述技术问题,本发明的技术方案如下:
一种组合单端行波故障定位算法,其特征在于,包括以下步骤:
S1:定义神经网络的拓扑结构,并对其中的权值和阈值进行编码建立初始种群;
S2:对初始种群进行求解得到权值和阈值;
S3:根据权值和阈值对神经网络经行优化,得到最终的神经网络;
S4:采集线路故障时的波头信息,并将波头信息作为最终的神经网络的输入,得到初步的故障位置信息;
S5:根据初步的故障位置信息进行以下选择,得到最终的故障位置信息:
若初步的故障位置信息d0小于线路长度L的一半,则执行以下运算:
所述的t1表示第一个波头到达母线M端的时间;所述的t2表示第二个波头到达母线M端的时间;所述的t3表示第三个波头到达母线M端的时间;所述的v表示故障行波的速度;
通过d1和d2进行如下计算:
所述的D0表示初步的故障位置信息d0的归一化数值;所述的D表示最终的故障位置信息;
若初步的故障位置信息d0不小于线路长度L的一半,则执行以下运算:
所述的t1表示第一个波头到达母线M端的时间;所述的t2表示第二个波头到达母线M端的时间;所述的t3表示第三个波头到达母线M端的时间;所述的v表示故障行波的速度;
通过d1和d2进行如下计算:
所述的D0表示初步的故障位置信息d0的归一化数值;所述的D表示最终的故障位置信息。
本发明中,在配网线路上发生故障时,其电压、电流行波在导线上传播的过程中若遇到母线等波阻抗突变点就会发生折射或者反射现象。由于母线波阻抗一般比线路波阻抗小,使得故障点反射波与初始行波具有相同的极性。母线M端检测到的故障初始行波与从故障点反射回到母线M端的行波之间相隔的时间差等于行波在母线M端与故障点之间来回一次所需要的时间Δt,故由此可以计算故障距离。
对于传统单端测距的A型测距法,如图4所示。在线路上,设t=t0时刻在F处发生了短路故障,F处到线路M端和N端的距离分别等于d1和d2,整条线路的总长等于L。故障初始行波与从故障点反射的行波到达M端的时刻分别等于t1、t2,易得故障点到M端的距离。
上述传统单端行波测距主要是采用从故障点发出的正向故障行波到达M端的时间t1与其经故障点反射第二次抵达M端的时间t2的差值进行故障定位计算,不计从对端母线传来的反射波的行波信息。但是当d1>L/2时,来自对端母线的反射波将比故障点反射波更早到达被测量的M端,如附图2(b),会被认为是干扰项而被剔除。事实上,经对端母线反射到达M端的行波也可以用来进一步精确计算该段线路一定范围内的故障位置。仅需要采集前2个和前3个到达的行波波头的时间进行判断,分类讨论测距公式。得到的结果可以作为传统单端行波测距的优化值。
与此同时,本发明根据故障发生点的不同有一定的适用范围。根据故障发生位置的不同可以分为以下4种情况:
(1)情况1:当故障点发生在线路中间段且d1>L/2时(见附图2(a)),t3<t2,M端测量到的前3个波头依次为故障初始正向行波、来自对端母线的反射波和来自故障点的反射波。
(2)情况2:当故障点发生在线路中间段且d1<L/2时(见附图2(b)),t3>t2,M端测量到的前3个波头依次为故障初始正向行波、来自故障点的反射波和来自对端母线的反射波。
(3)情况3:当故障点发生靠近线路两端且d1>L/2时,(见附图2(c)),M端测量到的前3个波头依次为故障初始正向行波、来自对端母线的反射波和来自对端母线的二次反射波。
(4)情况4:当故障点发生点靠近线路两端且d1<L/2时,(见附图2(d)),M端测量到的前3个波头依次为故障初始正向行波、来自故障点的反射波和来自故障点的二次反射波。
在第(3)、(4)种情况下,M端采集到的第三个波头的时间采样没有计算意义。故在故障点靠近线路两端时,适合采用传统单端测距方法,在线路中间段发生故障时,宜采用改进方法对传统测距方法进行优化。两种方式进行互补取优。具体见表1。
表1不同位置故障点下的测距公式
在一种优选的方案中,所述的S3包括以下流程:
S3.1:将权值和阈值赋予到神经网络,训练神经网络的样本和神经网络;
S3.2:测试神经网络的样本,得到神经网络的误差;
S3.3:判断神经网络的误差是否满足要求,若满足要求则采用该神经网络模型,执行S4;若不满足要求则通过遗传算法对神经网络的阈值和权值进行优化,执行S3.1。
本优选方案中,用遗传算法优化BP神经网络的目地是使得网络期望值无限接近预测值,将误差降低到最小,因此把测试样本的期望值与预测值的差值设为目标函数的输出。因此,相比传统单一神经网络的优化效果,在结合BP神经网络进行局部搜索以及遗传算法进行神经网络全局寻优的情况下,可以取得更加理想的故障点位置预测效果。
在一种优选的方案中,所述的神经网络是BP神经网络。
在一种优选的方案中,所述的S3.1包括以下内容:
输入层:对应输入变量为B[Δt1Δt2b1b2b3];
式中,所述的Δt1=t2-t1;所述的Δt2=t3-t2;所述的b1、b2、b3分别代表三个波头的极性,以数字1代表其极性为正,以数字-1代表其极性为负;
隐含层:隐含层的节点数l通过下式进行计算:
式中,所述的α代表认为预设值,且取值范围是[1,10];
