CN111650472A - 一种电压暂降源定位的方法 - Google Patents
一种电压暂降源定位的方法 Download PDFInfo
- Publication number
- CN111650472A CN111650472A CN202010507527.9A CN202010507527A CN111650472A CN 111650472 A CN111650472 A CN 111650472A CN 202010507527 A CN202010507527 A CN 202010507527A CN 111650472 A CN111650472 A CN 111650472A
- Authority
- CN
- China
- Prior art keywords
- node
- fault
- matrix
- sag
- monitored
- 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
- G01R31/086—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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电网电压监测领域,目的是提供一种电压暂降源定位的方法,本发明包括下面步骤:S1:根据待监测配电网历史暂降数据,构建神经网络Elman模型;S2:将待监测节点的电压暂降数据作为输入样本Xn,发送至已训练完成的神经网络Elman模型,得到故障节点矢量Yn,进入步骤S3;S3:将故障节点矢量Yn作为输入发送至已建立的电网联通矩阵,进行伪故障排除后得到暂降源定位的节点列表,确定待监测配电网中故障所在电网线路,本发明结构合理,设计巧妙,适合推广。
Description
技术领域
本发明涉及电网监测领域,具体涉及一种电压暂降源定位的方法。
背景技术
在实际工程中,电网电压暂降的定位方法主要目的在于能与电网侧故障相关联,进而确定引发电压暂降的原因是存在于电网侧或是用户侧。从而在了解电网故障的情况下,及时定制临时供电计划以及对用电企业的生产进行安排。因此,准确并及时的对电压暂降进行源识别对暂降治理以及责任划分起到了决策性的作用。
传统的神经网络深度学习电压暂降源定位方法虽然具有智能识别、显示直观等优点,但存在学习时间过长、训练样本需求大、训练量多以及容易发生局部最小等问题。神经网络法在针对特定拓扑结构的配电网进行源定位时具有很高的适用性,但在未来多分布式新能源接入的配电网的趋势下,拓扑结构的变化会对现有定位效果产生很大影响。
因此,需要一种能够对电网电压暂降的领域,能够对配电网上的电压进行持续的监测,当电压出现波动时,能够快速的根据预存的算法进行定位到缺陷故障的位置,并进行相应的排查。
发明内容
本发明目的在于提供一种电压暂降源定位的方法,可以实现在复杂的电力系统网络中进行有效暂降源定位。该评估方法在将关联矩阵法应用于暂降源定位筛选计算中,从而提高暂降源定位的合理性以及准确性,基于逻辑判断可快速排除大量伪故障点,提高神经网络学习速度,本发明结构合理,设计巧妙,适合推广;
为实现上述目的,本发明所采用的技术方案是:一种电压暂降源定位的方法,包括下面步骤:
S1:根据待监测配电网历史暂降数据,构建神经网络Elman模型;
S2:将待监测节点的电压暂降数据作为输入样本Xn,发送至已训练完成的神经网络Elman模型,得到故障节点矢量Yn,进入步骤S3;
S3:将故障节点矢量Yn作为输入发送至已建立的电网联通矩阵,进行伪故障排除后得到暂降源定位的节点列表,确定待监测配电网中故障所在电网线路。
优选的,所述S1中,所述神经网络Elman模型,其中,隐含层传递函数为tan-sigmoid型函数,训练函数采用traingdm函数,隐含层节点数为18,训练函数动量因子数为0.9,最大训练步数为10000。
优选的,所述S1中,待监测配电网历史暂降数据包括有已有的故障数据与各监测点暂降信息,所述神经网络Elman模型在训练之前,将已有的故障数据与各监测点暂降信息进行时标对时归类。
优选的,所述S2中,将待监测节点暂降残余电压幅值X作为训练时神经网络Elman模型的输入,神经网络Elman模型输出暂降事件的故障源位置Y。
优选的,样本中第n个电压暂降事件的节点监测数据输入矩阵Xn可表示为:
Xn=[x1n,x2n,...,xMn]T
