CN111308260A - 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 - Google Patents

一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 Download PDF

Info

Publication number
CN111308260A
CN111308260A CN202010301112.6A CN202010301112A CN111308260A CN 111308260 A CN111308260 A CN 111308260A CN 202010301112 A CN202010301112 A CN 202010301112A CN 111308260 A CN111308260 A CN 111308260A
Authority
CN
China
Prior art keywords
harmonic
harmonics
harmonic information
similarity
frequency
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
Application number
CN202010301112.6A
Other languages
English (en)
Other versions
CN111308260B (zh
Inventor
徐通通
陈浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Zhuowen Information Technology Co ltd
Original Assignee
Shandong Zhuowen Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Zhuowen Information Technology Co ltd filed Critical Shandong Zhuowen Information Technology Co ltd
Priority to CN202010301112.6A priority Critical patent/CN111308260B/zh
Publication of CN111308260A publication Critical patent/CN111308260A/zh
Application granted granted Critical
Publication of CN111308260B publication Critical patent/CN111308260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法，包括：(1)智能断路器获取电网中的电流信号，并送至主控系统；(2)主控系统接收电流信号，通过训练好的小波神经网络计算获得电流信号的谐波信息；(3)电能质量监测：谐波信息与预先设定的数据库中的电能质量模型进行逐一比对，计算相似度，判定问题类型；(4)电器故障分析：谐波信息与电器故障模型进行逐一比对，计算相似度，判定故障类型；(5)判定结果传递至远端服务器，由服务器存储，用户可通过web网页端，或手机APP端实时查看信息。本发明采用三层神经网络实现小波变换分析，可以提升小波变换的准确度，进而提升谐波分析的精度。

