CN111505434A - 一种低压配电表箱线路、表箱故障隐患识别方法 - Google Patents
一种低压配电表箱线路、表箱故障隐患识别方法 Download PDFInfo
- Publication number
- CN111505434A CN111505434A CN202010278279.5A CN202010278279A CN111505434A CN 111505434 A CN111505434 A CN 111505434A CN 202010278279 A CN202010278279 A CN 202010278279A CN 111505434 A CN111505434 A CN 111505434A
- Authority
- CN
- China
- Prior art keywords
- users
- abnormal
- user
- voltage
- meter box
- 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
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
- G01R31/085—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
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及电网技术领域,尤其涉及一种低压配电表箱线路、表箱故障隐患识别方法,包括如下步骤:S1:按台区三相相位将低压用户分成三类;S2:对于各相用户的电压数据进行分析;S3:确定异常点的个数,若异常点数量小于第一设定阈值,则进入步骤S4;否则进入步骤S6;S4:提取异常用户历史电压测量数据之间的关联度;S5:若关联度大于第二设定阈值,则判断表箱线路存在故障,否则,则判断表箱存在故障;S6:将用户聚成自动确定簇数的分类簇;S7:统计聚类簇数,若聚类簇数小于4,则判断不存在线路故障,否则将其余的簇判断为线路故障;S8:输出台区各相异常用户户号以及故障类型。本发明可快速、准确的输出台区各相异常用户户号并排查故障类型。
Description
技术领域
本发明涉及电网技术领域,尤其涉及一种低压配电表箱线路、表箱故障隐患识别方法。
背景技术
由于用电设备的类型的多样化和配电线路的结构的复杂化,配电线路中电气故障的产生模式也是复杂多样的,而且有些大规模的电气火灾也是由配电线路的电气故障引起的,造成的经济损失也无法估量。数据显示,近年来电气火灾占总火灾数的23%,对人们的财产及生命安全造成了很大的危害,对消防工作也有很大的挑战。目前,现有技术缺少对低压配电线路电气故障快速准确识别的方法。
发明内容
为解决上述问题,本发明提出一种低压配电表箱线路、表箱故障隐患识别方法。
一种低压配电表箱线路、表箱故障隐患识别方法,包括如下步骤:
S1:提取用户用电电压曲线,并按台区三相相位将低压用户分成三类;
S2:采取局部异常因子算法,对于各相用户的电压数据进行分析;
S3:采用肘部法确定异常点的个数,若异常点数量小于第一设定阈值,则进入步骤S4;否则进入步骤S6;
S4:基于异常用户历史电压测量数据进行分析,采用皮尔逊相关系数提取异常用户历史电压测量数据之间的关联度;
S5:若异常用户历史电压测量数据之间的关联度大于第二设定阈值,则判断表箱线路存在故障,否则,则判断表箱存在故障;
S6:选取排除异常用户后其余用户的电压数据,采用聚类方法将用户聚成自动确定簇数的分类簇;
S7:统计聚类簇数,若聚类簇数小于4,则判断不存在线路故障,否则将其中样本数目较多的3簇作为正常三相线路,其余的簇对应的样本集判断为线路故障;
S8:输出台区各相异常用户户号以及故障类型。
优选的,所述采取局部异常因子算法,对于各相用户的电压数据进行分析包括以下步骤:
S21:计算所有样本点p的第k距离;
S22:计算样本点p的第k距离邻域,包括第k距离;样本点p的第k邻域点的个数|Nk(p)|≥k;
S23:计算其余样本点o到样本点p的第k可达距离:
reach-distk(p,o)=max{k-distance(o),d(p,o)};
S24:计算样本点p的局部可达密度:
S25:计算样本点p的局部离群因子LOF:
优选的,所述采用肘部法确定异常点的个数包括以下步骤:
S31:将全部n个用户的LOF系数l(i)从高到低排列,并绘制系数变化曲线;
S32:计算并确定最大的相邻系数降落值:
maxΔl(i)=max(l(i)-l(i+1)),(i=1,2...n-1);
S33:返回最大值所对应的i,并将离群用户个数确定为i,最终将前i个LOF系数所对应用户确定为异常用户。
优选的,所述基于异常用户历史电压测量数据进行分析,采用皮尔逊相关系数提取异常用户电压测量数据之间的关联度包括:
所述皮尔逊相关系数的计算公式为:
优选的,所述选取排除异常用户后其余用户的电压数据,采用聚类方法将用户聚成自动确定簇数的分类簇包括以下步骤:
S61:计算用户的邻近域样本集:
Nε(xi)={xj∈D|d(xi,xj)≤ε};
式中:d(xi,xj)为用户样本xi和xj在特征空间中的欧氏距离;Nε(xi)为用户样本xi的ε-邻域样本集,|Nε(xi)|为样本集大小;ε为领域半径参数;D为排除异常用户后的全部电压数据;