且隐含层使用的传递函数是tansig函数。原因:相对于logsig函数(0,1)的映射区间,tansig函数可以映射到(-1,1),即故障点到M端的距离相较于整段线路长度的百分数。由于输出量范围在(0,1)之间,其非饱和区域更大,收敛速度相对更快。
输出层:对应的输出变量只有一个,即故障点到M端的距离相较于整段线路长度的百分数。由于输出量范围在(0,1)之间,故输出层使用的传递函数是logsig函数。
本优选方案中,隐含层的节点的数目会影响训练效果,若节点数太多,精度可以越高,但会增加训练时间,可能会导致算法最终无法收敛,网络的稳定性能也会下降;若节点数太少,不足以概括样本规律,则可能影响算法的预测精度,导致训练失效。根据不同的隐含层节点数进行网络训练,并分析其对比误差。误差趋势如表2和图3所示。
表2隐含层不同节点数对应网络误差
在一种优选的方案中,所述的隐含层的节点数l=8。
本优选方案中,在隐含层达到8个节点时,误差达到了0.001的数量级,已满足精度要求且留有一定裕度。
与现有技术相比,本发明技术方案的有益效果是:
本发明针对中段部分的故障定位采取一种新型的测距公式,两端使用传统的测距公式,两者相互结合既保留了传统单端故障测距的优势,又提高了精度。
附图说明
图1为实施例的流程图。
图2为单端行波故障测距原理分类图。
图3为隐含层不同节点数对应的网络输出误差示意图。
图4为A型测距原理图。
图5为遗传算法优化效果对比图。
图6为基于遗传算法优化的神经网络模型流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示,一种组合单端行波故障定位算法,其特征在于,包括以下步骤:
S1:定义BP神经网络的拓扑结构,并对其中的权值和阈值进行编码建立初始种群;
S2:对初始种群进行求解得到权值和阈值;
S3:根据权值和阈值对神经网络经行优化,得到最终的BP神经网络:
S3.1:将权值和阈值赋予到BP神经网络,训练BP神经网络的样本和BP神经网络;
输入层:对应输入变量为B[Δt1Δt2b1b2b3];
式中,所述的Δt1=t2-t1;所述的Δt2=t3-t2;所述的b1、b2、b3分别代表三个波头的极性,以数字1代表其极性为正,以数字-1代表其极性为负;
隐含层:隐含层的节点数l=8;
且隐含层使用的传递函数是tansig函数;
输出层:对应的输出变量只有一个,且输出层使用的传递函数是logsig函数;
其中,神经网络模型的学习速率设置为0.1;神经网络模型的最大训练次数设置为1000;神经网络模型的训练目标误差设置为0.0001。
S3.2:测试BP神经网络的样本,得到BP神经网络的误差;
S3.3:判断BP神经网络的误差是否小于0.01,若满足要求则采用该BP神经网络模型,执行S4;若不满足要求则通过遗传算法对BP神经网络的阈值和权值进行优化,如图6中的所示,执行S3.1;其中,遗传算法的种群大小设置为10,进化代数设置为15,交叉概率设置为0.2,变异概率设置为0.1。
S4:采集线路故障时的波头信息,并将波头信息作为最终的神经网络的输入,得到初步的故障位置信息;
S5:根据初步的故障位置信息进行以下选择,得到最终的故障位置信息:
若初步的故障位置信息d0小于线路长度L的一半,则执行以下运算:
所述的t1表示第一个波头到达母线M端的时间;所述的t2表示第二个波头到达母线M端的时间;所述的t3表示第三个波头到达母线M端的时间;所述的v表示故障行波的速度;
通过d1和d2进行如下计算:
所述的D0表示初步的故障位置信息d0的归一化数值;所述的D表示最终的故障位置信息;
若初步的故障位置信息d0不小于线路长度L的一半,则执行以下运算:
所述的t1表示第一个波头到达母线M端的时间;所述的t2表示第二个波头到达母线M端的时间;所述的t3表示第三个波头到达母线M端的时间;所述的v表示故障行波的速度;
通过d1和d2进行如下计算:
所述的D0表示初步的故障位置信息d0的归一化数值;所述的D表示最终的故障位置信息。
本实施例的效果对比图如图6所示。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;例如实施例中通过GPRS模块进行通信,还可以通过蓝牙模块或者WIFI模块进行通信,也是可行,且满足实际需求的。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种组合单端行波故障定位算法,其特征在于,包括以下步骤:
S1:定义神经网络的拓扑结构,并对其中的权值和阈值进行编码建立初始种群;
S2:对初始种群进行求解得到权值和阈值;
S3:根据权值和阈值对神经网络经行优化,得到最终的神经网络;
S4:采集线路故障时的波头信息,并将波头信息作为最终的神经网络的输入,得到初步的故障位置信息;
S5:根据初步的故障位置信息进行以下选择,得到最终的故障位置信息:
若初步的故障位置信息d0小于线路长度L的一半,则执行以下运算:
所述的t1表示第一个波头到达母线M端的时间;所述的t2表示第二个波头到达母线M端的时间;所述的t3表示第三个波头到达母线M端的时间;所述的v表示故障行波的速度;