Description

一种基于小波神经网络的电能质量监测和电器故障分析系统 及其工作方法
技术领域
本发明涉及电力系统维护技术领域，具体涉及一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法。
背景技术
随着国家经济的不断进步和电力行业所支撑领域的不断拓展，日常生产生活对供电量和电能质量的要求越来越高，然而电网中大规模的非线性元件的引入使电能供应产生了大量污染。同时，随着电力系统规模的不断扩大，如何利用电能本身分析电器故障也具有重要意义。因此，需要研制用于电能质量监测和电器故障分析的高精度、高鲁棒性的系统。
目前，电网中常用谐波分析的方法进行电能质量监测和电器故障分析，谐波的检测和分析是电力系统控制和分析的重要工作。目前,常用的谐波检测方法主要有基于瞬时无功功率理论和基于快速傅里叶变换(FFT)的谐波检测方法。基于瞬时无功功率理论的谐波检测方法原理简单、动态响应速度快，但其检测精度受滤波器的影响很大,同时只在时域进行变换,不利于频谱分析，采用傅里叶变换以及诸多其他改进的傅里叶变换检测电网谐波时容易发生频谱泄漏和栅栏现象等缺陷，且F无法同时提供时域和频域的信息。
当下谐波分析的研究热点分为小波变换分析和神经网络两大方向。小波分析方法具有多尺度分析和时频局部化特性,特别适用于边缘和峰值突变信号的处理和特征抽取,其中连续小波变换可以一定程度地克服混频和非整数次谐波检测的缺陷问题，多频带小波变换能一次性地提取待分析信号的多次谐波分量，减少失真，所以能够提高总的谐波分析水平。小波变换分析可以进行时域局部集中的时频域分析,特别适用于电力系统谐波分析。人工神经网络(ANN：Artificial Neural Network)具有良好的鲁棒性和计算速度,其通过训练集数据不断迭代调整网络层间的权重，可以使输出结果无限逼近实际结果。也就是说通过“学习”使得结果更加精确。如何将二者有机结合起来，并做到快速准确的跟踪谐波分量，进而监测电能质量并判断电器故障，是现在行业的一大难点。目前还没有任何成功的案例。
发明内容
针对现有技术的不足，本发明提供了一种基于小波神经网络的电能质量监测和电器故障分析系统；
本发明还提供了上述电能质量监测和电器故障分析系统的工作方法。
术语解释：
电能质量模型：一般采集到的电能质量信号为电流信号或电压信号，不用的电能质量信号所包含的谐波信息是不同的，如正常电压、短时谐波、简谐波。将这些谐波信息记录下来，归为不同的模型。比如，模型1指代正常电压，模型2指代短时谐波，模型3指代简谐波。在实际应用时，可以按照实际需求添加更多模型，增大本方法的鲁棒性。
电气故障模型：电气设备发生故障时，由于发生位置的不同，所引起的谐波是不同的。以电动机为例。如电动机旋转轴损坏时，以二阶谐波为主，电动机定子损坏时，以三阶谐波为主，电动机气隙粘附污垢或局部过热时，以五阶谐波为主。谐波的阶数也称谐波次数，用谐波频率同基波频率之比给出。根据谐波阶数，分别定义模型1、模型2、模型3，指代不同部位的损坏。在实际应用时，可以按照实际需求添加更多模型，用以分析不同的设备，增大本方法的鲁棒性。
本发明的技术方案为：
一种基于小波神经网络的电能质量监测和电器故障分析系统，包括主控系统、智能断路器，
所述智能断路器包括第一中央处理器及与所述第一中央处理器连接的第一电源模块、开关(空气开关)、第一总线模块、电压电流传感器，所述第一电源模块连接所述开关；
所述电压电流传感器用于获取电网中的电流信号，所述第一中央处理器用于向所述第一总线模块发出指令，命令所述第一总线模块将获取的电流信号发送至所述主控系统；所述第一总线模块用于将获取的电流信号发送至所述主控系统，所述第一电源模块用于实现所述智能断路器的供电；
所述主控系统包括第二中央处理器及与所述第二中央处理器连接的第二电源模块、供电模块、第二总线模块，所述第二电源模块连接所述供电模块，所述第二中央处理器用于通过训练好的小波神经网络计算获得电流信号的谐波信息；所述第二供电模块用于实现所述主控系统的供电；所述电源模块用于向所述第一电源模块供电；所述第二总线模块用于接收所述智能断路器发送的电流信号至所述第二中央处理器，谐波信息包括谐波的阶数、谐波的频率及其出现的时间点、谐波的相位、谐波的幅值。
根据本发明优选的，所述第一中央处理器及所述第二中央处理器的型号均为STM32F103RE。
根据本发明优选的，所述第一总线模块及所述第二总线模块均为RS485总线。
上述电能质量监测和电器故障分析系统的工作方法，包括步骤如下：
(1)所述智能断路器通过所述电压电流传感器获取电网中的电流信号，并将电流信号实时通过所述第二总线模块发送至所述主控系统；
(2)所述主控系统通过所述第二总线模块接收步骤(1)发送过来的电流信号，通过训练好的小波神经网络计算获得电流信号的谐波信息，谐波信息包括谐波的阶数、谐波的频率及其出现的时间点、谐波的相位、谐波的幅值；
智能断路器获取的电流信号可以分解为不同尺度不同时移的小波函数的线性组合，其中，每一项的系数称为小波系数。小波系数可以精准反应信号谐波信息。构建小波神经网络，通过该神经网络求取最优小波系数，获得断路器电流谐波参数的精确估计，进而进行电能质量监测和电器故障分析。
(3)电能质量监测：所述主控系统将计算得出的谐波信息与预先设定的数据库中的电能质量模型中的任一模型进行逐一比对，电能质量模型包括正常电压电能质量模型、短时谐波电能质量模型、简谐波电能质量模型，在实际应用时，可以按照实际需求添加更多模型，增大本方法的鲁棒性。计算谐波信息与电能质量模型中任一模型的相似度，当相似度超过75％时，即判定所述智能断路器获取的电流信号中出现了该模型代表的问题类型，当某谐波信息与电能质量模型中多个模型的相似度均超过75％时，按相似度从低到高进行排列，依次判定问题类型；例如，不特定某个或某几个模型，比如，谐波信息与模型2相似度80％，与模型3相似度90％，则先报告模型3的问题，在报告模型2的问题。随着实际工作需要而添加模型是，此方法不变。