S62:确定核心对象集及其邻域内的样本:
Ω={xi∈D||Nε(xi)|≥minPts};
Γ={xj∈Nε(xi)|xi∈Ω};
式中:Ω为核心对象集,即邻域样本集大于minPts的样本集合;Γ为核心对象集及其邻域内的样本;minPts为邻域密度参数;
S63:确定噪声样本集用户Α=D\Γ,即不属于Γ的样本;
S64:将Γ划分成密度可达的分类簇C={C1,C2,..,Ck},且满足:对于任意两个样本xi,xj∈Cs,存在可达序列且p1=xi,pn=xj,使得d(pt,pt+1)≤ε,即任意两个样本可以通过Ck簇簇中的核心对象样本实现密度可达。
本发明的有益效果:从低压用户用电信息采集系统提取用户用电电压曲线,并按台区三相相位将低压用户分成三类,采取局部异常因子算法,对于各相用户的电压数据进行分析,采用肘部法确定确定异常点的个数,若异常点数量小于第一设定阈值,采用肘部法确定确定异常点的个数,若异常点数量小于第一设定阈值,若异常用户历史电压测量数据之间的关联度大于第二设定阈值,则判断表箱线路存在故障,否则,则判断表箱存在故障;若异常点数量大于或等于第一设定阈值,选取排除异常用户后其余用户的电压数据,采用聚类方法将用户聚成自动确定簇数的分类簇,统计聚类簇数,若聚类簇数小于4,则判断不存在线路故障,否则将其中样本数目较多的3簇作为正常三相线路,其余的簇对应的样本集判断为线路故障,本发明可以快速、准确的输出台区各相异常用户户号并排查故障类型。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明一实施例的示意性流程图;
图2是本发明一实施例中步骤S2的示意性流程图;
图3是本发明一实施例中步骤S3的示意性流程图;
图4是本发明一实施例中步骤S6的示意性流程图。
具体实施方式
以下结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
本发明的基本思想是从低压用户用电信息采集系统提取用户用电电压曲线,并按台区三相相位将低压用户分成三类,采取局部异常因子算法,对于各相用户的电压数据进行分析,采用肘部法确定确定异常点的个数,若异常点数量小于第一设定阈值,采用肘部法确定异常点的个数,若异常点数量小于第一设定阈值,若异常用户历史电压测量数据之间的关联度大于第二设定阈值,则判断表箱线路存在故障,否则,则判断表箱存在故障;若异常点数量大于或等于第一设定阈值,选取排除异常用户后其余用户的电压数据,采用聚类方法将用户聚成自动确定簇数的分类簇,统计聚类簇数,若聚类簇数小于4,则判断不存在线路故障,否则将其中样本数目较多的3簇作为正常三相线路,其余的簇对应的样本集判断为线路故障,本发明可以快速、准确的输出台区各相异常用户户号并排查故障类型。
基于以上思想,本发明提出了一种低压配电表箱线路、表箱故障隐患识别方法,如图1所示,包括如下步骤:
S1:提取用户用电电压曲线,并按台区三相相位将低压用户分成三类。
从低压用户用电信息采集系统提取用户用电电压曲线,并按台区三相相位将低压用户分成三类。
S2:采取局部异常因子算法,对于各相用户的电压数据进行分析。
采取局部异常因子(LOF)算法,计算可达距离、局部可达密度和局部离群因子,判断该点是否与邻域同属于一个簇。
如图2所示,包括以下步骤:
S21:计算所有样本点p的第k距离;也就是欧式距离p第k远的点的距离(不包括p)。
S22:计算样本点p的第k距离邻域,就是p的第k距离即以内的所有点,包括第k距离;样本点p的第k邻域点的个数|Nk(p)|≥k;
S23:计算其余样本点o到样本点p的第k可达距离:
reach-distk(p,o)=max{k-distance(o),d(p,o)};
这表示离点o最近的k个点,o到它们的可达距离被认为相等,都等于dk(o)。
S24:计算样本点p的局部可达密度:
局部可达密度样本点p的第k邻域内其余样本点到p的平均可达距离的倒数,这个值代表一个密度,密度越高,认为越可能属于同一簇,密度越低,越可能是离群点。
S25:计算样本点p的局部离群因子LOF:
局部离群因子LOF表示样本点p的邻域点Nk(p)的局部可达密度与样本点p的局部可达密度之比的平均数,如果这个比值越接近1,说明p的其邻域点密度差不多,p可能和邻域同属一簇;如果这个比值越小于1,说明p的密度高于其邻域点密度,p为密集点;如果这个比值越大于1,说明p的密度小于其邻域点密度,样本点p越可能是异常点。
S3:采用肘部法确定异常点的个数,若异常点数量小于第一设定阈值,则进入步骤S4;否则进入步骤S6。
在本实施例中,通过肘部法确定离群点用户名单并判定其存在电压故障隐患,如图3所示,采用肘部法确定异常点的个数包括以下步骤:
S31:将全部n个用户的LOF系数l(i)从高到低排列,并绘制系数变化曲线;
S32:计算并确定最大的相邻系数降落值:
maxΔl(i)=max(l(i)-l(i+1)),(i=1,2...n-1);
S33:返回最大值所对应的i,并将离群用户个数确定为i,最终将前i个LOF系数所对应用户确定为异常用户。
S4:基于异常用户历史电压测量数据进行分析,采用皮尔逊相关系数提取异常用户历史电压测量数据之间的关联度。
其中,皮尔逊相关系数的计算公式为:
S5:若异常用户历史电压测量数据之间的关联度大于第二设定阈值,则判断表箱线路存在故障,否则,则判断表箱存在故障。
基于关联度的大小判定故障类型为表箱故障还是线路故障,一般认为关联度大于0.8的样本之间存在强相关性,故关联度大于0.8的异常用户集认为是表箱线路存在故障,其余则认为用户表箱存在故障。
S6:选取排除异常用户后其余用户的电压数据,采用聚类方法将用户聚成自动确定簇数的分类簇。
选取排除异常用户后的全部电压数据D={x1,x2,…,xN}={X1,X2,…,XN},采用DBSCAN聚类方法,如图4所示,包括以下步骤:
S61:计算用户的邻近域样本集:
Nε(xi)={xj∈D|d(xi,xj)≤ε};
式中:d(xi,xj)为用户样本xi和xj在特征空间中的欧氏距离;Nε(xi)为用户样本xi的ε-邻域样本集,|Nε(xi)|为样本集大小;ε为领域半径参数;D为排除异常用户后的全部电压数据;
S62:确定核心对象集及其邻域内的样本:
Ω={xi∈D||Nε(xi)|≥minPts};
Γ={xj∈Nε(xi)|xi∈Ω};
式中:Ω为核心对象集,即邻域样本集大于minPts的样本集合;Γ为核心对象集及其邻域内的样本;minPts为邻域密度参数;
S63:确定噪声样本集用户Α=D\Γ,即不属于Γ的样本;
S64:将Γ划分成密度可达的分类簇C={C1,C2,..,Ck},且满足:对于任意两个样本xi,xj∈Cs,存在可达序列且p1=xi,pn=xj,使得d(pt,pt+1)≤ε,即任意两个样本可以通过Ck簇簇中的核心对象样本实现密度可达。
S7:统计聚类簇数,若聚类簇数小于4,则判断不存在线路故障,否则将其中样本数目较多的3簇作为正常三相线路,其余的簇对应的样本集判断为线路故障。
S8:输出台区各相异常用户户号以及故障类型。
为了进一步理解本发明,以某台区作为算例,整理全部用户的电压数据以及相关的户号,经过异常用户排查,最终输出的故障隐患用户请参阅附表1,经过相关系数计算后,以台区1093359的A相隐患用户为例,计算结果请参阅附表2。
表1两台区故障隐患用户排查表
表2台区1093359中A相隐患用户间相关系数
通过上表可以看出,户号1031200067和1250074267用户间相关系数为0.977,因此判定为线路故障,而另外户号1031200101和1031200118用户则为表箱故障。同理,经分析,台区1093359的B、C相中各故障隐患用户均为表箱故障隐患。台区1108355的A相用户1021120474,1021120529为线路故障,B相用户1021120505为表箱故障,C相无故障隐患用户。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种低压配电表箱线路、表箱故障隐患识别方法,其特征在于,包括如下步骤:
S1:提取用户用电电压曲线,并按台区三相相位将低压用户分成三类;
S2:采取局部异常因子算法,对于各相用户的电压数据进行分析;
S3:采用肘部法确定异常点的个数,若异常点数量小于第一设定阈值,则进入步骤S4;否则进入步骤S6;
S4:基于异常用户历史电压测量数据进行分析,采用皮尔逊相关系数提取异常用户历史电压测量数据之间的关联度;
S5:若异常用户历史电压测量数据之间的关联度大于第二设定阈值,则判断表箱线路存在故障,否则,则判断表箱存在故障;
S6:选取排除异常用户后其余用户的电压数据,采用聚类方法将用户聚成自动确定簇数的分类簇;
S7:统计聚类簇数,若聚类簇数小于4,则判断不存在线路故障,否则将其中样本数目较多的3簇作为正常三相线路,其余的簇对应的样本集判断为线路故障;
S8:输出台区各相异常用户户号以及故障类型。
3.根据权利要求2所述的一种低压配电表箱线路、表箱故障隐患识别方法,其特征在于,所述采用肘部法确定异常点的个数包括以下步骤:
S31:将全部n个用户的LOF系数l(i)从高到低排列,并绘制系数变化曲线;
S32:计算并确定最大的相邻系数降落值:
maxΔl(i)=max(l(i)-l(i+1)),(i=1,2...n-1);
S33:返回最大值所对应的i,并将离群用户个数确定为i,最终将前i个LOF系数所对应用户确定为异常用户。
5.根据权利要求1所述的一种低压配电表箱线路、表箱故障隐患识别方法,其特征在于,所述选取排除异常用户后其余用户的电压数据,采用聚类方法将用户聚成自动确定簇数的分类簇包括以下步骤:
S61:计算用户的邻近域样本集:
Nε(xi)={xj∈D|d(xi,xj)≤ε};
式中:d(xi,xj)为用户样本xi和xj在特征空间中的欧氏距离;Nε(xi)为用户样本xi的ε-邻域样本集,|Nε(xi)|为样本集大小;ε为领域半径参数;D为排除异常用户后的全部电压数据;
S62:确定核心对象集及其邻域内的样本:
Ω={xi∈D||Nε(xi)|≥minPts};
Γ={xj∈Nε(xi)|xi∈Ω};
式中:Ω为核心对象集,即邻域样本集大于minPts的样本集合;Γ为核心对象集及其邻域内的样本;minPts为邻域密度参数;