样本中第n个电压暂降事件的对应线路故障信息输出矩阵Yn可表示为:
Yn=[y1n,y2n,…,yMn]T
Yn中元素值1为则表示故障线路与该节点相连,反之则置为0。
优选的,所述S3中,所述电网联通矩阵的建立过程为:
S61:将待监测配电网的主接线图简化为拓扑结构图,包括将电源和母线设置为所述拓扑结构图中的节点;
S62:通过拓扑结构图得到联通矩阵,所述联通矩阵包括有C(1),通过不断修正,得到稳定的联通矩阵C(n),进入到S63;
S63:当监测的节点发生电压暂降时,通过各节点di所在联通矩阵来排除S3中的伪故障节点。
优选的,所述S63中,D=[di]表示节点受扰情况,
其中m为监测到电压暂降事件的监测点,n表示为未监测到电压暂降事件的监测点。
优选的,所述S63中,排除伪故障节点的过程为:
S81:通过S2得到电压暂降的源位置所在的节点矢量Yn,将Yn转置后进行逻辑运算得到故障定位预测节点矩阵Zn=[zi],进入到S82;
S82:对预测节点矩阵进行逻辑判断,当编号元素值为0时,就是被排除的伪故障节点,当编号元素值为1时,进入到S83;
S83:提取预测节点矩阵中元素为1的节点编号进行输出,输出暂降源定位的节点列表。
优选的,所述S81,故障定位预测节点矩阵Zn=[zi]的计算公式为:
zi=(di∩yin),i∈[1,M]
式中,M为该网络中节点的数目。
与现有技术相比,本发明的有益效果为:
1.采用以上算法,实现了及时且精准的暂降源定位,减少了神经网络训练的训练量,为电力用户定制临时供电计划以及治理方案选择提供了技术支撑;
2.神经网络法在针对特定拓扑结构的配电网进行源定位时具有很高的适用性,但在未来多分布式新能源接入的配电网的趋势下,拓扑结构的变化会对现有定位效果产生很大影响。
附图说明
图1为一种电压暂降源定位的方法的暂降源定位算法流程图示意图;
图2为本发明的实施例中简单供电网络拓扑关系图;
图3为本发明的实施例中某区域220kV电网线路结构图。
具体实施方式
下面结合本发明的附图1~3,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做出创造性劳动前提下所获得的所有其他实施。
在本发明的描述中,需要理解的是,术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
一种电压暂降源定位的方法,包括下面步骤:
S1:根据待监测配电网历史暂降数据,构建神经网络Elman模型;
S2:将待监测节点的电压暂降数据作为输入样本Xn,发送至已训练完成的神经网络Elman模型,得到故障节点矢量Yn,进入步骤S3;
S3:将故障节点矢量Yn作为输入发送至已建立的电网联通矩阵,进行伪故障排除后得到暂降源定位的节点列表,确定待监测配电网中故障所在电网线路。
进一步的,所述S1中,所述神经网络Elman模型,其中,隐含层传递函数为tan-sigmoid型函数,训练函数采用traingdm函数,隐含层节点数为18,训练函数动量因子数为0.9,最大训练步数为10000。
进一步的,所述S1中,待监测配电网历史暂降数据包括有已有的故障数据与各监测点暂降信息,所述神经网络Elman模型在训练之前,将已有的故障数据与各监测点暂降信息进行时标对时归类。
进一步的,所述S2中,将待监测节点暂降残余电压幅值X作为训练时神经网络Elman模型的输入,神经网络Elman模型输出暂降事件的故障源位置Y。
进一步的,样本中第n个电压暂降事件的节点监测数据输入矩阵Xn可表示为:
Xn=[x1n,x2n,...,xMn]T
样本中第n个电压暂降事件的对应线路故障信息输出矩阵Yn可表示为:
Yn=[y1n,y2n,…,yMn]T
Yn中元素值1为则表示故障线路与该节点相连,反之则置为0。
进一步的,所述S3中,所述电网联通矩阵的建立过程为:
S61:将待监测配电网的主接线图简化为拓扑结构图,包括将电源和母线设置为所述拓扑结构图中的节点;
S62:通过拓扑结构图得到联通矩阵,所述联通矩阵包括有C(1),通过不断修正,得到稳定的联通矩阵C(n),进入到S63;
S63:当监测的节点发生电压暂降时,通过各节点di所在联通矩阵来排除S3中的伪故障节点。
进一步的,所述S63中,D=[di]表示节点受扰情况,
其中m为监测到电压暂降事件的监测点,n表示为未监测到电压暂降事件的监测点。
进一步的,所述S63中,排除伪故障节点的过程为:
S81:通过S2得到电压暂降的源位置所在的节点矢量Yn,将Yn转置后进行逻辑运算得到故障定位预测节点矩阵Zn=[zi],进入到S82;