通过d1和d2进行如下计算:
所述的D0表示初步的故障位置信息d0的归一化数值;所述的D表示最终的故障位置信息;
若初步的故障位置信息d0不小于线路长度L的一半,则执行以下运算:
所述的t1表示第一个波头到达母线M端的时间;所述的t2表示第二个波头到达母线M端的时间;所述的t3表示第三个波头到达母线M端的时间;所述的v表示故障行波的速度;
通过d1和d2进行如下计算:
所述的D0表示初步的故障位置信息d0的归一化数值;所述的D表示最终的故障位置信息。
2.根据权利要求1所述的组合单端行波故障定位算法,其特征在于,所述的S3包括以下流程:
S3.1:将权值和阈值赋予到神经网络,训练神经网络的样本和神经网络;
S3.2:测试神经网络的样本,得到神经网络的误差;
S3.3:判断神经网络的误差是否满足要求,若满足要求则采用该神经网络模型,执行S4;若不满足要求则通过遗传算法对神经网络的阈值和权值进行优化,执行S3.1。
3.根据权利要求1或2所述的组合单端行波故障定位算法,其特征在于,所述的神经网络是BP神经网络。
4.根据权利要求3所述的组合单端行波故障定位算法,其特征在于,所述的S3.1包括以下内容:
输入层:对应输入变量为B[Δt1 Δt2 b1 b2 b3];
式中,所述的Δt1=t2-t1;所述的Δt2=t3-t2;所述的b1、b2、b3分别代表三个波头的极性,以数字1代表其极性为正,以数字-1代表其极性为负;
隐含层:隐含层的节点数l通过下式进行计算:
式中,所述的α代表认为预设值,且取值范围是[1,10];
且隐含层使用的传递函数是tansig函数;
输出层:对应的输出变量只有一个,且输出层使用的传递函数是logsig函数。
5.根据权利要求4所述的组合单端行波故障定位算法,其特征在于,所述的隐含层的节点数l=8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811427837.9A CN109284830A (zh) | 2018-11-27 | 2018-11-27 | 一种组合单端行波故障定位算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811427837.9A CN109284830A (zh) | 2018-11-27 | 2018-11-27 | 一种组合单端行波故障定位算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109284830A true CN109284830A (zh) | 2019-01-29 |
Family
ID=65173747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811427837.9A Pending CN109284830A (zh) | 2018-11-27 | 2018-11-27 | 一种组合单端行波故障定位算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284830A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488150A (zh) * | 2019-08-09 | 2019-11-22 | 国网河北省电力有限公司沧州供电分公司 | 一种基于多算法融合的故障智能诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2285239A1 (en) * | 1997-04-01 | 1998-10-08 | James Austin | System and method for telecommunications system fault diagnostics |
CN101923139A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 一种输电线路单端行波故障测距智能方法 |
CN105699855A (zh) * | 2016-04-06 | 2016-06-22 | 国网技术学院 | 基于不受行波波速影响的单端行波故障测距计算方法和测距方法 |
CN106093698A (zh) * | 2016-05-27 | 2016-11-09 | 三峡大学 | 一种基于多测量信息的行波故障定位方法 |
CN106291261A (zh) * | 2016-10-26 | 2017-01-04 | 四川大学 | 混联配电网单相接地故障的定位方法 |
-
2018
- 2018-11-27 CN CN201811427837.9A patent/CN109284830A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2285239A1 (en) * | 1997-04-01 | 1998-10-08 | James Austin | System and method for telecommunications system fault diagnostics |