S63:确定噪声样本集用户Α=D\Γ,即不属于Γ的样本;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010278279.5A CN111505434B (zh) | 2020-04-10 | 2020-04-10 | 一种低压配电表箱线路、表箱故障隐患识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010278279.5A CN111505434B (zh) | 2020-04-10 | 2020-04-10 | 一种低压配电表箱线路、表箱故障隐患识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111505434A true CN111505434A (zh) | 2020-08-07 |
CN111505434B CN111505434B (zh) | 2022-03-22 |
Family
ID=71867313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010278279.5A Active CN111505434B (zh) | 2020-04-10 | 2020-04-10 | 一种低压配电表箱线路、表箱故障隐患识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111505434B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000917A (zh) * | 2020-10-30 | 2020-11-27 | 杭州电子科技大学 | 融合已知相别和地址信息的低压用户计量表箱识别方法 |
CN112198472A (zh) * | 2020-09-29 | 2021-01-08 | 国网上海市电力公司 | 一种局部放电智能传感器在线远程校验方法及系统 |
CN112288339A (zh) * | 2020-12-24 | 2021-01-29 | 广东电网有限责任公司佛山供电局 | 一种基于电量和电压数据分析的台区户变关系辨识方法 |
CN112492633A (zh) * | 2020-11-25 | 2021-03-12 | 中国电子科技集团公司第五十四研究所 | 一种基于改进局部异常因子的无线节点故障诊断方法 |
CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
CN113744089A (zh) * | 2021-11-08 | 2021-12-03 | 广东电网有限责任公司佛山供电局 | 一种台区户变关系辨识方法及设备 |
CN114095536A (zh) * | 2021-11-17 | 2022-02-25 | 国网山东省电力公司电力科学研究院 | 一种基于物联网的电力输变电安全提示系统及方法 |
CN117110975A (zh) * | 2023-10-23 | 2023-11-24 | 石家庄科林电力设计院有限公司 | 一种多路电能计量装置的失准检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103490522A (zh) * | 2011-12-04 | 2014-01-01 | 江苏省电力公司南京供电公司 | 配用电网故障智能处理方法 |
CN104698343A (zh) * | 2015-03-26 | 2015-06-10 | 广东电网有限责任公司电力调度控制中心 | 基于历史录波数据的电网故障判断方法和系统 |
CN106249101A (zh) * | 2016-06-30 | 2016-12-21 | 湖南大学 | 一种智能配电网故障辨识方法 |
CN107886124A (zh) * | 2017-11-08 | 2018-04-06 | 昆明理工大学 | 一种自动识别肘部法则中最优k值的方法 |
CN108828404A (zh) * | 2018-05-09 | 2018-11-16 | 国网浙江省电力有限公司电力科学研究院 | 用于快速故障定位的低压台区电气拓扑辨识系统及方法 |
CN109994013A (zh) * | 2019-04-12 | 2019-07-09 | 广西电网有限责任公司桂林供电局 | 低压集抄故障安全隐患排查仿真培训装置 |
CN110807607A (zh) * | 2019-11-18 | 2020-02-18 | 国网重庆市电力公司电力科学研究院 | 一种基于大数据平台的低电压台区核查方法及相关装置 |
-
2020
- 2020-04-10 CN CN202010278279.5A patent/CN111505434B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103490522A (zh) * | 2011-12-04 | 2014-01-01 | 江苏省电力公司南京供电公司 | 配用电网故障智能处理方法 |
CN104698343A (zh) * | 2015-03-26 | 2015-06-10 | 广东电网有限责任公司电力调度控制中心 | 基于历史录波数据的电网故障判断方法和系统 |
CN106249101A (zh) * | 2016-06-30 | 2016-12-21 | 湖南大学 | 一种智能配电网故障辨识方法 |
CN107886124A (zh) * | 2017-11-08 | 2018-04-06 | 昆明理工大学 | 一种自动识别肘部法则中最优k值的方法 |
CN108828404A (zh) * | 2018-05-09 | 2018-11-16 | 国网浙江省电力有限公司电力科学研究院 | 用于快速故障定位的低压台区电气拓扑辨识系统及方法 |
CN109994013A (zh) * | 2019-04-12 | 2019-07-09 | 广西电网有限责任公司桂林供电局 | 低压集抄故障安全隐患排查仿真培训装置 |
CN110807607A (zh) * | 2019-11-18 | 2020-02-18 | 国网重庆市电力公司电力科学研究院 | 一种基于大数据平台的低电压台区核查方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
胡军,等: "基于大数据挖掘技术的输变电设备故障诊断方法", 《高电压技术》 * |
胡发林,等: "基于多信息源的配电网主动抢修应用", 《供用电》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112198472A (zh) * | 2020-09-29 | 2021-01-08 | 国网上海市电力公司 | 一种局部放电智能传感器在线远程校验方法及系统 |
CN112198472B (zh) * | 2020-09-29 | 2023-11-07 | 国网上海市电力公司 | 一种局部放电智能传感器在线远程校验方法及系统 |
CN112000917B (zh) * | 2020-10-30 | 2021-02-09 | 杭州电子科技大学 | 融合已知相别和地址信息的低压用户计量表箱识别方法 |
CN112000917A (zh) * | 2020-10-30 | 2020-11-27 | 杭州电子科技大学 | 融合已知相别和地址信息的低压用户计量表箱识别方法 |
CN112492633B (zh) * | 2020-11-25 | 2022-04-22 | 中国电子科技集团公司第五十四研究所 | 一种基于改进局部异常因子的无线节点故障诊断方法 |
CN112492633A (zh) * | 2020-11-25 | 2021-03-12 | 中国电子科技集团公司第五十四研究所 | 一种基于改进局部异常因子的无线节点故障诊断方法 |
CN112288339A (zh) * | 2020-12-24 | 2021-01-29 | 广东电网有限责任公司佛山供电局 | 一种基于电量和电压数据分析的台区户变关系辨识方法 |
CN112288339B (zh) * | 2020-12-24 | 2021-07-13 | 广东电网有限责任公司佛山供电局 | 一种基于电量和电压数据分析的台区户变关系辨识方法 |
CN113515512A (zh) * | 2021-06-22 | 2021-10-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种工业互联网平台数据的质量治理及提升方法 |
CN113744089B (zh) * | 2021-11-08 | 2022-02-15 | 广东电网有限责任公司佛山供电局 | 一种台区户变关系辨识方法及设备 |
CN113744089A (zh) * | 2021-11-08 | 2021-12-03 | 广东电网有限责任公司佛山供电局 | 一种台区户变关系辨识方法及设备 |
CN114095536A (zh) * | 2021-11-17 | 2022-02-25 | 国网山东省电力公司电力科学研究院 | 一种基于物联网的电力输变电安全提示系统及方法 |
CN117110975A (zh) * | 2023-10-23 | 2023-11-24 | 石家庄科林电力设计院有限公司 | 一种多路电能计量装置的失准检测方法及装置 |
CN117110975B (zh) * | 2023-10-23 | 2024-02-09 | 石家庄科林电力设计院有限公司 | 一种多路电能计量装置的失准检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111505434B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505434B (zh) | 一种低压配电表箱线路、表箱故障隐患识别方法 | |
Baloch et al. | An intelligent data mining-based fault detection and classification strategy for microgrid | |
Biswas et al. | State‐of‐the‐art on the protection of FACTS compensated high‐voltage transmission lines: a review | |
Bahadoorsingh et al. | Minimization of voltage sag costs by optimal reconfiguration of distribution network using genetic algorithms | |
