CN109633369B - 一种基于多维数据相似性匹配的电网故障诊断方法 - Google Patents
一种基于多维数据相似性匹配的电网故障诊断方法 Download PDFInfo
- Publication number
- CN109633369B CN109633369B CN201811498576.XA CN201811498576A CN109633369B CN 109633369 B CN109633369 B CN 109633369B CN 201811498576 A CN201811498576 A CN 201811498576A CN 109633369 B CN109633369 B CN 109633369B
- Authority
- CN
- China
- Prior art keywords
- fault
- power grid
- protection
- action
- formula
- 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.)
- Active
Links
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
Abstract
本发明涉及一种基于多维数据相似性匹配的电网故障诊断方法,包括以下步骤:步骤1:建立电网故障编码的数学模型;步骤2:利用电网历史遥信变位数据和预想事故数据集,通过k‑means聚类方法得出聚类中心数据集;步骤3:建立离散Hopfield神经网络对电网实时故障遥信信息误变位进行修正,得出修正后的电网实时故障遥信信息误变位的编码;步骤4:设立归类判别门槛值并利用修正后的电网实时故障遥信信息误变位的编码和聚类中心数据集以得出电网实时故障诊断结果。与现有技术相比,本发明具有诊断速度快,诊断故障类型准确,与电网匹配度高,实用性强等优点。
Description
技术领域
本发明涉及电网故障诊断技术领域,尤其是涉及一种基于多维数据相似性匹配的电网故障诊断方法。
背景技术
电网故障诊断是实现智能电网自愈功能的重要应用。电网发生故障时,监测系统采集到的海量故障警报数据从本地自动装置上送至调度中心,电网故障诊断能够从海量的故障数据中迅速分析故障相关数据,发现故障原因,辅助调度运行人员及时进行事故分析与处理,快速恢复供电,保证了电网安全、可靠运行。
目前,常用的故障诊断方法主要有专家系统、人工神经网络、粗糙集、贝叶斯网络、Petri网、解析模型、数值计算分析、多源信息融合等。以上人工智能方法已广泛应用于电网的故障诊断研究,利用支持向量机、人工神经网络、贝叶斯分类器等智能方法对故障进行分类识别。但基于以上方法的现有成果中存在以下问题:(1)涉及到大规模的数学建模,运算复杂。(2)难以对诊断结果进行解释。
对此,本发明提出一种快速、实用的基于多维数据相似性匹配的电网故障诊断方法。该方法先根据预想的各种可能故障和历史故障信息库,形成标准故障特征库,当故障发生时,再根据遥信变位信息形成故障编码,直接在标准故障特征库中匹配出相应故障类型。最后,通过实际故障案例验证了该方法的有效性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多维数据相似性匹配的电网故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于多维数据相似性匹配的电网故障诊断方法,包括以下步骤:
步骤1:建立电网故障编码的数学模型;
步骤2:利用电网历史遥信变位数据和预想事故数据集,通过k-means聚类方法得出聚类中心数据集;
步骤3:建立离散Hopfield神经网络对电网实时故障遥信信息误变位进行修正,得出修正后的电网实时故障遥信信息误变位的编码;
步骤4:设立归类判别门槛值并利用修正后的电网实时故障遥信信息误变位的编码和聚类中心数据集以得出电网实时故障诊断结果。
进一步地,所述步骤1中的电网故障编码的数学模型包括故障粗略划分字段编码、继电保护动作字段编码和操作回路动作字段编码,所述电网故障编码的数学模型描述公式为:
Gk(qk,pk,ok)
式中,Gk()为电网故障编码的数学模型,qk为故障粗略划分字段编码,pk为继电保护动作字段编码,ok为操作回路动作字段编码。
进一步地,所述故障粗略划分字段编码,其描述公式为:
qk=a1”20+a2”21+a3”22+a4”23+a5”24+a6”25
式中,a1”,a2”,a3”,a4”,a5”,a6”分别对应为保护动作、断路器位置、重合闸动作、断路器位置、保护后加速动作和断路器位置共6处信号,其中保护动作、断路器位置、重合闸动作、断路器位置、保护后加速动作和断路器位置均为有信号取1,无信号取0。
进一步地,所述继电保护动作字段编码,其描述公式为:
pk=a120+a221+a325+a425+a529+a629+a7212
式中,a1,a2,a3,a4,a5,a6,a7分别对应为故障录波、1主保护出口、2主保护出口、1后备保护出口、2后备保护出口、1远跳出口和2远跳出口共7处信号,其中,故障录波为有信号取0,无信号取1,1主保护出口和2主保护出口均为有信号取2,无信号取0,1后备保护出口、2后备保护出口、1远跳出口和2远跳出口均为有信号取1,无信号取0。
进一步地,所述操作回路动作字段编码,其描述公式为:
ok=a1'20+a2'21+a3'22+a4'24+a5'26+a6'28+a7'29+a8'210+a9'211
式中,a1',a2',a3',a4',a5',a6',a7',a8',a9'分别对应为保护三相动作、断路器三相位置和重合闸后断路器三相位置共9处信号,保护三相动作、断路器三相位置和重合闸后断路器三相位置均为有信号取1,无信号取0。
进一步地,所述步骤3中的离散Hopfield神经网络的描述方程式组为:
Y(t)=[y1(t),y2(t),y3(t),...,yn(t)]T
式中,uj(t)为神经元处理函数,wij为神经元连接权值,xj为神经元处理函数截距,θj为神经元处理函数阈值,yi(t)为时刻t的离散Hopfield神经网络模型处理函数输入值,yj(t+1)为时刻t+1的离散Hopfield神经网络模型处理函数输出值,f[uj(t)]为神经元处理函数映射结果,Y(t)表示为整个离散Hopfield神经网络模型的完整输出值,[y1(t),y2(t),y3(t),...,yn(t)]T表示整个离散Hopfield神经网络模型的n个输出层神经元的输出状态,i和n均为自然数。
进一步地,所述步骤4中的归类判别门槛值,其描述公式为:
di=max{di1,di2,...,dim}
D=(d1,d2,...,di)
式中,di1,di2,...,dim为电网历史遥信变位数据i类m个样本点到聚类中心的欧式距离,d1,d2,...,di为电网历史遥信变位数据所有类欧式距离最大值,D为归类判别门槛值。
本发明基于继电保护动作、操作回路动作逻辑及故障后所发出的遥信信息,首先建立了故障编码的数学模型,然后通过各种电网故障产生的历史遥信变位数据和预想事故集,采用K-Means聚类算法,找出聚类中心数据集作为标准故障特征库,实际故障发生后,首先根据故障遥信进行编码,然后利用离散Hopfield神经网络对遥信信息误变位进行修正,最后通过计算修正后的编码与标准故障特征库中各个中心的欧式距离,与标准故障特征库进行相似性匹配,从而判别故障类型,本发明适用于电网故障诊断,算例分析表明,利用本发明的技术方案可以实现各种输电线路的故障诊断且本发明具有较高的准确性,能够精确、快速地诊断输电线路故障,从而实现电网故障诊断。
与现有技术相比,本发明具有以下优点:
(1)诊断结果准确,本发明首先建立了故障编码的数学模型,然后通过各种电网故障产生的历史遥信变位数据和预想事故集,采用K-Means聚类算法,找出聚类中心数据集作为标准故障特征库。实际故障发生后,首先根据故障遥信进行编码,然后利用离散Hopfield神经网络对遥信信息误变位进行修正,最后通过计算修正后的编码与标准故障特征库中各个中心的欧式距离,与标准故障特征库进行相似性匹配,利用每种实际故障编码和所有可能出现的故障编码提取出标准故障特征库,从而为每次实际故障提供匹配模板,实现各种情况下的电网故障诊断,从而判别故障类型,针对性强且诊断结果准确迅速。
(2)诊断速度快,且整体数学模型简单,本发明首先建立了故障编码的数学模型,然后介绍了利用离散Hopfield神经网络对遥信信息误变位的修正方法,进而通过K-means聚类方法建立了单条线路的标准故障特征库,并给出故障类型的判别方法,由三个独立的故障编码字段来组成每次故障最终的三维故障编码;通过K-Means聚类算法将三维故障编码聚类形成N个聚类中心代表相应N种故障类型,当实际故障来临时,通过相似性匹配实现对电网故障的快速、精确诊断,为防止遥信误报和漏报而造成误诊断,利用离散Hopfield神经网络对遥信信息误变位进行修正;最后通过计算修正后的编码与标准故障特征库中各个中心的欧式距离来判别故障类型。将电网故障编码化,每种故障对应一个编码,从而通过故障编码的相似性匹配实现电网的故障诊断,降低了目前电网故障诊断方法的数学模型和运算的复杂性,诊断速度快,并且整体数学模型简单。
