CN111679158A - 基于同步量测数据相似度的配电网故障辨识方法 - Google Patents
基于同步量测数据相似度的配电网故障辨识方法 Download PDFInfo
- Publication number
- CN111679158A CN111679158A CN202010770662.2A CN202010770662A CN111679158A CN 111679158 A CN111679158 A CN 111679158A CN 202010770662 A CN202010770662 A CN 202010770662A CN 111679158 A CN111679158 A CN 111679158A
- Authority
- CN
- China
- Prior art keywords
- zero
- fault
- fault type
- power distribution
- similarity
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于同步量测数据相似度的配电网故障辨识方法，包括以下步骤：获取配电网故障后微型同步相量测量单元测得的三相电流、零序电流以及零序电压数据；采用小波变换分别提取三相电流、零序电流和零序电压的特征向量；对三相电流、零序电流和零序电压的特征向量进行归一化处理，作为神经网络的训练样本和测试样本；神经网络根据训练样本进行训练后，再根据测试样本对配电网中发生的故障进行辨识，得到每种故障类型对应的相似度，选取相似度最大的故障类型作为本次故障类型的识别结果。本发明提供的基于同步量测数据相似度的配电网故障辨识方法，基于神经网络原理，可以快速确定故障类型对应的参数特征，进而提高故障辨识准确率。
Description
技术领域
本发明涉及配电网故障识别技术领域，特别是涉及一种基于同步量测数据相似度的配电网故障辨识方法。
背景技术
近年来，世界各地多次发生了大规模的停电事故。随着电网规模逐渐扩大和新能源的接入，电力系统已成为规模最大、元件复杂且存在大量随机因素的复杂系统，电力系统的安全问题更加突出。在现代电网中，快速准确的故障类型辨识是必不可少的要求。继电保护和故障定位都需要正确的故障类型信息。目前，国内外对电网故障分类的研究较多，但主要是针对输电网的故障分类。传统的故障类型辨识是通过设置阈值和依赖逻辑关系来实现的，其根据保护的逻辑和操作人员的经验推断出故障位置和故障类型，这就导致对配电网故障类型的辨识并不能及时且准确，效率较低。
发明内容
本发明的目的是提供一种基于同步量测数据相似度的配电网故障辨识方法，基于神经网络原理，可以快速确定故障类型对应的参数特征，进而提高故障识别准确率。
为实现上述目的，本发明提供了如下方案：
一种基于同步量测数据相似度的配电网故障辨识方法，包括以下步骤：
S1，获取配电网故障后微型同步相量测量单元(micro Phasor MeasurementUnit,μPMU)测得的三相电流、零序电流以及零序电压数据；
S2，采用小波变换分别提取：三相电流、零序电流和零序电压的特征向量，构成一组特征向量集合，所述三相电流、零序电流和零序电压的特征向量为三相电流、零序电流和零序电压的小波包能量；
S3，对三相电流、零序电流和零序电压的特征向量进行归一化处理，使之元素值都属于[0,1]，作为神经网络的训练样本和测试样本；
S4，神经网络根据训练样本进行训练后，再根据测试样本对配电网中发生的故障进行辨识，得到每种故障类型对应的相似度，选取相似度最大的故障类型作为本次故障类型的识别结果。
可选的，所述步骤S2中，采用小波变换分别提取：三相电流、零序电流和零序电压的特征向量，构成一组特征向量集合，具体包括如下步骤：