S82:对预测节点矩阵进行逻辑判断,当编号元素值为0时,就是被排除的伪故障节点,当编号元素值为1时,进入到S83;
S83:提取预测节点矩阵中元素为1的节点编号进行输出,输出暂降源定位的节点列表。
进一步的,所述S81,故障定位预测节点矩阵Zn=[zi]的计算公式为:
zi=(di∩yin),i∈[1,M]
式中,M为该网络中节点的数目。
值得说明的是,本文中所采用的Elman神经网络模型网络中,隐含层传递函数为tan-sigmoid型函数,训练函数采用traingdm函数,隐含层节点数为18,训练函数动量因子数为0.9,最大训练步数为10000,根据测试可修改训练目标最大偏差绝对值为0.03时,该方法已具有较高准确率,在具体使用时,可根据实际情况修改训练最大偏差值。
该神经网络训练前使用已有故障数据与各监测点暂降信息进行时标对时归类。网络的输入样本为网络中各节点电压暂降数据,假设在含M个节点的网络中,共有N个已知原因为电网侧故障导致的电压暂降事件,根据Elman样本数据每列表示为一组数据的特点,可将一列数据对应为一次电压暂降事件。最终将输入数据样本定义为一个N行M列的电压暂降数据,样本中第n个电压暂降事件的节点监测数据输入矩阵Xn可表示为:
Xn=[x1n,x2n,...,xMn]T (5-1)
其中各元素值表示为该事件发生电压暂降的节点的暂降残余电压幅值(可采用小数形式表示,方便归一化操作)。对于未发生暂降事件的节点,对应矩阵元素值用0表示,以便在实际应用时进行计算简化后,只需输入监测点暂降残余电压幅值即可代入训练。
与输入样本对应的网络输出样本用矩阵Yn表示故障发生的节点信息,也为一个N行M列的故障样本矩阵,矩阵Yn中每一列故障信息可与暂降输入矩阵Xn中对应列的暂降信息视为同一暂降事件,样本中第n个电压暂降事件的对应线路故障信息输出矩阵Yn可表示为:
Yn=[y1n,y2n,…,yMn]T (5-2)
其中矩阵元素值表示引起暂降事件的故障源位置,元素值1为则表示故障线路与该节点相连,反之则置为0。由于网络中存在不同电压等级的节点及故障,在数学矩阵中无法进行准确表示,在实际进行使用时,针对10kV电压等级节点出线处发生故障,故障输出信息则为相连的10kV节点,110kV及以上线路故障信息则采用两个及以上节点信息进行表示。
值得说明的是,将复杂供电网络的主接线图可以抽象化的描述成拓扑结构图,以下图1为例,将电源、母线等视作节点,原始拓扑网络中,节点之间仅通过支路连接,若当前拓扑网络相连节点i和j之间的开关处于闭合状态,则视作节点i和节点j相连,并将表示拓扑连通性的矩阵中元素cij=1,反之则为0。由此可得出原始节点联通矩阵,称为1级节点-节点联通矩阵,又称为邻接矩阵,记为C(1),请参照图2,依次是原始拓扑网络和当前拓扑网络。
值得说明的是,
由于C(1)矩阵具有的对称性,可以使用布尔自乘运算对矩阵进行迭代运算,得到2级节点联通矩阵C(2),计算如下式所示:
C(2)=C(1)·C(1)
根据上述原理可进行多次迭代,矩阵所代表的不相邻节点之间联通关系将会不断进行修正,在得到迭代前后矩阵元素完全相同的矩阵C(n)时,可以视为联通矩阵以及稳定,该矩阵则表示网络中包含不相邻所有节点之间的联通关系,可使用该矩阵表示的数学模型对复杂网络进行数学化表示,表示为联通矩阵C。
在基于获得电网的最终联通矩阵基础上,假设拓扑网络中部分节点为实际电压暂降监测点。当这些监测节点发生电压暂降时,使用算法计算出满足联通关系的其他节点,并将这些节点标记为可能受扰节点。在算法设计时,假定将与发生电压暂降的监测点相连通且未与其他未监测到电压暂降事件的监测点相连通的节点定义为电压暂降受扰节点,并采用一个节点受扰矢量矩阵D=[di]表示上述中的节点受扰情况。在初始状态下将出现电压暂降事件的监测点所对应矩阵元素的di置为1,其余节点置为0。根据逻辑公式,最终各节点di的计算情况如下式表示
其中m为监测到电压暂降事件的监测点,n表示为未监测到电压暂降事件的监测点。该方法实际使用时大致可以排除近半的伪故障节点,应用于复杂的电力系统供电网络中时,可以有效排除数目可观的伪故障节点,降低计算难度。
值得说明的是,基于上述所提出的方法,在输入新的单次电压暂降事件监测数据Xn时,可根据拓扑辨识方法得到受扰节点行矢量D,并根据Elman神经网络训练后得到引起电压暂降的源故障可能位于的节点列矢量Yn,为方便计算,可将Yn进行转置操作后,再对两个中的元素进行对应与逻辑运算,最终可计算得到经过伪故障排除后的故障定位预测节点矩阵Zn=[zi],计算公式如下
zi=(di∩yin),i∈[1,M]
其中M为该网络中节点的数目。最终获得的Zn中,编号元素值为1的节点即可认为是造成电压暂降的源故障节点,值为0的节点则为被算法筛除的伪故障节点,在实际工程应用中,可将上述获得的预测矩阵Zn=[zi]进行逻辑判断,提取矩阵中元素为1的节点编号进行输出,可得到最终暂降源定位的节点列表。
值得说明的是,请参考图3,所表示的某区域220Kv电网为例,假设监测点6出现电压暂降事件,则可令受扰矩阵中的表示45号节点的元素d45=1,代入拓扑辨析算法后,可以确定可能受扰的节点编号为4、6、9、10、13、14、15、18、46,这一结论基本与监测结果相符。在进一步应用时,将最终受扰节点矩阵中以上节点对应编号均置为1,便于与神经网络进行综合筛选性算法计算。其余监测点也可采取类似使用方法进行电压暂降范围确定,根据该区域历史数据中提取某一个未参与训练的暂降事件作为新测试输入,根据电网侧信息表示,该故障为节点41的10KV出线侧线路故障。该事件暂降监测点实测输入数据监测点7的残余电压幅值为91%,监测点9的残余电压幅值为89%,可令输入矩阵中元素x44=0.91,x40=0.89,得到拓扑辨识后受扰矩阵中元素1、2、3、5、7、8、12、20、22、26、28、30、32、34、36、37、39、40、41、42、43、44的值为1,并使用神经网络对上述事件进行预测后,得到故障信息预测输出矩阵Yn中的元素18、20、22、36、38、41、45值为1。根据综合算法可得出最终暂降源定位的可能节点为节点20、22、36、41中的某条线路,在具体网络中实现了定位功能。
综上所述,本发明的实施原理为:基于监测点历史暂降数据以及电网侧线路故障信息按照时标对时原则归类,使用Elman神经网络进行暂降定位学习工作,获得对应匹配关系,通过节点连接关系建立电网联通矩阵,并根据联通关系以及已有暂降监测点事件数据进行单暂降事件受扰节点,对使用神经网络进行定位后的可能故障节点进行伪故障排除,采用以上算法,实现了及时且精准的暂降源定位,减少了神经网络训练的训练量,为电力用户定制临时供电计划以及治理方案选择提供了技术支持,本发明结构合理,设计巧妙,适合推广。
Claims (9)
1.一种电压暂降源定位的方法,其特征在于,包括下面步骤:
S1:根据待监测配电网历史暂降数据,构建神经网络Elman模型;
S2:将待监测节点的电压暂降数据作为输入样本Xn,发送至已训练完成的神经网络Elman模型,得到故障节点矢量Yn,进入步骤S3;
S3:将故障节点矢量Yn作为输入发送至已建立的电网联通矩阵,进行伪故障排除后得到暂降源定位的节点列表,确定待监测配电网中故障所在电网线路。
2.根据权利要求1所述的一种电压暂降源定位的方法,其特征在于,所述S1中,所述神经网络Elman模型,其中,隐含层传递函数为tan-sigmoid型函数,训练函数采用traingdm函数,隐含层节点数为18,训练函数动量因子数为0.9,最大训练步数为10000。
3.根据权利要求1所述的一种电压暂降源定位的方法,其特征在于,所述S1中,待监测配电网历史暂降数据包括有已有的故障数据与各监测点暂降信息,所述神经网络Elman模型在训练之前,将已有的故障数据与各监测点暂降信息进行时标对时归类。
4.根据权利要求1所述的一种电压暂降源定位的方法,其特征在于,所述S2中,将待监测节点暂降残余电压幅值X作为训练时神经网络Elman模型的输入,神经网络Elman模型输出暂降事件的故障源位置Y。
5.根据权利要求4所述的一种电压暂降源定位的方法,其特征在于,样本中第n个电压暂降事件的节点监测数据输入矩阵Xn可表示为:
Xn=[x1n,x2n,...,xMn]T
样本中第n个电压暂降事件的对应线路故障信息输出矩阵Yn可表示为:
Yn=[y1n,y2n,…,yMn]T
Yn中元素值1为则表示故障线路与该节点相连,反之则置为0。
6.根据权利要求5所述的一种电压暂降源定位的方法,其特征在于,所述S3中,所述电网联通矩阵的建立过程为:
S61:将待监测配电网的主接线图简化为拓扑结构图,包括将电源和母线设置为所述拓扑结构图中的节点;
S62:通过拓扑结构图得到联通矩阵,所述联通矩阵包括有C(1),通过不断修正,得到稳定的联通矩阵C(n),进入到S63;
S63:当监测的节点发生电压暂降时,通过各节点di所在联通矩阵来排除S3中的伪故障节点。