当某谐波信息与任何模型的相似度均未超过75％时，若谐波中存在高于50Hz的频率且高于50Hz的频率谐波幅值高于50Hz频率幅值的5％，则判定为未知问题类型；若谐波中不存在高于50Hz的频率或高于50Hz的频率谐波幅值低于50Hz频率幅值的5％，则判定为电能质量合格；
(4)电器故障分析：所述主控系统将计算得出的谐波信息与预先设定的数据库中的电器故障模型中的任一模型进行逐一比对，计算谐波信息与该模型的相似度，当相似度超过75％时，即判定智能断路器获取的电流信号中出现了该模型代表的故障类型；当某谐波信息与多个模型的相似度均超过75％时，按相似度从低到高进行排列，依次判定故障类型；
当某谐波信息与任何模型的相似度均未超过75％时，若谐波中存在高于50Hz的频率且高于50Hz的频率谐波幅值高于50Hz频率幅值的5％，则判定为未知故障类型；若谐波中不存在高于50Hz的频率或高于50Hz的频率谐波幅值低于50Hz频率幅值的5％，则判定为电器正常；
(5)所述主控系统将步骤(3)及步骤(4)得到的判定结果传递至远端服务器，由服务器存储，用户可通过web网页端，或手机APP端实时查看信息。
根据本发明优选的，电能质量模型包括正常电压模型、短时谐波模型、简谐波模型。
根据本发明优选的，步骤(3)中，计算谐波信息与电能质量模型中任一模型的相似度，是指：将计算得出的谐波信息与电能质量模型中的任一模型的谐波信息进行比对，如果计算得出的谐波信息中的谐波的阶数与当前模型中的谐波信息中的谐波的阶数的相似度大于75％，计算得出的谐波信息中的谐波的频率与当前模型中的谐波信息中的谐波的频率的相似度大于75％，计算得出的谐波信息中的谐波的频率出现的时间点与当前模型中的谐波信息中的谐波的频率出现的时间点的相似度大于75％，计算得出的谐波信息中的谐波的相位与当前模型中的谐波信息中的谐波的相位的相似度大于75％，且计算得出的谐波信息中的谐波的幅值与当前模型中的谐波信息中的谐波的幅值的相似度大于75％，即判定所述智能断路器获取的电流信号中出现了该模型代表的问题类型。
根据本发明优选的，步骤(4)中，计算谐波信息与电器故障模型中任一模型的相似度，是指：将计算得出的谐波信息与电器故障模型中任一模型的谐波信息进行比对，如果计算得出的谐波信息中的谐波的阶数与当前模型中的谐波信息中的谐波的阶数的相似度大于75％，计算得出的谐波信息中的谐波的频率与当前模型中的谐波信息中的谐波的频率的相似度大于75％，计算得出的谐波信息中的谐波的频率出现的时间点与当前模型中的谐波信息中的谐波的频率出现的时间点的相似度大于75％，计算得出的谐波信息中的谐波的相位与当前模型中的谐波信息中的谐波的相位的相似度大于75％，且计算得出的谐波信息中的谐波的幅值与当前模型中的谐波信息中的谐波的幅值的相似度大于75％，即判定智能断路器获取的电流信号中出现了该模型代表的故障类型。
根据本发明优选的，步骤(2)中所述小波神经网络构建步骤如下：
a、选取Morlet小波函数
Morlet小波函数ψ0(t)如式(Ⅰ)所示：
Figure BDA0002454025090000041
式(Ⅰ)中，t为时间，ω0是无量纲频率；
图2为Morlet小波函数的时频波形图。
通常在对时间系列进行分析时，希望能够得到平滑连续的小波振幅，因此非正交小波函数较为合适。此外，要得到时间序列振幅和相位两方面的信息，就要选择复值小波，因为复值小波具有虚部，可以对相位进行很好的表达。Morlet小波函数是高斯包络下的单频率复正弦函数。Morlet小波不存在尺度函数，所以Morlet小波函数不具有正交性。Morlet小波函数是对称信号，适用于连续多频段下的谐波分析，特别适用于电力系统谐波分析。
b、信号分解
智能断路器获取的电流信号分解为一系列不同尺度和不同时移的小波基函数的线性组合,其中每一项的系数称为小波系数,小波系数的求取公式如式(Ⅱ)所述：
Figure BDA0002454025090000042
式(Ⅱ)中，a是尺度因子，τ是时间位移，WTf(a,τ)指代小波系数，ω是无量纲频率，Ψ*(aω)是对以尺度a对频率ω进行Morlet小波变换后的信号取共轭复数，F(ω)是信号的傅里叶变换；
可以看出信号经过小波变换后可以精确地反映出信号中各谐波的信息。
式(Ⅱ)由下式所得：
Figure BDA0002454025090000051
c、构建小波神经网络
所述小波神经网络包括输入层、隐藏层、输出层；
所述输入层包括n个神经元，接收训练数据集，训练数据集是指(x、y、z、w),x＝{x(1)，x(2)，…x(i)…，x(n)}，y＝{y(1)，y(2)，…y(i)…，y(n)}，z＝{z(1)，z(2)，…z(i)…，z(n)}，w＝{w(1)，w(2)，…w(i)…，w(n)}，x(i)表示第i个采样点对应的时刻，y(i)表示第i个采样点对应的时移，z(i)表示第i个采样点对应的尺度因子，w(i)表示第i个采样点对应的电流幅值，n是指采样点的总数；
所述隐藏层神经元由Morlet小波函数构建激活函数，隐藏层包括n+1个神经元，所述激活函数ψ(i)如式(Ⅲ)所述：
Figure BDA0002454025090000052
所述输出层包括n个神经元，输出值为
Figure BDA0002454025090000053
Figure BDA0002454025090000054
Figure BDA0002454025090000055
表示第i个采样点由所述小波神经网络计算所得的电流幅值；
d、更新权重
采用交叉熵损失函数计算所述小波神经网络的反向传播误差，将此误差值传回所述小波神经网络内部，据此修正并更新所述小波神经网络层间的权重，所述小波神经网络通过不断学习更新权重，获取更精确的输出结果，得到训练好的小波神经网络。
根据本发明优选的，交叉熵损失函数的计算公式如式(IV)所示：
H(p,q)＝-∑i p(i)log q(i) (IV)
式(IV)中，H(p,q)是指输出值与实际值的交叉熵损失，p(i)是实际值，q(i)为所述小波神经网络输出值，i的取值为1-n，表示从第i个采样点输出的电流幅值与实际电流幅值的交叉熵损失。设置交叉熵损失的阈值为0.01，当交叉熵损失函数的值小于此设定值时，得到训练好的小波神经网络。
根据本发明优选的，步骤(5)中，所述主控系统将步骤(3)及步骤(4)得到的判定结果通过RJ45、WIFI、4G、NB-IoT或Bluetooth方式传递至远端服务器。
本发明的有益效果为：
1、本发明实现系统采用智能断路器采集电流信号，可以在采集的同时兼顾电路保护，以最快时间处理电路故障，有效提高了安全性。
2、目前谐波分析常用基于瞬时无功功率理论和基于傅里叶变换的方法，二者均存在检测精度不够的问题，易影响分析结果，采用小波变换的方法可以规避二者的固有缺陷，提高检测精度。
3、本发明实现系统采用三层神经网络实现小波变换分析，可以提升小波变换的准确度，进而提升谐波分析的精度。
4、本发明实现系统通过预先设定故障模型，可以快速分析电路故障，同时将分析结果上传云端服务器，便于用户查看及维护。
附图说明：
图1为本发明实现系统组成示意图。
图2为本发明主控系统的结构示意图。
图3为本发明智能断路器的结构示意图。
图4为Morlet小波函数的时频波形图。
图5为一种基于小波神经网络的电能质量监测和电器故障分析方法的流程图。
图6为本发明小波神经网络组成示意图。
图7为仿真测试信号FFT的频谱图。
图8为仿真测试信号小波神经网络的时频图。
图9为仿真测试信号的电能质量模型判定结果。
图10为仿真测试信号的电器故障模型判定结果。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步说明，但不限于此。
实施例1
一种基于小波神经网络的电能质量监测和电器故障分析系统，如图1所示，包括主控系统、智能断路器，
如图3所示，智能断路器包括第一中央处理器及与第一中央处理器连接的第一电源模块、开关(空气开关)、第一总线模块、电压电流传感器，第一电源模块连接开关；电压电流传感器用于获取电网中的电流信号，第一中央处理器用于向第一总线模块发出指令，命令第一总线模块将获取的电流信号发送至主控系统；第一总线模块用于将获取的电流信号发送至主控系统，第一电源模块用于实现智能断路器的供电；
主控系统包括第二中央处理器及与第二中央处理器连接的第二电源模块、供电模块、第二总线模块，第二电源模块连接供电模块，第二中央处理器用于通过训练好的小波神经网络计算获得电流信号的谐波信息；第二供电模块用于实现主控系统的供电；电源模块用于向第一电源模块供电；第二总线模块用于接收智能断路器发送的电流信号至第二中央处理器，谐波信息包括谐波的阶数、谐波的频率及其出现的时间点、谐波的相位、谐波的幅值。
第一中央处理器及第二中央处理器的型号均为STM32F103RE。第一总线模块及第二总线模块均为RS485总线。
实施例2
实施例1所述电能质量监测和电器故障分析系统的工作方法，如图5所示，包括步骤如下：
(1)智能断路器通过电压电流传感器获取电网中的电流信号，并将电流信号实时通过第二总线模块发送至主控系统；
(2)主控系统通过第二总线模块接收步骤(1)发送过来的电流信号，通过训练好的小波神经网络计算获得电流信号的谐波信息，谐波信息包括谐波的阶数、谐波的频率及其出现的时间点、谐波的相位、谐波的幅值；
智能断路器获取的电流信号可以分解为不同尺度不同时移的小波函数的线性组合，其中，每一项的系数称为小波系数。小波系数可以精准反应信号谐波信息。构建小波神经网络，通过该神经网络求取最优小波系数，获得断路器电流谐波参数的精确估计，进而进行电能质量监测和电器故障分析。
(3)电能质量监测：主控系统将计算得出的谐波信息与预先设定的数据库中的电能质量模型中的任一模型进行逐一比对，电能质量模型包括正常电压电能质量模型、短时谐波电能质量模型、简谐波电能质量模型，在实际应用时，可以按照实际需求添加更多模型，增大本方法的鲁棒性。计算谐波信息与电能质量模型中任一模型的相似度，当相似度超过75％时，即判定所述智能断路器获取的电流信号中出现了该模型代表的问题类型，当某谐波信息与电能质量模型中多个模型的相似度均超过75％时，按相似度从低到高进行排列，依次判定问题类型；例如，不特定某个或某几个模型，比如，谐波信息与模型2相似度80％，与模型3相似度90％，则先报告模型3的问题，在报告模型2的问题。随着实际工作需要而添加模型是，此方法不变。
当某谐波信息与任何模型的相似度均未超过75％时，若谐波中存在高于50Hz的频率且高于50Hz的频率谐波幅值高于50Hz频率幅值的5％，则判定为未知问题类型；若谐波中不存在高于50Hz的频率或高于50Hz的频率谐波幅值低于50Hz频率幅值的5％，则判定为电能质量合格；
(4)电器故障分析：主控系统将计算得出的谐波信息与预先设定的数据库中的电器故障模型中的任一模型进行逐一比对，计算谐波信息与该模型的相似度，当相似度超过75％时，即判定智能断路器获取的电流信号中出现了该模型代表的故障类型；当某谐波信息与多个模型的相似度均超过75％时，按相似度从低到高进行排列，依次判定故障类型；
当某谐波信息与任何模型的相似度均未超过75％时，若谐波中存在高于50Hz的频率且高于50Hz的频率谐波幅值高于50Hz频率幅值的5％，则判定为未知故障类型；若谐波中不存在高于50Hz的频率或高于50Hz的频率谐波幅值低于50Hz频率幅值的5％，则判定为电器正常；
(5)主控系统将步骤(3)及步骤(4)得到的判定结果传递至远端服务器，由服务器存储，用户可通过web网页端，或手机APP端实时查看信息。
电能质量模型包括正常电压模型、短时谐波模型、简谐波模型。