Xie et al. | Reliability evaluation of double 12-pulse ultra HVDC transmission systems | |
CN111610416B (zh) | 一种串联电弧故障智能断路器 | |
Baloch et al. | Fault protection in microgrid using wavelet multiresolution analysis and data mining | |
Yu et al. | A novel protection method for a wind farm collector line based on FCM clustering analysis | |
CN111429043B (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
Yang et al. | Coordinated optimization for controlling short circuit current and multi-infeed DC interaction | |
CN111190121A (zh) | 基于序分量的含分布式电源配电网故障分类方法及系统 | |
Jarrahi et al. | Protection framework for microgrids with inverter‐based DGs: A superimposed component and waveform similarity‐based fault detection and classification scheme | |
CN111768109A (zh) | 电力电子化中压配电网可靠性预警方法、系统及终端设备 | |
Li et al. | Data-driven fault detection and classification for MTDC systems by integrating HCTSA and softmax regression | |
Venkata et al. | Data mining model based differential microgrid fault classification using svm considering voltage and current distortions | |
CN109508899A (zh) | 一种配电网馈线运行状态在线风险评估方法 | |
CN116054224A (zh) | 一种多馈入直流输电系统换相失败快速评估方法 | |
Aljohani et al. | Smart fault detection and classification for distribution grid hybridizing ST and MLP-NN | |
Chang et al. | Fault location identifications in HV transmission networks and different MV wind farms using nonintrusive monitoring techniques | |
Du et al. | Hosting capacity assessment in distribution networks considering wind–photovoltaic–load temporal characteristics | |
Stanisavljević et al. | A method for real-time prediction of the probability of voltage sag duration based on harmonic footprint | |
Budak et al. | Fault Location Estimation by Using Machine Learning Methods in Mixed Transmission Lines | |
Gangwar et al. | Fault Detection, Location in Hybrid Distribution Network Using Machine Learning Algorithm | |
Bisoi et al. | A hybrid Hilbert Huang transform and improved fuzzy decision tree classifier for assessment of power quality disturbances in a grid connected distributed generation system | |
Wang et al. | Research on classification method of voltage sag based on scenario analysis |
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 |