EP0972252A1 (en) * | 1997-04-01 | 2000-01-19 | Porta Systems Corporation | System and method for telecommunications system fault diagnostics |
CN101923139A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 一种输电线路单端行波故障测距智能方法 |
CN105699855A (zh) * | 2016-04-06 | 2016-06-22 | 国网技术学院 | 基于不受行波波速影响的单端行波故障测距计算方法和测距方法 |
CN106093698A (zh) * | 2016-05-27 | 2016-11-09 | 三峡大学 | 一种基于多测量信息的行波故障定位方法 |
CN106291261A (zh) * | 2016-10-26 | 2017-01-04 | 四川大学 | 混联配电网单相接地故障的定位方法 |
Non-Patent Citations (4)
Title |
---|
沈花玉等: "BP神经网络隐含层节点数单元数的确定", 《天津理工大学学报》 * |
王嵘冰等: "BP神经网络隐含层节点数确定方法研究", 《计算机技术与发展》 * |
陈雯柏: "《人工神经网络原理与实践》", 31 January 2016, 西安:西安电子科技大学出版社 * |
高大文等: "人工神经网络中隐含层节点与训练次数的优化", 《哈尔滨工业大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488150A (zh) * | 2019-08-09 | 2019-11-22 | 国网河北省电力有限公司沧州供电分公司 | 一种基于多算法融合的故障智能诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022021726A1 (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN101415256B (zh) | 基于人工免疫系统的无线传感器网络故障诊断方法 | |
CN103166812B (zh) | 电力通信系统可靠性测定方法 | |
CN103728535A (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN103500254B (zh) | 一种考虑地理分区边界优化的电网关键断面自动搜索方法 | |
CN106405352A (zh) | 一种电力绝缘子表面积污物的等值盐密预测及预警系统 | |
CN103023015A (zh) | 一种配电线路阻抗在线虚拟量测方法 | |
CN113705085A (zh) | 一种智能电网多层次结构建模及风险评估方法 | |
CN106451418A (zh) | 光伏电站的在线分群等值建模方法 | |
CN112633658A (zh) | 一种基于cnn-lstm的低压台区拓扑关系识别方法 | |
CN105703973A (zh) | 一种基于复合量度的电力通信光纤网络可靠性研究方法 | |
CN109284830A (zh) | 一种组合单端行波故障定位算法 | |
CN103218664A (zh) | 一种基于小波神经网络的告警权值确定方法 | |
CN105568732A (zh) | 盘磨机控制方法 | |
CN105021952A (zh) | 基于广域相角量测信息的大电网故障定位方法 | |
CN110133417A (zh) | 电网线损检测系统和方法 | |
CN104901328B (zh) | 基于复杂控制网络下的多端柔直控制模式自动识别方法 | |
CN110389268A (zh) | 一种电力系统的在线监测系统 | |
CN109342885A (zh) | 一种直流配电网线路故障的定位方法及系统 | |
CN110807916B (zh) | 一种基于路网拓扑结构的交通状态评定方法及系统 | |
CN113092936A (zh) | 基于多源数据协同的配电网电缆故障区段辨识方法 | |
CN104268802A (zh) | 采用神经网络模型确定城市居民小区用电需用系数的方法 | |
CN112712271A (zh) | 一种电网网格划分评价方法、系统、介质及电子设备 | |
CN112434887A (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 | |
CN112348401A (zh) | 一种配电网自动化设备的运维管理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |