CN110579734A - 一种单相电能表电能质量分析的方法及单相电能表 - Google Patents
一种单相电能表电能质量分析的方法及单相电能表 Download PDFInfo
- Publication number
- CN110579734A CN110579734A CN201910690849.9A CN201910690849A CN110579734A CN 110579734 A CN110579734 A CN 110579734A CN 201910690849 A CN201910690849 A CN 201910690849A CN 110579734 A CN110579734 A CN 110579734A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- waveform
- voltage
- energy meter
- gradient
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明实施例公开了一种单相电能表电能质量分析的方法及单相电能表,其方法包括:电能表在上电后,电能表中电能计量芯片的模数转换器输出波形数据,所述输出波形数据包括:电压波形数据和电流波形数据;电能表管理模块基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据;基于录波数据绘制成电压‑电流曲线图;将电压‑电流曲线图变换为有权重的像素化图像;采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出。实施本发明实施例具有较高的识别准确度,能识别出不同类型的电能质量故障类型。
Description
技术领域
本发明涉及电力检测技术领域,尤其涉及一种单相电能表电能质量分析的方法及单相电能表。
背景技术
随着科技的不断发展,风力发电、光伏发电的大规模应用,以及用户侧的电力电子设备应用的增多,电网的电能质量下降引发的供电可靠性、电磁兼容等问题日益增多。亟需在低压用户侧对电能质量进行监控和分析,一方面有利于智能电网末端的态势感知与透明电网的发展,另一方面对用户侧电能污染随时进行观察,有利于提高供电服务质量。目前,低压用户的单相电能表中尚无电能质量检测与分析功能,单独功能的谐波电能表功能较单一,只用于监测谐波情况。本发明将对部分低频传导噪声进行检测与分析,识别出具体的电能质量问题。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种单相电能表数据特点,提供了一种单相电能表电能质量分析的方法及单相电能表,提高识别准确度。
为了解决上述问题,本发明提出了一种单相电能表电能质量分析的方法,所述方法包括以下步骤:
电能表在上电后,电能表中电能计量芯片的模数转换器输出波形数据,所述输出波形数据包括:电压波形数据和电流波形数据;
电能表管理模块基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据;
基于录波数据绘制成电压-电流曲线图;
将电压-电流曲线图变换为有权重的像素化图像;
采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出。
所述电能表管理模块基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据包括:
计算波形数据上每个周波上的波形梯度,所述波形梯度为当前周波采样点和前一个波形采样点的波形变化率;
识别出波形梯度变化最大的情况,并记录所述波形梯度变化最大的情况下前四个周波和后四个周波。
所述基于录波数据绘制成电压-电流曲线图包括:
基于录波波形将电压作为纵轴,电流作为横轴,绘制电压-电流曲线。
所述将电压-电流曲线图变换为有权重的像素化图像包括:
将所述电压-电流曲线波形转换为有权重的像素化图像,设置横轴、纵轴的像素个数分别为n,则图像被分割为n2个像素;
对n2个像素中的每个像素设置不同的权重,权重最大值为[(n+1)2-1],权重最小值为0,按照该像素被全线穿过的次数分配权重。
所述采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出包括:
采用电能质量种类的有权重的像素化波形作为卷积神经网络的模型输入量,训练所述卷积神经网络得到全连接的权重;
基于已训练好的卷积神经网络对有权重的像素化图像进行识别分类,得出待识别的电能质量问题的种类。
所述电能质量种类包括:电压暂降、电压暂升、电压波动,谐波、瞬时过电压、暂态过电压。
相应的,本发明实施例还提出了一种单相电能表,包括:
模数转换器,用于在电能表在上电后,输出波形数据,所述输出波形数据包括:电压波形数据和电流波形数据;
管理模块,用于基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据;基于录波数据绘制成电压-电流曲线图;将电压-电流曲线图变换为有权重的像素化图像;采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出。
所述管理模块用于计算波形数据上每个周波上的波形梯度,所述波形梯度为当前周波采样点和前一个波形采样点的波形变化率;识别出波形梯度变化最大的情况,并记录所述波形梯度变化最大的情况下前四个周波和后四个周波。
所述管理模块用于基于录波波形将电压作为纵轴,电流作为横轴,绘制电压-电流曲线;以及将所述电压-电流曲线波形转换为有权重的像素化图像,设置横轴、纵轴的像素个数分别为n,则图像被分割为n2个像素;对n2个像素中的每个像素设置不同的权重,权重最大值为[(n+1)2-1],权重最小值为0,按照该像素被全线穿过的次数分配权重
所述管理模块用于采用电能质量种类的有权重的像素化波形作为卷积神经网络的模型输入量,训练所述卷积神经网络得到全连接的权重;基于已训练好的卷积神经网络对有权重的像素化图像进行识别分类,得出待识别的电能质量问题的种类。
在本发明实施例中,本发明实施例通过在上电过程中,实现对电能表的数据采集,采用原始数据对卷积神经网络模型进行训练,训练数据可以标记为本发明所列的电能质量问题,也可根据需要或科技发展标记为原因更明确的电能质量问题,例如电力电子器件运行产生的电压凹陷、雷电引起的瞬态电压变化、操作引起的瞬态电压变化等,训练模型可以根据用户自定义数据作为分类结果输出,有较高的灵活性。同时,本发明具有较高的识别准确度,能识别出不同类型的电能质量故障类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1示出了本发明实施例中的单相电能表电能质量分析的方法流程图;
图2是本发明实施例中的单相电能表的结构示意图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例所提供的单相电能表电能质量分析的方法,所述方法包括以下步骤:电能表在上电后,电能表中电能计量芯片的模数转换器输出波形数据,所述输出波形数据包括:电压波形数据和电流波形数据;电能表管理模块基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据;基于录波数据绘制成电压-电流曲线图;将电压-电流曲线图变换为有权重的像素化图像;采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出。
具体的,图1示出了本发明实施例中的电能表后故障检测的方法流程图,具体步骤如下:
S101、电能表在上电后,电能表中电能计量芯片的模数转换器输出波形数据;
需要说明的是,这里的输出波形数据包括:电压波形数据、和/或电流波形数据。
电能表上电后计量芯片ADC输出电压波形数据、电流波形数据等,模数转换器ADC是指将连续变化的模拟信号转换为离散的数字信号的器件,需要转换成更容易储存、处理和发射的数字形式。
S102、计算波形数据上每个周波上的波形梯度,所述波形梯度为当前周波采样点和前一个波形采样点的波形变化率;
计算电压波形、电流波形每一采样点的变化率。这里以电压波形为例,设N个周波的电压波形采样点为n个,求第m个采样点相对于m-1的变化率,电压波形每一采样点的变化率如下(如公式1):
同理,需要求得电流波形的梯度,设N个周波的电流波形采样点为n个,求第m个采样点相对于m-1的变化率,电流波形每一采样点的变化率如下(如公式2):
S103、识别出波形梯度变化最大的情况,并记录所述波形梯度变化最大的情况下前四个周波和后四个周波;
计算N个周波当中出现的电压梯度(即电压波形每一采样点的变化率)、电流梯度(即电流波形每一采样点的变化率)变化最大情况,并记录该梯度发生变化前四个周波以及后四个周波,需要说明的是,这里的N为任意自然数,这里以N为一个周期性的进行计算或者参照计算模式进行N个周波的计算。
步骤S102至步骤S103,通过电能表管理模块基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据。其通过计算波形数据上每个周波上的波形梯度,所述波形梯度为当前周波采样点和前一个波形采样点的波形变化率;识别出波形梯度变化最大的情况,并记录所述波形梯度变化最大的情况下前四个周波和后四个周波。
S104、基于录波数据绘制成电压-电流曲线图;
具体的,针对S103中所形成的录波数据,提取录波数据中的电压波形和电压波形等,从而可以基于录波波形将电压作为纵轴,电流作为横轴,绘制电压-电流曲线。
S105、将电压-电流曲线图变换为有权重的像素化图像;
具体的,将所述电压-电流曲线波形转换为有权重的像素化图像,设置横轴、纵轴的像素个数分别为n,则图像被分割为n2个像素;对n2个像素中的每个像素设置不同的权重,权重最大值为[(n+1)2-1],权重最小值为0,按照该像素被全线穿过的次数分配权重。
S106、采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出。
具体的,采用电能质量种类的有权重的像素化波形作为卷积神经网络的模型输入量,训练所述卷积神经网络得到全连接的权重;基于已训练好的卷积神经网络对有权重的像素化图像进行识别分类,得出待识别的电能质量问题的种类。这里电能质量种类包括:电压暂降、电压暂升、电压波动,谐波、瞬时过电压、暂态过电压。
相应的,图2示出了本发明实施例中的单相电能表结构示意图,包括:
模数转换器,用于在电能表在上电后,输出波形数据,所述输出波形数据包括:电压波形数据和电流波形数据;
管理模块,用于基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据;基于录波数据绘制成电压-电流曲线图;将电压-电流曲线图变换为有权重的像素化图像;采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出。
具体的,该管理模块用于计算波形数据上每个周波上的波形梯度,所述波形梯度为当前周波采样点和前一个波形采样点的波形变化率;识别出波形梯度变化最大的情况,并记录所述波形梯度变化最大的情况下前四个周波和后四个周波。
具体的,该管理模块用于基于录波波形将电压作为纵轴,电流作为横轴,绘制电压-电流曲线;以及将所述电压-电流曲线波形转换为有权重的像素化图像,设置横轴、纵轴的像素个数分别为n,则图像被分割为n2个像素;对n2个像素中的每个像素设置不同的权重,权重最大值为[(n+1)2-1],权重最小值为0,按照该像素被全线穿过的次数分配权重。
具体的,该管理模块用于采用电能质量种类的有权重的像素化波形作为卷积神经网络的模型输入量,训练所述卷积神经网络得到全连接的权重;基于已训练好的卷积神经网络对有权重的像素化图像进行识别分类,得出待识别的电能质量问题的种类。这里电能质量种类包括:电压暂降、电压暂升、电压波动,谐波、瞬时过电压、暂态过电压。
综上,本发明实施例通过在上电过程中,实现对电能表的数据采集,采用原始数据对卷积神经网络模型进行训练,训练数据可以标记为本发明所列的电能质量问题,也可根据需要或科技发展标记为原因更明确的电能质量问题,例如电力电子器件运行产生的电压凹陷、雷电引起的瞬态电压变化、操作引起的瞬态电压变化等,训练模型可以根据用户自定义数据作为分类结果输出,有较高的灵活性。同时,本发明具有较高的识别准确度,能识别出不同类型的电能质量故障类型。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的单相电能表电能质量分析的方法及单相电能表进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种单相电能表电能质量分析的方法,其特征在于,所述方法包括以下步骤:
电能表在上电后,电能表中电能计量芯片的模数转换器输出波形数据,所述输出波形数据包括:电压波形数据和电流波形数据;
电能表管理模块基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据;
基于录波数据绘制成电压-电流曲线图;
将电压-电流曲线图变换为有权重的像素化图像;
采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出。
2.如权利要求1所述的单相电能表电能质量分析的方法,其特征在于,所述电能表管理模块基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据包括:
计算波形数据上每个周波上的波形梯度,所述波形梯度为当前周波采样点和前一个波形采样点的波形变化率;
识别出波形梯度变化最大的情况,并记录所述波形梯度变化最大的情况下前四个周波和后四个周波。
3.如权利要求2所述的单相电能表电能质量分析的方法,其特征在于,所述基于录波数据绘制成电压-电流曲线图包括:
基于录波波形将电压作为纵轴,电流作为横轴,绘制电压-电流曲线。
4.如权利要求3所述的单相电能表电能质量分析的方法,其特征在于,所述将电压-电流曲线图变换为有权重的像素化图像包括:
将所述电压-电流曲线波形转换为有权重的像素化图像,设置横轴、纵轴的像素个数分别为n,则图像被分割为n2个像素;
对n2个像素中的每个像素设置不同的权重,权重最大值为[(n+1)2-1],权重最小值为0,按照该像素被全线穿过的次数分配权重。
5.如权利要求4所述的单相电能表电能质量分析的方法,其特征在于,所述采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出包括:
采用电能质量种类的有权重的像素化波形作为卷积神经网络的模型输入量,训练所述卷积神经网络得到全连接的权重;
基于已训练好的卷积神经网络对有权重的像素化图像进行识别分类,得出待识别的电能质量问题的种类。
6.如权利要求5所述的单相电能表电能质量分析的方法,其特征在于,所述电能质量种类包括:电压暂降、电压暂升、电压波动,谐波、瞬时过电压、暂态过电压。
7.一种单相电能表,其特征在于,包括:
模数转换器,用于在电能表在上电后,输出波形数据,所述输出波形数据包括:电压波形数据和电流波形数据;
管理模块,用于基于所述波形数据计算出每周波梯度,并对所述每周波梯度进行录波形成录波数据;基于录波数据绘制成电压-电流曲线图;将电压-电流曲线图变换为有权重的像素化图像;采用训练好的卷积神经网络将所述像素化图像作为输入完成波形检测输出。
8.如权利要求7所述的单相电能表,其特征在于,所述管理模块用于计算波形数据上每个周波上的波形梯度,所述波形梯度为当前周波采样点和前一个波形采样点的波形变化率;识别出波形梯度变化最大的情况,并记录所述波形梯度变化最大的情况下前四个周波和后四个周波。
9.如权利要求8所述的单相电能表,其特征在于,所述管理模块用于基于录波波形将电压作为纵轴,电流作为横轴,绘制电压-电流曲线;以及将所述电压-电流曲线波形转换为有权重的像素化图像,设置横轴、纵轴的像素个数分别为n,则图像被分割为n2个像素;对n2个像素中的每个像素设置不同的权重,权重最大值为[(n+1)2-1],权重最小值为0,按照该像素被全线穿过的次数分配权重。
10.如权利要求9所述的单相电能表,其特征在于,所述管理模块用于采用电能质量种类的有权重的像素化波形作为卷积神经网络的模型输入量,训练所述卷积神经网络得到全连接的权重;基于已训练好的卷积神经网络对有权重的像素化图像进行识别分类,得出待识别的电能质量问题的种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690849.9A CN110579734B (zh) | 2019-07-29 | 2019-07-29 | 一种单相电能表电能质量分析的方法及单相电能表 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690849.9A CN110579734B (zh) | 2019-07-29 | 2019-07-29 | 一种单相电能表电能质量分析的方法及单相电能表 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110579734A true CN110579734A (zh) | 2019-12-17 |
CN110579734B CN110579734B (zh) | 2021-09-21 |
Family
ID=68810664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910690849.9A Active CN110579734B (zh) | 2019-07-29 | 2019-07-29 | 一种单相电能表电能质量分析的方法及单相电能表 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110579734B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079861A (zh) * | 2019-12-31 | 2020-04-28 | 国网北京市电力公司 | 一种基于图像快速处理技术的配电网电压异常诊断方法 |
CN111242243A (zh) * | 2020-02-28 | 2020-06-05 | 南方电网科学研究院有限责任公司 | 一种电能表电能质量检测方法、系统以及设备 |
CN114062997A (zh) * | 2021-11-05 | 2022-02-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 电能表的校验方法、系统以及装置 |
CN114865780A (zh) * | 2022-07-06 | 2022-08-05 | 广东电网有限责任公司佛山供电局 | 一种新能源供电系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710153A (zh) * | 2009-12-12 | 2010-05-19 | 安徽鑫龙电器股份有限公司 | 一种具有谐波测量功能的内嵌式电能表及其测量方法 |
KR20100133571A (ko) * | 2009-06-12 | 2010-12-22 | 연세대학교 산학협력단 | 전력 품질 측정 방법 및 시스템 |
CN102539910A (zh) * | 2012-01-13 | 2012-07-04 | 西南交通大学 | 可分析电能质量的智能电表及用其计量与质量分析的方法 |
US20150112907A1 (en) * | 2006-04-12 | 2015-04-23 | Power Analytics Corporation | Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network |
CN107576887A (zh) * | 2015-03-04 | 2018-01-12 | 江苏省电力公司常州供电公司 | 一种电能质量扰动源的定位系统的自动定位方法 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
CN109617067A (zh) * | 2019-01-16 | 2019-04-12 | 江苏圣通电力新能源科技有限公司 | 基于神经网络的非侵入式电力负荷识别方法 |
-
2019
- 2019-07-29 CN CN201910690849.9A patent/CN110579734B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112907A1 (en) * | 2006-04-12 | 2015-04-23 | Power Analytics Corporation | Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network |
KR20100133571A (ko) * | 2009-06-12 | 2010-12-22 | 연세대학교 산학협력단 | 전력 품질 측정 방법 및 시스템 |
CN101710153A (zh) * | 2009-12-12 | 2010-05-19 | 安徽鑫龙电器股份有限公司 | 一种具有谐波测量功能的内嵌式电能表及其测量方法 |
CN102539910A (zh) * | 2012-01-13 | 2012-07-04 | 西南交通大学 | 可分析电能质量的智能电表及用其计量与质量分析的方法 |