附图说明
图1为本发明提供的离散Hopfield神经网络结构图;
图2为本发明提供的所有故障编码示意图,其中,图2(a)为故障切除过程编码示意图,图2(b)为继电保护动作编码示意图,图2(c)为操作回路动作编码示意图;
图3为本发明提供的聚类中心即标准故障特征库示意图,其中,图3(a)为完全切除故障时的标准故障特征库示意图,图3(b)为故障无重合闸时的标准故障特征库示意图,图3(c)为故障重合成功时的标准故障特征库示意图;
图4为本发明提供的每类故障的分类门槛值;
图5为本发明提供的故障诊断流程图;
图6为本发明提供的算例接线图;
图7为本发明提供的神经网络修正结果图,其中,图7(a)为修正前的神经网络结果图,图7(b)为修正后的神经网络结果图;
图8为本发明提供的与完整切除故障各类之间的欧式距离图,其中,图8(a)为修正前的欧式距离图,图8(b)为修正后的欧式距离图。
具体实施方式
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、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
一.故障编码数学模型的建立
继电保护的不同动作行为、不同操作回路的动作行为及断路器的不同跳合闸状态决定了的电网故障编码的数学模型的取值。电网故障编码的数学模型的取值具有唯一性,其值决定了线路的故障类型及二次设备的动作状态,所以,通过电网故障编码的数学模型的取值的不同,实现对线路故障及二次设备的工作状态进行归类,从而实现对各种故障类型的诊断,本实施例的故障编码数学模型为:
Gk(qk,pk,ok)
式中,Gk()为电网故障编码的数学模型,qk为故障粗略划分字段编码,pk为继电保护动作字段编码,ok为操作回路动作字段编码。
二.故障编码的形成
故障信息的匹配是按照故障粗略划分、继电保护动作、操作回路动作三个部分分别进行匹配,这三个环节代表了切除故障二次回路的信息传递过程,具有相关性。
离散Hopfield神经网络(DHNN)是非监督型神经网络,不需要大量的训练样本,再加上它具有很好的联想记忆功能,可以用来对遥信数据进行修正,设定一个由三个神经元组成的离散Hopfield神经网络,其结构图如图1所示。
一个DHNN的网络状态是输出神经元信息的集合,对于一个输出层是n个神经元的网络,其t时刻的状态为一个n维变量,考虑DHNN的一般节点状态利用节点后时刻t+1的状态,可以得到离散Hopfield神经网络的描述方程式组,具体描述公式组如下:
Y(t)=[y1(t),y2(t),y3(t),...,yn(t)]T
式中,uj(t)为神经元处理函数,wij为神经元连接权值,xj为神经元处理函数截距,θj为神经元处理函数阈值,yi(t)为时刻t的离散Hopfield神经网络模型处理函数输入值,yj(t+1)为时刻t+1的离散Hopfield神经网络模型处理函数输出值,f[uj(t)]为神经元处理函数映射结果,Y(t)表示为整个离散Hopfield神经网络模型的完整输出值,[y1(t),y2(t),y3(t),...,yn(t)]T表示整个离散Hopfield神经网络模型的n个输出层神经元的输出状态,i和n均为自然数。
该神经网络的输入为具有偏差项的电网实时故障遥信信息数据样本集,输出为修正后消除偏差项的电网实时故障遥信信息数据样本集。
用专门的故障编码来对各个遥信量进行编码,描述公式为:
其中,B为故障编码,a1到an为各个标志位按从后往前的顺序排列的数值,为0,1或2,m1到mk为非负整数,且m1≤m2≤...≤mk,若在a1与a2之间插入空白调整列(即一列0,其目的是拉大两类之间距离以便于聚类),公式变为:
如果要设闭锁条件,应放在相应编码的最前面,只有在闭锁条件为0的情况下,后面的数值才有意义,如果闭锁条件为1,则这一项的编码数值会很大,偏离聚类中心,所以此时编码无效。
通过抽取的关键信息的组合可以粗略分析出输电线路故障的发生及故障的切除过程,此编码为固定编码,根据有无重合闸和重合闸是否成功分为三类。