8.根据权利要求6所述的一种电压暂降源定位的方法,其特征在于,所述S63中,排除伪故障节点的过程为:
S81:通过S2得到电压暂降的源位置所在的节点矢量Yn,将Yn转置后进行逻辑运算得到故障定位预测节点矩阵Zn=[zi],进入到S82;
S82:对预测节点矩阵进行逻辑判断,当编号元素值为0时,就是被排除的伪故障节点,当编号元素值为1时,进入到S83;
S83:提取预测节点矩阵中元素为1的节点编号进行输出,输出暂降源定位的节点列表。
9.根据权利要求8所述的一种电压暂降源定位的方法,其特征在于,所述S81,故障定位预测节点矩阵Zn=[zi]的计算公式为:
zi=(di∩yin),i∈[1,M]
式中,M为该网络中节点的数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507527.9A CN111650472B (zh) | 2020-06-05 | 2020-06-05 | 一种电压暂降源定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010507527.9A CN111650472B (zh) | 2020-06-05 | 2020-06-05 | 一种电压暂降源定位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111650472A true CN111650472A (zh) | 2020-09-11 |
CN111650472B CN111650472B (zh) | 2023-04-18 |
Family
ID=72351190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010507527.9A Active CN111650472B (zh) | 2020-06-05 | 2020-06-05 | 一种电压暂降源定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650472B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684284A (zh) * | 2020-11-30 | 2021-04-20 | 西安理工大学 | 将注意力机制与深度学习融合的电压暂降扰动源定位方法 |
CN113281584A (zh) * | 2021-04-21 | 2021-08-20 | 东南大学溧阳研究院 | 一种基于修正参数的电压暂降源定位方法 |
CN114167172A (zh) * | 2021-11-25 | 2022-03-11 | 国网福建省电力有限公司莆田供电公司 | 一种基于马氏距离与支持向量机的电压暂降源定位方法 |
CN114252726A (zh) * | 2021-11-10 | 2022-03-29 | 国网宁夏电力有限公司中卫供电公司 | 一种配电系统的电压暂降源的定位方法、介质及系统 |
CN115469192A (zh) * | 2022-11-02 | 2022-12-13 | 国网信息通信产业集团有限公司 | 一种电压暂降源定位方法及定位系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281229A (zh) * | 2008-05-22 | 2008-10-08 | 重庆大学 | 配电网配电线路故障定位系统 |
TW201303319A (zh) * | 2011-07-06 | 2013-01-16 | Univ Nat Taiwan | 高壓輸配電網路之故障偵測、辨識與定位之方法及系統 |
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103576053A (zh) * | 2013-10-09 | 2014-02-12 | 国家电网公司 | 一种基于有限电能质量监测点的电压暂降源定位方法 |
CN104155580A (zh) * | 2014-08-19 | 2014-11-19 | 国家电网公司 | 一种关联分析与电力计算相结合的电压暂降源定位方法 |
CN105933923A (zh) * | 2016-04-19 | 2016-09-07 | 北京邮电大学 | 一种超密集组网小区分簇方法 |