步骤(3)中，计算谐波信息与电能质量模型中任一模型的相似度，是指：将计算得出的谐波信息与电能质量模型中的任一模型的谐波信息进行比对，如果计算得出的谐波信息中的谐波的阶数与当前模型中的谐波信息中的谐波的阶数的相似度大于75％，计算得出的谐波信息中的谐波的频率与当前模型中的谐波信息中的谐波的频率的相似度大于75％，计算得出的谐波信息中的谐波的频率出现的时间点与当前模型中的谐波信息中的谐波的频率出现的时间点的相似度大于75％，计算得出的谐波信息中的谐波的相位与当前模型中的谐波信息中的谐波的相位的相似度大于75％，且计算得出的谐波信息中的谐波的幅值与当前模型中的谐波信息中的谐波的幅值的相似度大于75％，即判定所述智能断路器获取的电流信号中出现了该模型代表的问题类型。
步骤(4)中，计算谐波信息与电器故障模型中任一模型的相似度，是指：将计算得出的谐波信息与电器故障模型中任一模型的谐波信息进行比对，如果计算得出的谐波信息中的谐波的阶数与当前模型中的谐波信息中的谐波的阶数的相似度大于75％，计算得出的谐波信息中的谐波的频率与当前模型中的谐波信息中的谐波的频率的相似度大于75％，计算得出的谐波信息中的谐波的频率出现的时间点与当前模型中的谐波信息中的谐波的频率出现的时间点的相似度大于75％，计算得出的谐波信息中的谐波的相位与当前模型中的谐波信息中的谐波的相位的相似度大于75％，且计算得出的谐波信息中的谐波的幅值与当前模型中的谐波信息中的谐波的幅值的相似度大于75％，即判定智能断路器获取的电流信号中出现了该模型代表的故障类型。
步骤(2)中小波神经网络构建步骤如下：
a、选取Morlet小波函数
Morlet小波函数ψ0(t)如式(Ⅰ)所示：
Figure BDA0002454025090000081
式(Ⅰ)中，t为时间，ω0是无量纲频率；
图2为Morlet小波函数的时频波形图。
通常在对时间系列进行分析时，希望能够得到平滑连续的小波振幅，因此非正交小波函数较为合适。此外，要得到时间序列振幅和相位两方面的信息，就要选择复值小波，因为复值小波具有虚部，可以对相位进行很好的表达。Morlet小波函数是高斯包络下的单频率复正弦函数。Morlet小波不存在尺度函数，所以Morlet小波函数不具有正交性。Morlet小波函数是对称信号，适用于连续多频段下的谐波分析，特别适用于电力系统谐波分析。
b、信号分解
智能断路器获取的电流信号分解为一系列不同尺度和不同时移的小波基函数的线性组合,其中每一项的系数称为小波系数,小波系数的求取公式如式(Ⅱ)所述：
Figure BDA0002454025090000091
式(Ⅱ)中，a是尺度因子，τ是时间位移，WTf(a,τ)指代小波系数，ω是无量纲频率，Ψ*(aω)是对以尺度a对频率ω进行Morlet小波变换后的信号取共轭复数，F(ω)是信号的傅里叶变换；
可以看出信号经过小波变换后可以精确地反映出信号中各谐波的信息。
式(Ⅱ)由下式所得：
Figure BDA0002454025090000092
c、构建小波神经网络
小波神经网络包括输入层、隐藏层、输出层；如图6所示。
输入层包括n个神经元，接收训练数据集，训练数据集是指(x、y、z、w),x＝{x(1)，x(2)，…x(i)…，x(n)}，y＝{y(1)，y(2)，…y(i)…，y(n)}，z＝{z(1)，z(2)，…z(i)…，z(n)}，w＝{w(1)，w(2)，…w(i)…，w(n)}，x(i)表示第i个采样点对应的时刻，y(i)表示第i个采样点对应的时移，z(i)表示第i个采样点对应的尺度因子，w(i)表示第i个采样点对应的电流幅值，n是指采样点的总数；
所述隐藏层神经元由Morlet小波函数构建激活函数，隐藏层包括n+1个神经元，所述激活函数ψ(i)如式(Ⅲ)所述：
Figure BDA0002454025090000093
所述输出层包括n个神经元，输出值为
Figure BDA0002454025090000094
Figure BDA0002454025090000095
Figure BDA0002454025090000096
表示第i个采样点由所述小波神经网络计算所得的电流幅值；
d、更新权重
采用交叉熵损失函数计算所述小波神经网络的反向传播误差，将此误差值传回所述小波神经网络内部，据此修正并更新所述小波神经网络层间的权重，所述小波神经网络通过不断学习更新权重，获取更精确的输出结果，得到训练好的小波神经网络。
交叉熵损失函数的计算公式如式(IV)所示：
H(p,q)＝-∑i p(i)log q(i) (IV)
式(IV)中，H(p,q)是指输出值与实际值的交叉熵损失，p(i)是实际值，q(i)为所述小波神经网络输出值，i的取值为1-n，表示从第i个采样点输出的电流幅值与实际电流幅值的交叉熵损失。设置交叉熵损失的阈值为0.01，当交叉熵损失函数的值小于此设定值时，得到训练好的小波神经网络。
步骤(5)中，主控系统将步骤(3)及步骤(4)得到的判定结果通过RJ45、WIFI、4G、NB-IoT或Bluetooth方式传递至远端服务器。
本实施例的小波神经网络与FFT仿真效果对比图如图7和图8所示。图7中，横坐标是指频率，纵坐标是指幅值，图8中，横坐标是指时间，纵坐标是指幅值；仿真通过MATLAB软件运行。如图7和图8所示，可以看出小波神经网络所反映的谐波信息更全面。
本实施例的小波神经网络电能质量判定图如图9所示。图9中，横坐标是指测试信号序号，纵坐标是指模型识别种类；仿真通过MATLAB软件运行。作为示例，共输入十个电流信号，分别编号1-10。设定数据库内三个电能质量模型编号1、2、3。如图所示判定结果准确率100％。
本实施例的小波神经网络电器质量判定图如图10所示。图10中，横坐标是指测试信号序号，纵坐标是指模型识别种类；仿真通过MATLAB软件运行。作为示例，共输入十个电流信号，分别编号1-10。设定数据库内三个电气故障模型编号为1、2、3。如图所示判定结果准确率100％。