1.故障粗略划分字段编码
各个位按照保护动作—断路器位置—重合闸动作—断路器位置—保护后加速动作—断路器位置的倒序进行编码,如图2(a)所示,依赖编码描述公式的故障粗略划分字段编码的描述公式为:
qk=a1”20+a2”21+a3”22+a4”23+a5”24+a6”25
式中,a1”,a2”,a3”,a4”,a5”,a6”分别对应为保护动作、断路器位置、重合闸动作、断路器位置、保护后加速动作和断路器位置共6处信号,其中保护动作、断路器位置、重合闸动作、断路器位置、保护后加速动作和断路器位置均为有信号取1,无信号取0。
2.继电保护动作字段编码
继电保护动作编码比较灵活,可根据需要进行调整。根据实际情况和实际要求还可增减保护信息,各个位按照故障录波—1主保护出口—2主保护出口—1后备保护出口—2后备保护出口—1远跳出口—2远跳出口的倒序进行编码,如图2(b)所示,依赖编码描述公式的继电保护动作字段编码的描述公式为:
pk=a120+a221+a325+a425+a529+a629+a7212
式中,a1,a2,a3,a4,a5,a6,a7分别对应为故障录波、1主保护出口、2主保护出口、1后备保护出口、2后备保护出口、1远跳出口和2远跳出口共7处信号,其中,故障录波为有信号取0,无信号取1,1主保护出口和2主保护出口均为有信号取2,无信号取0,1后备保护出口、2后备保护出口、1远跳出口和2远跳出口均为有信号取1,无信号取0。
3.操作回路动作字段编码
操作回路动作编码各相种类的间距相对较大,便于聚类,各个位按照保护各相动作—断路器各相位置—重合闸后断路器各相位置的倒序进行编码,各个位的取值同故障切除过程编码,如图2(c)所示,依赖编码描述公式的操作回路动作字段编码的描述公式为:
ok=a1'20+a2'21+a3'22+a4'24+a5'26+a6'28+a7'29+a8'210+a9'211
式中,a1',a2',a3',a4',a5',a6',a7',a8',a9'分别对应为保护三相动作、断路器三相位置和重合闸后断路器三相位置共9处信号,保护三相动作、断路器三相位置和重合闸后断路器三相位置均为有信号取1,无信号取0。
三.标准特征库的提取
标准故障特征库的形成实际上就是通过历史样本数据和预想事故集的“无监督学习”的聚类过程完成,即通过各种电网故障产生的历史遥信变位数据和预想事故集,找出聚类中心数据集作为标准故障特征库,标准故障特征库内包含有多种作为元素的故障编码。
每次故障的编码由故障粗略划分编码、继电保护动作编码、操作回路动作编码三个字段组成。三个字段之间排列组合形成所有三维编码,根据故障切除过程编码中有无重合闸和重合闸是否成功可将所有故障分为如图2所示的三大类,采用K-Means聚类算法,三大类分别聚类可得各自的聚类中心如图3(a)、3(b)、3(c)所示,图中所有聚类中心即为标准故障指纹库。
例如,图3(a)中的点(63,128,2133)即代表“完整切除故障,双套主保护动作,A相跳闸”这类故障,其他的点以此类推。
四.故障类型的判别
通过K-Means聚类算法找到历史数据样本点的聚类中心后,还要对实时的故障遥信数据编码后进行欧式距离的确定,判别故障数据应该归入哪个故障类型,从而做出故障类型的诊断判别,实时故障数据和聚类中心欧式距离必须小于一定的门槛值,才能判别所属的故障类型,因此,应首先确定归类判别门槛值,依据已归类好的历史数据,得出每一类数据中的各个样本点到聚类中心的欧式距离,然后取各距离中的最大值作为这一类型的门槛值,如下式所示,其描述公式为:
di=max{di1,di2,...,dim}
D=(d1,d2,...,di)
式中,di1,di2,...,dim为电网历史遥信变位数据i类m个样本点到聚类中心的欧式距离,d1,d2,...,di为电网历史遥信变位数据所有类欧式距离最大值,D为归类判别门槛值。
三大类各自20小类,共60类故障,每个大类中各个小类的门槛值相同,如图4所示。
五.相似性匹配流程
基于多维数据相似性匹配技术的故障诊断流程图如图5所示。首先,拿到历史故障数据库后,整理出每次故障所需的遥信变位信息,先编码,再利用神经网络修正技术进行修正,然后再聚类,由初略划分形成的三大类故障编码分别聚类形成N个聚类中心,对应N类故障,即标准故障特征库,当故障发生时,通过对实时遥信变位数据进行修正、编码,形成故障编码,确定其与标准故障特征库的N个聚类中心的欧氏距离,依次与每类的门槛值比较,满足门槛值即输出该类别,不满足则与下一类比较,直到输出故障诊断类型,完成整个诊断流程。
