CN110632455A - 一种基于配网同步量测大数据的故障检测定位方法 - Google Patents
一种基于配网同步量测大数据的故障检测定位方法 Download PDFInfo
- Publication number
- CN110632455A CN110632455A CN201910876745.7A CN201910876745A CN110632455A CN 110632455 A CN110632455 A CN 110632455A CN 201910876745 A CN201910876745 A CN 201910876745A CN 110632455 A CN110632455 A CN 110632455A
- Authority
- CN
- China
- Prior art keywords
- fault
- time window
- data
- distribution network
- sliding time
- 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
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
- G01R31/081—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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于配网同步量测大数据的故障检测定位方法,首先,基于配网同步量测数据构造高维零序电流矩阵,并根据构造的高维零序电流矩阵确定滑动时间窗的大小和滑动步长;然后根据滑动时间窗的大小和滑动步长确定一个滑动时间窗,对滑动时间窗内的数据进行归一化处理并求其协方差矩阵;再对协方差矩阵进行特征值分解,根据特征值分解结果筛选出异常特征值并计算各同步量测节点对异常的贡献度;最后根据各同步量测节点对异常的贡献度与阈值的关系确定故障影响范围,并结合配网结构进行故障定位。本发明的方法可以提高检测的灵敏度和准确性。
Description
技术领域
本发明涉及故障检测技术领域,具体涉及一种基于配网同步量测大数据的故障检测定位方法。
背景技术
配电网架空线和电缆混合、中性点接地方式多变,且随着高渗透率新能源的接入,逐渐将其演变成了多源动态网络,使得原本复杂的单相接地故障检测定位更加困难。
配网同步量测能实现广域运行电网的实时同步量测,克服了现有数据采集系统无法监测和辨识电力系统行为的缺点,能在解决配网故障检测定位中分支多,难以区分故障分支和非故障分支等问题中发挥重要的作用。
本申请发明人在实施本发明的过程中,发现现有技术的方法,至少存在如下技术问题:
目前对配网同步量测大数据挖掘利用程度不够,现有的方法仅用构建网络参数矩阵、行波法等传统方法实现全网可观,但是并未从根本上解决多影响因素下故障特征难以提取的问题,在大电阻接地等信号微弱情况下难以进行故障辨识和定位,无法适用于各种复杂类型的故障。
由此可知,现有技术中的方法存在检测灵敏度和准确性不够的技术问题。
发明内容
有鉴于此,本发明提供了一种基于配网同步量测大数据的故障检测定位方法,用以解决或者至少部分解决现有技术中的方法存在的检测灵敏度和准确性不够的技术问题。
为了解决上述技术问题,本发明提供了一种基于配网同步量测大数据的故障检测定位方法,包括:
步骤S1:基于配网同步量测数据构造高维零序电流矩阵,并根据构造的高维零序电流矩阵确定滑动时间窗的大小和滑动步长;
步骤S2:根据滑动时间窗的大小和滑动步长确定一个滑动时间窗,对滑动时间窗内的数据进行归一化处理并求其协方差矩阵;
步骤S3:对协方差矩阵进行特征值分解,根据特征值分解结果筛选出异常特征值并计算各同步量测节点对异常的贡献度;
步骤S4:根据各同步量测节点对异常的贡献度与阈值的关系确定故障影响范围,并结合配网结构进行故障定位。
在一种实施方式中,步骤S1具体包括:
基于配网同步量测数据构造高维零序电流矩阵,高维零序电流矩阵为Xp×n,确定滑动时间窗的大小和滑动步长,滑动时间窗的大小为p×n,Xp×n如下式所示:
在一种实施方式中,步骤S2具体包括:
步骤S2.1:根据滑动时间窗的大小和滑动步长确定一个滑动时间窗;
步骤S2.2:对滑动时间窗内的数据进行归一化处理,处理过程为:
在一种实施方式中,步骤S3具体包括:
步骤S3.1:对协方差矩阵进行特征值分解;
步骤S3.2:基于M-P律从特征值分解结果中筛选出异常特征值,其中,M-P律用以表征符合独立同分布条件的高维数据矩阵的特征值分布情况:
步骤S3.3:基于筛选出的异常特征值,采用异常特征值和相应的特征向量计算各个量测点对特征值的贡献度,其中,第i个量测点对λk的贡献度表征为:
步骤S3.4:对大于b的特征值的贡献度按权相加,获得故障时第i个量测点对故障的贡献值为Li,其中,权重表示对应的特征值的大小,:
其中,λk为高维零序电流矩阵的协方差矩阵的第k个特征值;Wik表示第k个特征值对应的特征向量Wk的第i行元素。
在一种实施方式中,步骤S4具体包括选取同步量测节点对异常的贡献度大于阈值的量测点,并结合配网结构进行故障定位。
在一种实施方式中,选取同步量测节点对异常的贡献度大于阈值的量测点进行故障检测和定位,具体通过下式来实现:
loc=arg(Li≥0.1)
其中,loc表示故障区域定位信息,Li表示第i个量测点对故障的贡献值,阈值为0.1,arg(Li≥0.1)表示筛选出符合Li≥0.1的量测节点i。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本发明提供的一种基于配网同步量测大数据的故障检测定位方法,首先,基于配网同步量测数据构造高维零序电流矩阵,并根据构造的高维零序电流矩阵确定滑动时间窗的大小和滑动步长;然后根据滑动时间窗的大小和滑动步长确定一个滑动时间窗,对滑动时间窗内的数据进行归一化处理并求其协方差矩阵;接着对协方差矩阵进行特征值分解,根据特征值分解结果筛选出异常特征值并计算各同步量测节点对异常的贡献度;最后,根据各同步量测节点对异常的贡献度与阈值的关系确定故障影响范围,并结合配网结构进行故障定位。
由于本发明提供的故障检测定位方法,首先用全网同步量测数据构造高维零序电流矩阵;然后将滑动时间窗和M-P律相结合,实时计算各量测点对单相接地故障的贡献度,根据各同步量测节点对异常的贡献度与阈值的关系确定故障影响范围,并结合配网结构进行故障定位。本发明充分利用了数据间的关联性,能够对配网单相接地故障进行快速、高灵敏度地检测定位,具有一定的实用价值,解决了现有技术中的方法存在的检测灵敏度和准确性不够的技术问题。
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他的附图。
图1为本发明提供的一种基于配网同步量测大数据的故障检测定位方法的流程示意图;
图2是具体实施例中故障检测定位方法具体实现流程图;
图3为一种具体实施例中的配网模型示意图;
图4为一种具体实施例中仿真阶段各节点L值图;
图5是本发明实施例中单相接地故障检测定位示意图。
具体实施方式
本发明的目的在于针对现有基于配网同步量测故障检测定位方法所存在的检测灵敏度和准确性的问题,提供了一种应用M-P律(Marchenko-PasturLaw)分析配网同步量测大数据,从中提取故障信息并进行故障检测定位的方法,从而达到提高检测灵敏度和准确性的目的。
为达到上述目的,本发明的主要构思如下:
本发明基于配网同步量测和M-P律,首先用全网同步量测数据构造高维零序电流矩阵;然后将滑动时间窗和M-P律相结合,实时计算各量测点对单相接地故障的贡献度,当贡献度超过规定阈值时判断故障发生;最后以该阈值为基础,筛选出包含故障信息的重要量测点,并结合配网结构进行故障定位。本发明充分利用了数据间的关联性,能够对配网单相接地故障进行快速、高灵敏度地检测定位,具有一定的实用价值。
为使本发明实施例的目的、技术方案和优点更加清楚,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做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。
本实施例提供了一种基于配网同步量测大数据的故障检测定位方法,请参见图1,该方法包括:
步骤S1:基于配网同步量测数据构造高维零序电流矩阵,并根据构造的高维零序电流矩阵确定滑动时间窗的大小和滑动步长。
具体来说,对于全网的配网同步量测数据构建一个高维电流矩阵,滑动时间窗的大小为高维零序电流矩阵的大小,滑动步长可以根据实际情况进行选取。
在一种实施方式中,步骤S1具体包括:
基于配网同步量测数据构造高维零序电流矩阵,高维零序电流矩阵为Xp×n,确定滑动时间窗的大小和滑动步长,滑动时间窗的大小为p×n,Xp×n如下式所示:
具体来说,C是p(矩阵的行数)和n(矩阵的列数)的比值,这个比值范围是(0,1)。虽然理论上要求高维数据矩阵Xp×n的维数和采样数均趋于无穷,但实际工程中当其为十几或几十维时也可取得很好的应用效果。
步骤S2:根据滑动时间窗的大小和滑动步长确定一个滑动时间窗,对滑动时间窗内的数据进行归一化处理并求其协方差矩阵。
具体来说,滑动时间窗的步长可以根据实际情况选取,例如为1、2等等,举例来说,滑动时间窗的步长为1时,即Xp×n中前n-1列为历史数据,最后1列为当前数据,每个时刻有一列历史数据滑出时间窗,同时有一列新的数据滑进时间窗。根据滑动时间窗的大小和滑动步长可以确定一个滑动时间窗,该窗内包含电流数据。
在一种实施方式中,步骤S2具体包括:
步骤S2.1:根据滑动时间窗的大小和滑动步长确定一个滑动时间窗;
步骤S2.2:对滑动时间窗内的数据进行归一化处理,处理过程为:
步骤S3:对协方差矩阵进行特征值分解,根据特征值分解结果筛选出异常特征值并计算各同步量测节点对异常的贡献度。
在一种实施方式中,步骤S3具体包括:
步骤S3.1:对协方差矩阵进行特征值分解;
步骤S3.2:基于M-P律从特征值分解结果中筛选出异常特征值,其中,M-P律用以表征符合独立同分布条件的高维数据矩阵的特征值分布情况:
步骤S3.3:基于筛选出的异常特征值,采用异常特征值和相应的特征向量计算各个量测点对特征值的贡献度,其中,第i个量测点对λk的贡献度表征为:
步骤S3.4:对大于b的特征值的贡献度按权相加,获得故障时第i个量测点对故障的贡献值为Li,其中,权重表示对应的特征值的大小,:
其中,λk为高维零序电流矩阵的协方差矩阵的第k个特征值;Wik表示第k个特征值对应的特征向量Wk的第i行元素。
具体来说,步骤S3.1对于经过标准化处理的高维零序电流矩阵其协方差矩阵Sn是对称矩阵,因此可进行奇异值分解(SVD):
S=W∑U
其中W和U分别是其左、右特征向量,Σ为奇异值矩阵,则有,
易知,仅故上式可简化为,
步骤S3.2中,M-P律表征了服从正态分布的高维随机矩阵的极限谱分布情况,当矩阵中元素符合独立同分布时,其极限谱分布将和M-P律吻合,则协方差矩阵的特征值将在a和b之间;否则,数据间存在关联性,不符合独立同分布,特征值不在(a,b)内,将出现大于b的特征值。该特性与配网中数据分布规律相同,当配电网正常运行时,其各个重要测量参数,如各量测点的电压、零序电流幅值等,均在某一固定值附近波动,该波动由测量误差、白噪声和小扰动等造成,此时整个系统的数据呈现一种统计的随机特性,服从正态分布,此时其分布特性符合M-P律;而当系统出现单相接地等故障时,数据之间存在关联性,随机特性被打破,数据不服从正态分布,也不再符合M-P律。由此可见,用M-P律可反映配电网中数据的分布特性,即反映配电网的运行情况,因此可将该特性和配电网的物理特性相结合进行故障检测定位。
本发明中,大于b的特征值代表重要且异常的信息,因此筛选这一部分特征值计算各节点的故障贡献度。
然后采用异常特征值和相应的特征向量计算各个量测点对特征值的贡献度,并对大于b的特征值的贡献度按权相加,权重即为对应的特征值的大小,则可以得到故障时第i个量测点对故障的贡献值为Li。
步骤S4:根据各同步量测节点对异常的贡献度与阈值的关系确定故障影响范围,并结合配网结构进行故障定位。
具体来说,为了达到快速检测定位的目的,本发明将滑动时间窗和各测量点对故障的贡献值相结合,对配电网进行实时监测,实时地计算每个量测点对故障的贡献度,然后根据每个量测点对故障的贡献度与阈值的关系确定故障影响范围,再进一步结合配网结构进行故障定位,定位故障点。
在一种实施方式中,步骤S4具体包括选取同步量测节点对异常的贡献度大于阈值的量测点,并结合配网结构进行故障定位。
在一种实施方式中,选取同步量测节点对异常的贡献度大于阈值的量测点进行故障检测和定位,具体通过下式来实现:
loc=arg(Li≥0.1)
其中,loc表示故障区域定位信息,Li表示第i个量测点对故障的贡献值,阈值为0.1,arg(Li≥0.1)表示筛选出符合Li≥0.1的量测节点i。
配电网是一个各节点相互关联的有机系统,某一节点发生故障时,其他各节点所受影响程度不同,有故障电流流过的节点对故障的贡献度较大,没有故障电流流过的节点对故障的贡献较小,因此选择故障贡献值较大的一系列节点确定故障范围,该过程即过滤出Li超过某一阈值的节点,然后结合配网结构、电源的位置等信息确定故障点。
总体来说,本发明具有如下优点:1.基于M-P律提取数据间的相关性,并进行故障检测定位,避免了直接对母线的零序电流/电压幅值进行分析,具有较高的灵敏度;2.采用滑动时间窗实时监测计算各量测节点对故障的贡献度,能够对配电网进行实时监测,快速检测并定位单相接地故障。
图2是具体实施例中故障检测定位方法具体实现流程图,t表示一个循环次数,每次计算一个滑动时间窗数据。
下面结合具体实例和附图,对本发明的技术方案作进一步具体的说明。
如图3所示,本发明基于PSCAD搭建由若干个节点配网模型进行故障检测定位验证,设各节点均配有同步量测装置,在某一量测节点附近设置经10Ω单相接地故障,单相接地故障均在0.3秒开始,0.5秒切除,采样频率为20000Hz,为便于仿真计算,截取第5401-8400个采样点数据进行仿真验证,即所选取总数据量为80×3000,即前600个采样时刻正常运行,第601个时刻开始该量测节点附发生单相接地故障。
步骤1,选取滑动时间窗大小为80×200,滑动步长为1,构造高维零序电流数据矩阵X80×200。
步骤2,对当前滑动时间窗内的数据进行归一化处理并求对应的协方差矩阵。
步骤4,若存在L值大于0.1的节点,则有故障发生,图2为本实施例仿真流程图。