CN106383296A (zh) * | 2016-11-02 | 2017-02-08 | 华北电力大学(保定) | 一种基于相量分析的改进阻抗型有源配电网故障测距算法 |
CN109064026A (zh) * | 2018-08-03 | 2018-12-21 | 福州大学 | 一种考虑供电系统运行方式的工业过程过程参数免疫时间评估方法 |
US20180372782A1 (en) * | 2017-06-23 | 2018-12-27 | Rockwell Automation Technologies, Inc. | Systems and methods for monitoring power |
CN110503200A (zh) * | 2019-08-22 | 2019-11-26 | 国网山东省电力公司德州供电公司 | 一种基于综合判据和神经网络的电压暂降源定位方法 |
-
2020
- 2020-06-05 CN CN202010507527.9A patent/CN111650472B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281229A (zh) * | 2008-05-22 | 2008-10-08 | 重庆大学 | 配电网配电线路故障定位系统 |
TW201303319A (zh) * | 2011-07-06 | 2013-01-16 | Univ Nat Taiwan | 高壓輸配電網路之故障偵測、辨識與定位之方法及系統 |
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103576053A (zh) * | 2013-10-09 | 2014-02-12 | 国家电网公司 | 一种基于有限电能质量监测点的电压暂降源定位方法 |
CN104155580A (zh) * | 2014-08-19 | 2014-11-19 | 国家电网公司 | 一种关联分析与电力计算相结合的电压暂降源定位方法 |
CN105933923A (zh) * | 2016-04-19 | 2016-09-07 | 北京邮电大学 | 一种超密集组网小区分簇方法 |
CN106383296A (zh) * | 2016-11-02 | 2017-02-08 | 华北电力大学(保定) | 一种基于相量分析的改进阻抗型有源配电网故障测距算法 |
US20180372782A1 (en) * | 2017-06-23 | 2018-12-27 | Rockwell Automation Technologies, Inc. | Systems and methods for monitoring power |
CN109064026A (zh) * | 2018-08-03 | 2018-12-21 | 福州大学 | 一种考虑供电系统运行方式的工业过程过程参数免疫时间评估方法 |
CN110503200A (zh) * | 2019-08-22 | 2019-11-26 | 国网山东省电力公司德州供电公司 | 一种基于综合判据和神经网络的电压暂降源定位方法 |
Non-Patent Citations (7)
Title |
---|
DONG-JUN WON 等: "A new algorithm to locate power-quality event source with improved realization of distributed monitoring scheme", 《IEEE TRANSACTIONS ON POWER DELIVERY》 * |
刘颖英等: "基于多重判据的电压暂降故障源定位方法", 《中国电机工程学报》 * |
尉乃红,杨士元,童诗白: "基于BP网络的线性电路故障诊断", 《计算机学报》 * |
徐国宾等: "基于FOA-GRNN的水电站厂房结构振动响应研究", 《水力发电学报》 * |
董海艳: "基于矩阵算法的分布式电能质量监测系统扰动源定位", 《燕山大学学报》 * |
谭丹等: "基于故障距离分布函数的配电网故障定位", 《电网技术》 * |
饶臻等: "基于优化神经网络的接地网故障诊断", 《江西电力》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684284A (zh) * | 2020-11-30 | 2021-04-20 | 西安理工大学 | 将注意力机制与深度学习融合的电压暂降扰动源定位方法 |