六.算例分析
华东某500kV变电站发生A相接地故障后,保护动作跳开A相断路器,然后重合闸动作,重合不成功后又跳开三相断路器,故障线路接线图如图6所示,主保护为光线差动,后备保护为距离保护,开关和保护动作变化动作时序表如表1所示。本实施例只给出按时间排序的动作信号,复归信号要在实际应用中加进去以判断为一次故障的结束点。
将上述继电保护动作编码中的主保护、后备保护用本例中差动保护和距离保护代替。动作过程:双套差动保护和距离保护动作——A相跳闸——重合闸启动——A相合闸——差动保护和距离保护动作——三相跳闸。利用离散Hopfield神经网络修正前编码为Gk(63,131,263),如图7(a)所示,修正结果如图7(b)所示。
修正后编码为Gk(63,131,2311),易知为完整切除故障大类,修正前后编码与该类各个聚类中心的欧氏距离分别如图8(a)、8(b)所示。
图8(a)中,最小距离为d11=272,不满足任何一类的门槛值,无法诊断出故障类别;图8(b)中,最小距离为d9=1.5,满足完整切除故障大类中第9小类故障(63,129.5,2311)的门槛值,判断出故障类型为“双套主保护动作,A相跳闸,完整切除故障”,符合实际情况。
表1 SOE信息
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (1)
1.一种基于多维数据相似性匹配的电网故障诊断方法,其特征在于,包括以下步骤:
步骤1:建立电网故障编码的数学模型;
步骤2:利用电网历史遥信变位数据和预想事故数据集,通过k-means聚类方法得出聚类中心数据集;
步骤3:建立离散Hopfield神经网络对电网实时故障遥信信息误变位进行修正,得出修正后的电网实时故障遥信信息误变位的编码;
步骤4:设立归类判别门槛值并利用修正后的电网实时故障遥信信息误变位的编码和聚类中心数据集以得出电网实时故障诊断结果;
所述步骤1中的电网故障编码的数学模型包括故障粗略划分字段编码、继电保护动作字段编码和操作回路动作字段编码,所述电网故障编码的数学模型描述公式为:
Gk(qk,pk,ok)
式中,Gk()为电网故障编码的数学模型,qk为故障粗略划分字段编码,pk为继电保护动作字段编码,ok为操作回路动作字段编码;
所述故障粗略划分字段编码,其描述公式为:
qk=a1″20+a2″21+a3″22+a4″23+a5″24+a6″25
式中,a1″,a2″,a3″,a4″,a5″,a6″分别对应为保护动作、断路器位置、重合闸动作、断路器位置、保护后加速动作和断路器位置共6处信号,其中保护动作、断路器位置、重合闸动作、断路器位置、保护后加速动作和断路器位置均为有信号取1,无信号取0;
所述继电保护动作字段编码,其描述公式为:
pk=a120+a221+a325+a425+a529+a629+a7212
式中,a1,a2,a3,a4,a5,a6,a7分别对应为故障录波、1主保护出口、2主保护出口、1后备保护出口、2后备保护出口、1远跳出口和2远跳出口共7处信号,其中,故障录波为有信号取0,无信号取1,1主保护出口和2主保护出口均为有信号取2,无信号取0,1后备保护出口、2后备保护出口、1远跳出口和2远跳出口均为有信号取1,无信号取0;
所述操作回路动作字段编码,其描述公式为:
ok=a1'20+a2'21+a3'22+a4'24+a5'26+a6'28+a7'29+a8'210+a9'211
式中,a1',a2',a3',a4',a5',a6',a7',a8',a9'分别对应为保护三相动作、断路器三相位置和重合闸后断路器三相位置共9处信号,保护三相动作、断路器三相位置和重合闸后断路器三相位置均为有信号取1,无信号取0;
所述步骤3中的离散Hopfield神经网络的描述方程式组为:
Y(t)=[y1(t),y2(t),y3(t),...,yn(t)]T
式中,uj(t)为神经元处理函数,wij为神经元连接权值,xj为神经元处理函数截距,θj为神经元处理函数阈值,yi(t)为时刻t的离散Hopfield神经网络模型处理函数输入值,yj(t+1)为时刻t+1的离散Hopfield神经网络模型处理函数输出值,f[uj(t)]为神经元处理函数映射结果,Y(t)表示为整个离散Hopfield神经网络模型的完整输出值,[y1(t),y2(t),y3(t),...,yn(t)]T表示整个离散Hopfield神经网络模型的n个输出层神经元的输出状态,i和n均为自然数;