CN107576887A (zh) * | 2015-03-04 | 2018-01-12 | 江苏省电力公司常州供电公司 | 一种电能质量扰动源的定位系统的自动定位方法 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
CN109617067A (zh) * | 2019-01-16 | 2019-04-12 | 江苏圣通电力新能源科技有限公司 | 基于神经网络的非侵入式电力负荷识别方法 |
Non-Patent Citations (1)
Title |
---|
瞿合祚等: "基于卷积神经网络的电能质量扰动分类", 《武汉大学学报(工学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079861A (zh) * | 2019-12-31 | 2020-04-28 | 国网北京市电力公司 | 一种基于图像快速处理技术的配电网电压异常诊断方法 |
CN111242243A (zh) * | 2020-02-28 | 2020-06-05 | 南方电网科学研究院有限责任公司 | 一种电能表电能质量检测方法、系统以及设备 |
CN114062997A (zh) * | 2021-11-05 | 2022-02-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 电能表的校验方法、系统以及装置 |
CN114062997B (zh) * | 2021-11-05 | 2024-03-19 | 中国南方电网有限责任公司超高压输电公司广州局 | 电能表的校验方法、系统以及装置 |
CN114865780A (zh) * | 2022-07-06 | 2022-08-05 | 广东电网有限责任公司佛山供电局 | 一种新能源供电系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110579734B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110579734B (zh) | 一种单相电能表电能质量分析的方法及单相电能表 | |
Wang et al. | Improved wind farm aggregated modeling method for large-scale power system stability studies | |
AU2020101900A4 (en) | A method, device and equipment for detecting abnormal electric meter | |
CN104865499B (zh) | 一种特高压直流输电线路区内外故障识别方法 | |
CN108256075A (zh) | 一种基于非侵入式智能监测分析用户用电数据的技术 | |
CN111614066B (zh) | 一种配电网继电保护定值自动整定方法和系统 | |
CN103926449A (zh) | 电力电缆接地电流的自适应监测方法 | |
CN112288303A (zh) | 确定线损率的方式、装置 | |
JP2023143703A (ja) | 電力分配システムの純負荷測定値からの瞬間再生可能発電の抽出 | |
CN112415329A (zh) | 电压暂降辨识方法、装置、计算机设备和存储介质 | |
Liu et al. | A multidimensional feature-driven ensemble model for accurate classification of complex power quality disturbance | |
CN109829652A (zh) | 一种长时间尺度动态谐波责任划分方法 | |
CN202093095U (zh) | 一种变压器直流电阻测试仪 | |
CN117713083A (zh) | 一种基于数据管理平台的电力系统短期电力负荷预测系统及方法 | |
CN110596635B (zh) | 一种电能表后故障检测的方法及电能表 | |
CN107607806A (zh) | 配电网设备利用率的检测方法及装置 | |
CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
CN114062997B (zh) | 电能表的校验方法、系统以及装置 | |
Wang et al. | Multiscale prediction of wind speed and output power for the wind farm | |
CN113363979B (zh) | 一种非接触式电力负荷分解感知的方法及系统 | |
Lima et al. | Hardware and software architecture for power quality analysis | |
CN116298509A (zh) | 一种电力系统谐波谐振的在线识别方法 | |
CN112287953A (zh) | 一种用于gis绝缘缺陷类别识别的方法及系统 | |
CN113422432B (zh) | 一种基于非入侵式负荷监测的电气火灾防控系统 | |
CN115377999A (zh) | 一种基于宽频测量数据的次同步振荡辨识的方法 |
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 |