CN113281584A (zh) * | 2021-04-21 | 2021-08-20 | 东南大学溧阳研究院 | 一种基于修正参数的电压暂降源定位方法 |
CN114252726A (zh) * | 2021-11-10 | 2022-03-29 | 国网宁夏电力有限公司中卫供电公司 | 一种配电系统的电压暂降源的定位方法、介质及系统 |
CN114252726B (zh) * | 2021-11-10 | 2023-10-03 | 国网宁夏电力有限公司中卫供电公司 | 一种配电系统的电压暂降源的定位方法、介质及系统 |
CN114167172A (zh) * | 2021-11-25 | 2022-03-11 | 国网福建省电力有限公司莆田供电公司 | 一种基于马氏距离与支持向量机的电压暂降源定位方法 |
CN114167172B (zh) * | 2021-11-25 | 2024-01-12 | 国网福建省电力有限公司莆田供电公司 | 一种基于马氏距离与支持向量机的电压暂降源定位方法 |
CN115469192A (zh) * | 2022-11-02 | 2022-12-13 | 国网信息通信产业集团有限公司 | 一种电压暂降源定位方法及定位系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111650472B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650472B (zh) | 一种电压暂降源定位的方法 | |
JP7240691B1 (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN109459669B (zh) | 10kV配电网单相接地故障区段定位方法 | |
CN105577440B (zh) | 一种网络故障时间定位方法和分析设备 | |
CN107958329B (zh) | 一种供电可靠性的评估方法及系统 | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN105335752A (zh) | 一种基于主成分分析多变量决策树的接线方式识别方法 | |
CN103245881A (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
CN108931709A (zh) | 一种高容错率的配网故障定位方法 | |
CN104200096B (zh) | 基于微分进化算法和bp神经网络的避雷器均压环优化法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN113746663B (zh) | 机理数据双驱动结合的性能劣化故障根因定位方法 | |
CN107846472A (zh) | 大规模输变电设备监测数据流的快速异常检测方法 | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
Lugaresi et al. | Real-time validation of digital models for manufacturing systems: A novel signal-processing-based approach | |
CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
CN112215279A (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN110147827A (zh) | 一种基于iaalo-svm与相似性度量的故障预测方法 | |
CN114167217A (zh) | 一种铁路配电网的多重故障诊断方法 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN107093904B (zh) | 基于随机矩阵谱分析的配电网无功补偿动作点选取方法 | |
CN107818523A (zh) | 基于非稳定频率分布与频率因子学习的电力通信系统数据真值判别与推断方法 |
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 |