对三相电流、零序电压、零序电流共计5个特征值使用小波基db3进行分解，分解得到的第n层小波包系数，计算小波包能量EA、EB、EC、Ei0、Eu0，EA、EB、EC分别表示A，B，C三相电流的小波包能量，Ei0、Eu0分别表示零序电流和零序电压的小波包能量，具体计算公式为：
式中，EP表示EA、EB、EC、Ei0或Eu0分别代入，n表示使用小波分解至第n层所产生的小波包系数计算小波包能量，k表示第n层小波分解出的第k个系数，第n层共有2n个系数。
可选的，所述步骤S3中，对三相电流、零序电流和零序电压的特征向量进行归一化处理，使之元素值都属于[0,1]，作为神经网络的训练样本和测试样本，具体包括如下步骤：
S301，采用步骤S2的方法多次采集三相电流、零序电流和零序电压的特征向量构成特征向量矩阵，设共有d组特征向量，则特征矩阵的维度为5×d；
S302，对特征向量矩阵按行进行归一化处理，使之每一行中最大的元素归一化为1，最小的元素变为0，具体公式为：
其中i＝1,2…d；e表示特征向量矩阵中的某一行向量；ei表示这一行中的第i个元素；e'i表示该元素归一化后对应的元素；
表示这一行中最大的元素；
表示这一行中最小的元素。
S303，对每一行都进行归一化处理后，按照原特征向量矩阵的排列方式排列成归一化处理后的特征向量矩阵。
可选的，所述步骤S4中，神经网络根据训练样本进行训练后，再根据测试样本对配电网中发生的故障进行辨识，得到每种故障类型对应的相似度，选取相似度最大的故障类型作为本次故障类型的识别结果，具体包括如下步骤：
S401，将归一化之后的特征向量组成的矩阵中的一部分输入到神经网络中作为输入，输出为其对应的实际的故障类型向量：
S402，将特征向量矩阵中的另一部分作为测试集样本，对神经网络进行测试，得到每组测试数据经过测试得到的故障类型识别结果向量Fault’；
S403，计算故障类型识别结果向量对应实际的故障类型向量的相似度S，
其中|Fault'-Fault|表示对应某种故障类型向量Fault时，识别结果向量Fault’与Fault的对应元素分别相减后得到的向量的模，sum(.)表示将括号内的向量元素进行求和运算；
S404，选取相似度最大的故障类型作为本次故障类型的识别结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于同步量测数据相似度的配电网故障辨识方法，针对配电网以微型相量测量单元(μPMU)作为表计测量故障后三相电流、零序电流和零序电压数据，故障数据准确度高；基于神经网络算法先对训练样本进行训练，确定特征向量对应的各类配电网故障，再根据测试样本对配电网中发生的故障进行辨识，得到每种故障类型对应的相似度，选取相似度最大的故障类型作为本次故障类型的识别结果，故障辨识准确、迅速；本发明利用本质为非线性拓扑结构的动态神经网络预测模型，因此使得预测模型具有动态自适应特点，能够适应工况条件和环境变化等，实现了非线性智能故障预测，可以广泛应用于各种配电网故障预测分析中。
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于μPMU量测数据的配电网故障类型辨识方法流程图；
图2是本发明供说明使用的10kv配电网仿真模型；
图3为本发明实施例故障类型为A-G时对应各故障类型的似度结果柱状图；
图4为本发明实施例故障类型为A-B时对应各故障类型的似度结果柱状图；
图5为本发明实施例故障类型为B-C时对应各故障类型的似度结果柱状图；
图6为本发明实施例故障类型为ABC-G时对应各故障类型的似度结果柱状图。
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。
本发明的目的是提供一种基于同步量测数据相似度的配电网故障辨识方法，基于神经网络原理，可以快速确定给定故障类型对应的参数特征，进而提高故障辨识准确率。