Claims (10)

1.一种基于小波神经网络的电能质量监测和电器故障分析系统，其特征在于，包括主控系统、智能断路器，
所述智能断路器包括第一中央处理器及与所述第一中央处理器连接的第一电源模块、开关、第一总线模块、电压电流传感器，所述第一电源模块连接所述开关；
所述电压电流传感器用于获取电网中的电流信号，所述第一中央处理器用于向所述第一总线模块发出指令，命令所述第一总线模块将获取的电流信号发送至所述主控系统；所述第一总线模块用于将获取的电流信号发送至所述主控系统，所述第一电源模块用于实现所述智能断路器的供电；
所述主控系统包括第二中央处理器及与所述第二中央处理器连接的第二电源模块、供电模块、第二总线模块，所述第二电源模块连接所述供电模块，所述第二中央处理器用于通过训练好的小波神经网络计算获得电流信号的谐波信息；所述第二供电模块用于实现所述主控系统的供电；所述电源模块用于向所述第一电源模块供电；所述第二总线模块用于接收所述智能断路器发送的电流信号至所述第二中央处理器，谐波信息包括谐波的阶数、谐波的频率及其出现的时间点、谐波的相位、谐波的幅值。
2.根据权利要求1所述的一种基于小波神经网络的电能质量监测和电器故障分析系统，其特征在于，所述第一中央处理器及所述第二中央处理器的型号均为STM32F103RE。
3.根据权利要求1所述的一种基于小波神经网络的电能质量监测和电器故障分析系统，其特征在于，所述第一总线模块及所述第二总线模块均为RS485总线。
4.权利要求1-3任一所述电能质量监测和电器故障分析系统的工作方法，其特征在于，包括步骤如下：
(1)所述智能断路器通过所述电压电流传感器获取电网中的电流信号，并将电流信号实时通过所述第二总线模块发送至所述主控系统；
(2)所述主控系统通过所述第二总线模块接收步骤(1)发送过来的电流信号，通过训练好的小波神经网络计算获得电流信号的谐波信息，谐波信息包括谐波的阶数、谐波的频率及其出现的时间点、谐波的相位、谐波的幅值；
(3)电能质量监测：所述主控系统将计算得出的谐波信息与预先设定的数据库中的电能质量模型中的任一模型进行逐一比对，计算谐波信息与电能质量模型中任一模型的相似度，当相似度超过75％时，即判定所述智能断路器获取的电流信号中出现了该模型代表的问题类型，当某谐波信息与电能质量模型中多个模型的相似度均超过75％时，按相似度从低到高进行排列，依次判定问题类型；
当某谐波信息与任何模型的相似度均未超过75％时，若谐波中存在高于50Hz的频率且高于50Hz的频率谐波幅值高于50Hz频率幅值的5％，则判定为未知问题类型；若谐波中不存在高于50Hz的频率或高于50Hz的频率谐波幅值低于50Hz频率幅值的5％，则判定为电能质量合格；
(4)电器故障分析：所述主控系统将计算得出的谐波信息与预先设定的数据库中的电器故障模型中的任一模型进行逐一比对，计算谐波信息与该模型的相似度，当相似度超过75％时，即判定智能断路器获取的电流信号中出现了该模型代表的故障类型；当某谐波信息与多个模型的相似度均超过75％时，按相似度从低到高进行排列，依次判定故障类型；
当某谐波信息与任何模型的相似度均未超过75％时，若谐波中存在高于50Hz的频率且高于50Hz的频率谐波幅值高于50Hz频率幅值的5％，则判定为未知故障类型；若谐波中不存在高于50Hz的频率或高于50Hz的频率谐波幅值低于50Hz频率幅值的5％，则判定为电器正常；
(5)所述主控系统将步骤(3)及步骤(4)得到的判定结果传递至远端服务器，由服务器存储，用户实时查看信息。
5.根据权利要求4所述的电能质量监测和电器故障分析系统的工作方法，其特征在于，电能质量模型包括正常电压模型、短时谐波模型、简谐波模型。
6.根据权利要求4所述的电能质量监测和电器故障分析系统的工作方法，其特征在于，步骤(3)中，计算谐波信息与电能质量模型中任一模型的相似度，是指：将计算得出的谐波信息与电能质量模型中的任一模型的谐波信息进行比对，如果计算得出的谐波信息中的谐波的阶数与当前模型中的谐波信息中的谐波的阶数的相似度大于75％，计算得出的谐波信息中的谐波的频率与当前模型中的谐波信息中的谐波的频率的相似度大于75％，计算得出的谐波信息中的谐波的频率出现的时间点与当前模型中的谐波信息中的谐波的频率出现的时间点的相似度大于75％，计算得出的谐波信息中的谐波的相位与当前模型中的谐波信息中的谐波的相位的相似度大于75％，且计算得出的谐波信息中的谐波的幅值与当前模型中的谐波信息中的谐波的幅值的相似度大于75％，即判定所述智能断路器获取的电流信号中出现了该模型代表的问题类型。
7.根据权利要求4所述的电能质量监测和电器故障分析系统的工作方法，其特征在于，步骤(4)中，计算谐波信息与电器故障模型中任一模型的相似度，是指：将计算得出的谐波信息与电器故障模型中任一模型的谐波信息进行比对，如果计算得出的谐波信息中的谐波的阶数与当前模型中的谐波信息中的谐波的阶数的相似度大于75％，计算得出的谐波信息中的谐波的频率与当前模型中的谐波信息中的谐波的频率的相似度大于75％，计算得出的谐波信息中的谐波的频率出现的时间点与当前模型中的谐波信息中的谐波的频率出现的时间点的相似度大于75％，计算得出的谐波信息中的谐波的相位与当前模型中的谐波信息中的谐波的相位的相似度大于75％，且计算得出的谐波信息中的谐波的幅值与当前模型中的谐波信息中的谐波的幅值的相似度大于75％，即判定智能断路器获取的电流信号中出现了该模型代表的故障类型。
8.根据权利要求4所述的电能质量监测和电器故障分析系统的工作方法，其特征在于，步骤(2)中所述小波神经网络构建步骤如下：
a、选取Morlet小波函数
Morlet小波函数ψ0(t)如式(Ⅰ)所示：
Figure FDA0002454025080000031
式(Ⅰ)中，t为时间，ω0是无量纲频率；
b、信号分解
智能断路器获取的电流信号分解为一系列不同尺度和不同时移的小波基函数的线性组合,其中每一项的系数称为小波系数,小波系数的求取公式如式(Ⅱ)所述：
Figure FDA0002454025080000032
式(Ⅱ)中，a是尺度因子，τ是时间位移，WTf(a,τ)指代小波系数，ω是无量纲频率，Ψ*(aω)是对以尺度a对频率ω进行Morlet小波变换后的信号取共轭复数，F(ω)是信号的傅里叶变换；
Figure FDA0002454025080000033
c、构建小波神经网络
所述小波神经网络包括输入层、隐藏层、输出层；
所述输入层包括n个神经元，接收训练数据集，训练数据集是指(x、y、z、w),x＝{x(1)，x(2)，…x(i)…，x(n)}，y＝{y(1)，y(2)，…y(i)…，y(n)}，z＝{z(1)，z(2)，…z(i)…，z(n)}，w＝{w(1)，w(2)，…w(i)…，w(n)}，x(i)表示第i个采样点对应的时刻，y(i)表示第i个采样点对应的时移，z(i)表示第i个采样点对应的尺度因子，w(i)表示第i个采样点对应的电流幅值，n是指采样点的总数；
所述隐藏层神经元由Morlet小波函数构建激活函数，隐藏层包括n+1个神经元，所述激活函数ψ(i)如式(Ⅲ)所述：
Figure FDA0002454025080000034
i＝1时，ψ(i)＝1(Ⅲ)
所述输出层包括n个神经元，输出值为
Figure FDA0002454025080000035
Figure FDA0002454025080000036
Figure FDA0002454025080000037
表示第i个采样点由所述小波神经网络计算所得的电流幅值；
d、更新权重
采用交叉熵损失函数计算所述小波神经网络的反向传播误差，将此误差值传回所述小波神经网络内部，据此修正并更新所述小波神经网络层间的权重，所述小波神经网络通过不断学习更新权重，获取更精确的输出结果，得到训练好的小波神经网络。
9.根据权利要求4所述的电能质量监测和电器故障分析系统的工作方法，其特征在于，交叉熵损失函数的计算公式如式(IV)所示：
H(p,q)＝-∑ip(i)log q(i) (IV)
式(IV)中，H(p,q)是指输出值与实际值的交叉熵损失，p(i)是实际值，q(i)为所述小波神经网络输出值，i的取值为1-n，表示从第i个采样点输出的电流幅值与实际电流幅值的交叉熵损失，设置交叉熵损失的阈值为0.01，当交叉熵损失函数的值小于此设定值时，得到训练好的小波神经网络。
10.根据权利要求4-9任一所述的电能质量监测和电器故障分析系统的工作方法，其特征在于，步骤(5)中，所述主控系统将步骤(3)及步骤(4)得到的判定结果通过RJ45、WIFI、4G、NB-IoT或Bluetooth方式传递至远端服务器。
CN202010301112.6A 2020-04-16 2020-04-16 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 Active CN111308260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010301112.6A CN111308260B (zh) 2020-04-16 2020-04-16 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010301112.6A CN111308260B (zh) 2020-04-16 2020-04-16 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法