所述步骤4中的归类判别门槛值,其描述公式为:
di=max{di1,di2,...,dim}
D=(d1,d2,...,di)
式中,di1,di2,...,dim为电网历史遥信变位数据i类m个样本点到聚类中心的欧式距离,d1,d2,...,di为电网历史遥信变位数据所有类欧式距离最大值,D为归类判别门槛值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811498576.XA CN109633369B (zh) | 2018-12-08 | 2018-12-08 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811498576.XA CN109633369B (zh) | 2018-12-08 | 2018-12-08 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633369A CN109633369A (zh) | 2019-04-16 |
CN109633369B true CN109633369B (zh) | 2020-12-04 |
Family
ID=66072174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811498576.XA Active CN109633369B (zh) | 2018-12-08 | 2018-12-08 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633369B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111366814A (zh) * | 2020-03-31 | 2020-07-03 | 上海电力大学 | 基于多源数据及多维故障编码空间的电网故障诊断方法 |
CN111537836A (zh) * | 2020-05-15 | 2020-08-14 | 国网山东省电力公司济宁供电公司 | 基于录波数据的配电网故障自动诊断方法及系统 |
CN112417954B (zh) * | 2020-10-13 | 2022-12-16 | 同济大学 | 一种面向小样本数据集的轴承故障模式诊断方法及系统 |
CN112345872A (zh) * | 2020-12-04 | 2021-02-09 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于深度置信网络的换流站二次回路异常识别和预警方法 |
CN113420832B (zh) * | 2021-07-16 | 2024-02-02 | 国网辽宁省电力有限公司 | 基于多维数据相似性匹配的电网故障诊断系统及方法 |
CN113421176B (zh) * | 2021-07-16 | 2022-11-01 | 昆明学院 | 一种学生成绩分数中异常数据智能筛选方法 |
CN113484693B (zh) * | 2021-07-30 | 2023-04-07 | 国网四川省电力公司电力科学研究院 | 基于图神经网络的变电站二次回路故障定位方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245881A (zh) * | 2013-04-22 | 2013-08-14 | 国家电网公司 | 一种基于潮流分布特征的配电网故障分析方法及装置 |
CN103926526A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 |
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207950B (zh) * | 2013-04-16 | 2016-08-10 | 郑州航空工业管理学院 | 一种基于rbf神经网络的变压器故障诊断的智能方法 |
CN103440497B (zh) * | 2013-08-13 | 2016-12-07 | 上海交通大学 | 一种gis绝缘缺陷局部放电图谱模式识别方法 |