为使本发明的上述目的、特征和优点能够更加明显易懂，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为本发明基于同步量测数据相似度的配电网故障辨识方法流程图，如图1所示，本发明提供的基于同步量测数据相似度的配电网故障辨识方法，包括以下步骤：
S1，获取配电网故障后微型同步相量测量单元(micro Phasor MeasurementUnit,μPMU)测得的三相电流、零序电流以及零序电压数据；
S2，采用小波变换分别提取：三相电流、零序电流和零序电压的特征向量，构成一组特征向量集合，所述三相电流、零序电流和零序电压的特征向量为三相电流、零序电流和零序电压的小波包能量；
S3，对三相电流、零序电流和零序电压的特征向量进行归一化处理，使之元素值都属于[0,1]，作为神经网络的训练样本和测试样本；
S4，神经网络根据训练样本进行训练后，再根据测试样本对配电网中发生的故障进行辨识，得到每种故障类型对应的相似度，选取相似度最大的故障类型作为本次故障类型的识别结果。
其中，所述步骤S2中，采用小波变换分别提取：三相电流、零序电流和零序电压的特征向量，构成一组特征向量集合，具体包括如下步骤：
对三相电流、零序电压、零序电流共计5个特征值使用小波基db3进行分解，分解得到的第n层小波包系数，计算小波包能量EA、EB、EC、Ei0、Eu0，EA、EB、EC分别表示A，B，C三相电流的小波包能量，Ei0、Eu0分别表示零序电流和零序电压的小波包能量，具体计算公式为：
式中，EP表示EA、EB、EC、Ei0或Eu0分别代入，n表示使用小波分解至第n层所产生的小波包系数计算小波包能量，k表示第n层小波分解出的第k个系数，第n层共有2n个系数。
其中，所述步骤S3中，对三相电流、零序电流和零序电压的特征向量进行归一化处理，使之元素值都属于[0,1]，作为神经网络的训练样本和测试样本，具体包括如下步骤：
S301，采用步骤S2的方法多次采集三相电流、零序电流和零序电压的特征向量构成特征向量矩阵，设共有d组特征向量，则特征矩阵的维度为5×d；
S302，对特征向量矩阵按行进行归一化处理，使之每一行中最大的元素归一化为1，最小的元素变为0，具体公式为：
其中i＝1,2…d；e表示特征向量矩阵中的某一行向量；ei表示这一行中的第i个元素；e'i表示该元素归一化后对应的元素；
表示这一行中最大的元素；
表示这一行中最小的元素。
S303，对每一行都进行归一化处理后，按照原特征向量矩阵的排列方式排列成归一化处理后的特征向量矩阵。
其中，所述步骤S4中，神经网络根据训练样本进行训练后，再根据测试样本对配电网中发生的故障进行辨识，得到每种故障类型对应的相似度，选取相似度最大的故障类型作为本次故障类型的辨识结果，具体包括如下步骤：
S401，将归一化之后的特征向量组成的矩阵中的一部分输入到神经网络中作为输入，输出为其对应的实际的故障类型向量：
例如A相短路接地故障表示为
AB两相短路记为
以此类推，这些样本将被用到神经网络中，神经网络进行训练。
S402，将特征向量矩阵中的另一部分作为测试集样本，对神经网络进行测试，得到每组测试数据经过测试得到的故障类型识别结果向量Fault’；
S403，计算故障类型识别结果向量对应实际的故障类型向量的相似度S，
其中|Fault'-Fault|表示对应某种故障类型向量Fault时，识别结果向量Fault’与Fault的对应元素分别相减后得到的向量的模，sum(.)表示将括号内的向量元素进行求和运算；
S404，选取相似度最大的故障类型作为本次故障类型的识别结果。
使用MATLAB/SIMULINK软件对图2所示的10kV配电网模型进行仿真测试。
设在线路BC段上不同点发生不同类型的故障，利用采集得到的相关电压与电流信号经小波变换之后提取小波包能量，当小波分解层数过少或者小波分解层数过多时，小波包能量的特征差异不是很明显，容易导致故障类型识别错误。此处分解层数n为8层时，小波包能量的特征差异较为明显，便于进行故障类型辨识。对小波包能量进行归一化处理得到故障特征向量矩阵，分为训练集以及测试集，部分训练集数据如表1，其中每组特征向量为一行，部分测试集数据如表2。