Publications (2)

Publication Number Publication Date
CN111308260A true CN111308260A (zh) 2020-06-19
CN111308260B CN111308260B (zh) 2022-09-06

Family

ID=71152222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010301112.6A Active CN111308260B (zh) 2020-04-16 2020-04-16 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法

Country Status (1)

Country Link
CN (1) CN111308260B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361427A (zh) * 2021-06-11 2021-09-07 温州大学 基于wt与ga-pnn的复合电能质量扰动分类方法
CN114167345A (zh) * 2021-12-09 2022-03-11 国网福建省电力有限公司 用于评估电能质量检测装置准确度的方法
CN114526910A (zh) * 2022-04-21 2022-05-24 杭州杰牌传动科技有限公司 一种基于数字孪生驱动的传动系统故障定位方法
CN116861316A (zh) * 2023-09-04 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种电器监测方法及装置
CN117849516A (zh) * 2024-03-07 2024-04-09 陕西明珠电力产业服务有限公司 一种变压器故障监测装置及其监测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014148294A (ja) * 2013-02-04 2014-08-21 Denso Corp 診断装置
CN104635133A (zh) * 2015-03-14 2015-05-20 北京芯同汇科技有限公司 一种新型故障电弧检测方法及装置
CN105403811A (zh) * 2015-12-14 2016-03-16 北京天诚同创电气有限公司 风电场电网故障诊断方法和装置
CN105868918A (zh) * 2015-12-23 2016-08-17 国网福建省电力有限公司 一种谐波电流类监测样本的相似度指标计算方法
CN106405339A (zh) * 2016-11-11 2017-02-15 中国南方电网有限责任公司 基于高低频小波特征关联的输电线路故障原因辨识方法
CN107144303A (zh) * 2017-04-21 2017-09-08 煤炭科学技术研究院有限公司 一种矿用机电设备的故障检测系统、方法及装置
CN107153150A (zh) * 2017-06-26 2017-09-12 国网福建晋江市供电有限公司 一种配电网过电压故障类型识别方法及装置
CN108304931A (zh) * 2018-02-06 2018-07-20 国网天津市电力公司电力科学研究院 一种变电设备状态检修故障诊断方法
CN109389325A (zh) * 2018-11-02 2019-02-26 国网四川省电力公司电力科学研究院 基于小波神经网络的变电站电子式互感器状态评估方法
CN109521270A (zh) * 2018-10-11 2019-03-26 湖南工业大学 基于改进型小波神经网络的谐波检测方法
CN109884419A (zh) * 2018-12-26 2019-06-14 中南大学 一种智慧电网电能质量在线故障诊断方法
US20190204818A1 (en) * 2016-11-30 2019-07-04 Hitachi, Ltd. Data collection system, abnormality detection method, and gateway device