需要说明的是,在实际应用中滑动时间窗表现为按照采样频率进行数据更新,每次有新的采样数据时,有一列历史数据移除,有一列新的数据移进,滑动时间窗中的数据量保持不变,在每个采样时刻对时间窗中的数据进行分析,达到了实时分析的目的。
由图4可见,在第625个采样时刻出现L值大于0.1的节点(为了清晰展示,图4仅示出了第625个采样时刻的节点),故认为故障发生在第625个采样点,仿真中设置故障发生在第600个采样时刻,延迟1.25ms,可见本发明能够准确、快速地进行故障检测。
图4中L2和L4大于0.1,故筛选这两个量测节点进行故障定位,考虑到该配网结构,当单相接地故障发生时,故障电流从电源侧流出,经过节点1,2,流至节点4,节点4为线路末端,故可确定单相接地故障发生在节点4附近,故障定位结果正确,如图5所示。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于配网同步量测大数据的故障检测定位方法,其特征在于,包括:
步骤S1:基于配网同步量测数据构造高维零序电流矩阵,并根据构造的高维零序电流矩阵确定滑动时间窗的大小和滑动步长;
步骤S2:根据滑动时间窗的大小和滑动步长确定一个滑动时间窗,对滑动时间窗内的数据进行归一化处理并求其协方差矩阵;
步骤S3:对协方差矩阵进行特征值分解,根据特征值分解结果筛选出异常特征值并计算各同步量测节点对异常的贡献度;
步骤S4:根据各同步量测节点对异常的贡献度与阈值的关系确定故障影响范围,并结合配网结构进行故障定位。
4.如权利要求3所述的方法,其特征在于,步骤S3具体包括:
步骤S3.1:对协方差矩阵进行特征值分解;
步骤S3.2:基于M-P律从特征值分解结果中筛选出异常特征值,其中,M-P律用以表征符合独立同分布条件的高维数据矩阵的特征值分布情况:
步骤S3.3:基于筛选出的异常特征值,采用异常特征值和相应的特征向量计算各个量测点对特征值的贡献度,其中,第i个量测点对λk的贡献度表征为:
步骤S3.4:对大于b的特征值的贡献度按权相加,获得故障时第i个量测点对故障的贡献值为Li,其中,权重表示对应的特征值的大小,:
其中,λk为高维零序电流矩阵的协方差矩阵的第k个特征值;Wik表示第k个特征值对应的特征向量Wk的第i行元素。
5.如权利要求1所述的方法,其特征在于,步骤S4具体包括选取同步量测节点对异常的贡献度大于阈值的量测点,并结合配网结构进行故障定位。
6.如权利要求5所述的方法,其特征在于,选取同步量测节点对异常的贡献度大于阈值的量测点进行故障检测和定位,具体通过下式来实现:
loc=arg(Li≥0.1)
其中,loc表示故障区域定位信息,Li表示第i个量测点对故障的贡献值,阈值为0.1,arg(Li≥0.1)表示筛选出符合Li≥0.1的量测节点i。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910876745.7A CN110632455A (zh) | 2019-09-17 | 2019-09-17 | 一种基于配网同步量测大数据的故障检测定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910876745.7A CN110632455A (zh) | 2019-09-17 | 2019-09-17 | 一种基于配网同步量测大数据的故障检测定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110632455A true CN110632455A (zh) | 2019-12-31 |
Family
ID=68970996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910876745.7A Pending CN110632455A (zh) | 2019-09-17 | 2019-09-17 | 一种基于配网同步量测大数据的故障检测定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110632455A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830365A (zh) * | 2020-06-20 | 2020-10-27 | 青岛鼎信通讯股份有限公司 | 一种应用于电网故障诊断的多暂态统计故障定位方法 |
CN112557819A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种主动配电网故障识别方法、系统及计算机可读储存介质 |
CN113835947A (zh) * | 2020-06-08 | 2021-12-24 | 支付宝(杭州)信息技术有限公司 | 一种基于异常识别结果确定异常原因的方法和系统 |