CN106156485A (zh) * | 2016-06-16 | 2016-11-23 | 广州供电局有限公司 | 电力变压器故障诊断方法及装置 |
CN107729377A (zh) * | 2017-09-14 | 2018-02-23 | 广州大学 | 基于数据挖掘的顾客分类方法与系统 |
CN108931724A (zh) * | 2018-07-30 | 2018-12-04 | 袁小芳 | 一种伺服电机故障诊断方法 |
-
2018
- 2018-12-08 CN CN201811498576.XA patent/CN109633369B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245881A (zh) * | 2013-04-22 | 2013-08-14 | 国家电网公司 | 一种基于潮流分布特征的配电网故障分析方法及装置 |
CN103926526A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 |
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109633369A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633369B (zh) | 一种基于多维数据相似性匹配的电网故障诊断方法 | |
CN102361014B (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
CN107272655B (zh) | 基于多阶段ica-svdd的间歇过程故障监测方法 | |
CN110995475A (zh) | 一种基于迁移学习的电力通信网故障检测方法 | |
CN109768877B (zh) | 一种基于空间最优编码集及dhnn纠错的电网故障诊断方法 | |
CN109633370B (zh) | 一种基于故障信息编码和融合方法的电网故障诊断方法 | |
CN111598179B (zh) | 电力监控系统用户异常行为分析方法、存储介质和设备 | |
CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
CN112345858B (zh) | 一种计及量测篡改攻击引发虚假故障的电网故障诊断方法 | |
CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN111325410B (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
CN114760098A (zh) | 一种基于cnn-gru的电网虚假数据注入检测方法及装置 | |
CN109993391B (zh) | 网络运维任务工单的派发方法、装置、设备及介质 | |
CN112485597A (zh) | 基于多源数据的电力系统输电线路故障诊断方法及系统 | |
CN112415330A (zh) | 一种基于广域信息的电网故障智能辨识方法及系统 | |
CN110705693A (zh) | 一种无人机异常行为识别模块及其识别方法 | |
CN114020811A (zh) | 数据异常检测方法及其装置、电子设备 | |
CN112285484B (zh) | 基于深度神经网络的电力系统故障诊断信息融合方法及装置 | |
CN112964960A (zh) | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 | |
CN113899987A (zh) | 基于深度金字塔卷积神经网络的电网故障诊断方法 | |
CN114186764A (zh) | 一种变电站监控信息特征提取方法及装置 | |
CN113076217A (zh) | 基于国产平台的磁盘故障预测方法 | |
Firos et al. | Fault Detection in Power Transmission Lines Using AI Model | |
CN108491618A (zh) | 故障电流识别方法、装置、设备及介质 |
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 |