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014148294A (ja) * 2013-02-04 2014-08-21 Denso Corp 診断装置
CN104635133A (zh) * 2015-03-14 2015-05-20 北京芯同汇科技有限公司 一种新型故障电弧检测方法及装置
CN105403811A (zh) * 2015-12-14 2016-03-16 北京天诚同创电气有限公司 风电场电网故障诊断方法和装置
CN105868918A (zh) * 2015-12-23 2016-08-17 国网福建省电力有限公司 一种谐波电流类监测样本的相似度指标计算方法
CN106405339A (zh) * 2016-11-11 2017-02-15 中国南方电网有限责任公司 基于高低频小波特征关联的输电线路故障原因辨识方法
US20190204818A1 (en) * 2016-11-30 2019-07-04 Hitachi, Ltd. Data collection system, abnormality detection method, and gateway device
CN107144303A (zh) * 2017-04-21 2017-09-08 煤炭科学技术研究院有限公司 一种矿用机电设备的故障检测系统、方法及装置
CN107153150A (zh) * 2017-06-26 2017-09-12 国网福建晋江市供电有限公司 一种配电网过电压故障类型识别方法及装置
CN108304931A (zh) * 2018-02-06 2018-07-20 国网天津市电力公司电力科学研究院 一种变电设备状态检修故障诊断方法
CN109521270A (zh) * 2018-10-11 2019-03-26 湖南工业大学 基于改进型小波神经网络的谐波检测方法
CN109389325A (zh) * 2018-11-02 2019-02-26 国网四川省电力公司电力科学研究院 基于小波神经网络的变电站电子式互感器状态评估方法
CN109884419A (zh) * 2018-12-26 2019-06-14 中南大学 一种智慧电网电能质量在线故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CONG-HUI HUANG等: "Wavelets Hybrid Neural Network for Harmonic Sources Recognition with the V-I Characteristics", 《2009 FOURTH INTERNATIONAL CONFERENCE ON INNOVATIVE COMPUTING, INFORMATION AND CONTROL (ICICIC)》 *
GONG MAOFA等: "Harmonic Analysis Approach Based on Wavelet Transform and Neural Network", 《2011 4TH INTERNATIONAL CONFERENCE ON ELECTRIC UTILITY DEREGULATION AND RESTRUCTURING AND POWER TECHNOLOGIES (DRPT)》 *
徐方维等: "基于改进S变换的电能质量扰动分类", 《中国电机工程学报》 *
边海龙等: "基于小波和神经网络的时变谐波信号的检测", 《电子测量与仪器学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361427A (zh) * 2021-06-11 2021-09-07 温州大学 基于wt与ga-pnn的复合电能质量扰动分类方法
CN113361427B (zh) * 2021-06-11 2024-03-15 温州大学 基于wt与ga-pnn的复合电能质量扰动分类方法
CN114167345A (zh) * 2021-12-09 2022-03-11 国网福建省电力有限公司 用于评估电能质量检测装置准确度的方法
CN114526910A (zh) * 2022-04-21 2022-05-24 杭州杰牌传动科技有限公司 一种基于数字孪生驱动的传动系统故障定位方法
CN116861316A (zh) * 2023-09-04 2023-10-10 国网浙江省电力有限公司余姚市供电公司 一种电器监测方法及装置
CN116861316B (zh) * 2023-09-04 2023-12-15 国网浙江省电力有限公司余姚市供电公司 一种电器监测方法及装置
CN117849516A (zh) * 2024-03-07 2024-04-09 陕西明珠电力产业服务有限公司 一种变压器故障监测装置及其监测方法
CN117849516B (zh) * 2024-03-07 2024-05-31 陕西明珠电力产业服务有限公司 一种变压器故障监测装置及其监测方法

Also Published As

Publication number Publication date
CN111308260B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN111308260B (zh) 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法
CN102841251B (zh) 一种微网中电动汽车充电站谐波检测法
Xie et al. Improved synchrophasor measurement to capture sub/super‐synchronous dynamics in power systems with renewable generation
CN111007364B (zh) 一种电缆早期自恢复故障的识别方法
CN109142851A (zh) 一种新型的配电网内部过电压识别方法
CN103198184A (zh) 一种电力系统低频振荡特征类噪声辨识方法
CN104459397A (zh) 采用自适应多分辨率广义s变换的电能质量扰动识别方法
CN110808580A (zh) 基于小波变换和极限学习机的电压暂降源快速辨识方法
Usama et al. Design and implementation of a wavelet analysis‐based shunt fault detection and identification module for transmission lines application
CN105445541A (zh) 一种任意频率下自适应功率计算方法
CN112018784B (zh) 一种基于同步相量测量数据的次同步谐振溯源方法
CN115441436A (zh) 一种适用于海上风电场的谐波串并联谐振放大分析方法
CN111398814A (zh) 一种软启动器控制的电机故障检测与智能快速诊断方法
CN113489026B (zh) 一种广域电力系统宽频振荡辨识方法及定位方法
Damala et al. A simple decision tree-based disturbance monitoring system for VSC-based HVDC transmission link integrating a DFIG wind farm
Jiang et al. Application of a hybrid model of big data and BP network on fault diagnosis strategy for microgrid
CN108020736A (zh) 一种电能质量检测方法
Hongchun et al. A fault location method of traveling wave for distribution network with only two-phase current transformer using artificial neutral network
Bing et al. Machinery fault diagnosis method of HV circuit breaker based on EEMD and RBF neural network
CN109884387B (zh) 一种新能源并网次同步振荡监测保护装置的测试方法
Zhuangzhuang et al. Phasor Measurement Unit Measurement Data Processing Method Applied to a Two-Stage Identification Algorithm for Load Model Parameters
CN109782064A (zh) 一种风电场输出阻抗频率特性测试分析方法
CN111505420B (zh) 一种线路避雷器状态的在线监测与诊断方法及系统
CN113447717B (zh) 变流设备工频耦合阻抗和导纳模型的获取方法及测试平台
CN114325236B (zh) 一种基于频谱熵和随机森林的配电网故障识别方法及系统

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