WO2023241326A1 (zh) * | 2022-06-14 | 2023-12-21 | 无锡隆玛科技股份有限公司 | 基于样本协方差矩阵最大特征值变化率的电网异常检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699804A (zh) * | 2016-01-22 | 2016-06-22 | 吉林大学 | 一种配电网大数据故障检测与定位方法 |
CN106022529A (zh) * | 2016-05-26 | 2016-10-12 | 中国电力科学研究院 | 一种基于高维随机矩阵的配电网异常数据检测方法 |
CN107025500A (zh) * | 2017-04-11 | 2017-08-08 | 山东理工大学 | 主动配电网量测设备关键部署位置的识别方法 |
CN108196165A (zh) * | 2018-01-09 | 2018-06-22 | 贵州大学 | 基于样本协方差矩阵最大特征值的电网异常状态检测方法 |
CN108418660A (zh) * | 2018-02-13 | 2018-08-17 | 桂林电子科技大学 | 一种低信噪比环境中提高特征值信号检测灵敏度的方法 |
CN109507526A (zh) * | 2018-10-29 | 2019-03-22 | 山东大学 | 基于同步相量测量和协方差矩阵理论的配电网故障诊断方法 |
CN110208647A (zh) * | 2019-05-27 | 2019-09-06 | 国网上海市电力公司 | 一种基于随机矩阵的配电网单相接地故障区段定位方法 |
-
2019
- 2019-09-17 CN CN201910876745.7A patent/CN110632455A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699804A (zh) * | 2016-01-22 | 2016-06-22 | 吉林大学 | 一种配电网大数据故障检测与定位方法 |
CN106022529A (zh) * | 2016-05-26 | 2016-10-12 | 中国电力科学研究院 | 一种基于高维随机矩阵的配电网异常数据检测方法 |
CN107025500A (zh) * | 2017-04-11 | 2017-08-08 | 山东理工大学 | 主动配电网量测设备关键部署位置的识别方法 |
CN108196165A (zh) * | 2018-01-09 | 2018-06-22 | 贵州大学 | 基于样本协方差矩阵最大特征值的电网异常状态检测方法 |
CN108418660A (zh) * | 2018-02-13 | 2018-08-17 | 桂林电子科技大学 | 一种低信噪比环境中提高特征值信号检测灵敏度的方法 |
CN109507526A (zh) * | 2018-10-29 | 2019-03-22 | 山东大学 | 基于同步相量测量和协方差矩阵理论的配电网故障诊断方法 |
CN110208647A (zh) * | 2019-05-27 | 2019-09-06 | 国网上海市电力公司 | 一种基于随机矩阵的配电网单相接地故障区段定位方法 |
Non-Patent Citations (1)
Title |
---|
BO WANG ET AL: ""A data-driven method to detect and localize the single-phase grounding fault in distribution network based on synchronized phasor measurement"", 《EURASIP JOURNAL ON WIRELESS COMMUNICATIONS AND NETWORKING》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113835947A (zh) * | 2020-06-08 | 2021-12-24 | 支付宝(杭州)信息技术有限公司 | 一种基于异常识别结果确定异常原因的方法和系统 |
CN113835947B (zh) * | 2020-06-08 | 2024-01-26 | 支付宝(杭州)信息技术有限公司 | 一种基于异常识别结果确定异常原因的方法和系统 |
CN111830365A (zh) * | 2020-06-20 | 2020-10-27 | 青岛鼎信通讯股份有限公司 | 一种应用于电网故障诊断的多暂态统计故障定位方法 |
CN112557819A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种主动配电网故障识别方法、系统及计算机可读储存介质 |
WO2023241326A1 (zh) * | 2022-06-14 | 2023-12-21 | 无锡隆玛科技股份有限公司 | 基于样本协方差矩阵最大特征值变化率的电网异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632455A (zh) | 一种基于配网同步量测大数据的故障检测定位方法 | |
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
Danilczyk et al. | Smart grid anomaly detection using a deep learning digital twin | |
CN105699804B (zh) | 一种配电网大数据故障检测与定位方法 | |
CN109193650B (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
CN111679158A (zh) | 基于同步量测数据相似度的配电网故障辨识方法 | |
CN107132454A (zh) | 基于随机矩阵谱半径法的电网异常快速检测方法 | |
CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
CN110208647B (zh) | 一种基于随机矩阵的配电网单相接地故障区段定位方法 | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
Shi et al. | Online event detection in synchrophasor data with graph signal processing | |
CN114062850B (zh) | 一种双阈值电网早期故障检测方法 | |
Zheng et al. | Real-time transient stability assessment based on deep recurrent neural network | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
Mbamaluikem et al. | An artificial neural network-based intelligent fault classification system for the 33-kV Nigeria transmission line | |
Stefanidou-Voziki et al. | Data analysis and management for optimal application of an advanced ML-based fault location algorithm for low voltage grids | |
Mahmoud et al. | Review of fuzzy and ANN fault location methods for distribution power system in oil and gas sectors | |
CN112801135B (zh) | 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备 | |
CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 | |
CN112285482A (zh) | 一种有源配电网故障确定方法和系统 | |
CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
CN111273126A (zh) | 一种配电网拓扑快速感知方法 | |
da Silva Pessoa et al. | Fault location in radial distribution systems based on decision trees and optimized allocation of power quality meters | |
Lala et al. | Fault Detection and Localization using Continuous Wavelet Transform and Artificial Neural Network Based Approach in Distribution System. |
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 |
Application publication date: 20191231 |
|
RJ01 | Rejection of invention patent application after publication |