表1部分训练集数据
表2部分测试集数据
使用神经网络对训练集数据进行训练后，使用测试集数据对其性能进行测试，部分测试结果表3。
表3故障类型相似度评估
为更直观地说明本方法的结果，根据表3绘制了相似度柱状图如图3～图6所示。以第一组测试数据为例，当实际故障类型为A相短路接地时，其测试结果中对应A相短路接地故障的相似度最大，其他组测试数据同理，直接说明了本算法的有效性。
本发明提供的基于同步量测数据相似度的配电网故障辨识方法，针对配电网以微型相量测量单元(μPMU)作为表计测量故障后三相电流、零序电流和零序电压数据，故障数据准确度高；基于神经网络算法先对训练样本进行训练，确定特征向量对应的各类配电网故障，再根据测试样本对配电网中发生的故障进行辨识，得到每种故障类型对应的相似度，选取相似度最大的故障类型作为本次故障类型的识别结果，故障辨别准确、迅速；本发明利用本质为非线性拓扑结构的动态神经网络预测模型，因此使得预测模型具有动态自适应特点，能够适应工况条件和环境变化等，实现了非线性故障预测，可以广泛应用于各种配电网故障辨识分析中。
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 (4)
1.一种基于同步量测数据相似度的配电网故障辨识方法，其特征在于，包括以下步骤：
S1，获取配电网故障后微型同步相量测量单元测得的三相电流、零序电流以及零序电压数据；
S2，采用小波变换分别提取：三相电流、零序电流和零序电压的特征向量，构成一组特征向量集合，所述三相电流、零序电流和零序电压的特征向量为三相电流、零序电流和零序电压的小波包能量；
S3，对三相电流、零序电流和零序电压的特征向量进行归一化处理，使之元素值都属于[0,1]，作为神经网络的训练样本和测试样本；
S4，神经网络根据训练样本进行训练后，再根据测试样本对配电网中发生的故障进行辨识，得到每种故障类型对应的相似度，选取相似度最大的故障类型作为本次故障类型的识别结果。
2.根据权利要求1所述的基于同步量测数据相似度的配电网故障辨识方法，其特征在于，所述步骤S2中，采用小波变换分别提取：三相电流、零序电流和零序电压的特征向量，构成一组特征向量集合，具体包括：
对三相电流、零序电压、零序电流共计5个特征值使用小波基db3进行分解，分解得到的第n层小波包系数，计算小波包能量EA、EB、EC、Ei0、Eu0，EA、EB、EC分别表示A，B，C三相电流的小波包能量，Ei0、Eu0分别表示零序电流和零序电压的小波包能量，具体计算公式为：
式中，EP表示EA、EB、EC、Ei0或Eu0分别代入，n表示使用小波分解至第n层所产生的小波包系数计算小波包能量，k表示第n层小波分解出的第k个系数，第n层共有2n个系数。
3.根据权利要求1所述的基于同步量测数据相似度的配电网故障辨识方法，其特征在于，所述步骤S3中，对三相电流、零序电流和零序电压的特征向量进行归一化处理，使之元素值都属于[0,1]，作为神经网络的训练样本和测试样本，具体包括如下步骤：
S301，采用步骤S2的方法多次采集三相电流、零序电流和零序电压的特征向量构成特征向量矩阵，设共有d组特征向量，则特征矩阵的维度为5×d；
S302，对特征向量矩阵按行进行归一化处理，使之每一行中最大的元素归一化为1，最小的元素变为0，具体公式为：
其中i＝1,2…d；e表示特征向量矩阵中的某一行向量；ei表示这一行中的第i个元素；e'i表示该元素归一化后对应的元素；
表示这一行中最大的元素；
表示这一行中最小的元素。
S303，对每一行都进行归一化处理后，按照原特征向量矩阵的排列方式排列成归一化处理后的特征向量矩阵。
4.根据权利要求1所述的基于同步量测数据相似度的配电网故障辨识方法，其特征在于，所述步骤S4中，神经网络根据训练样本进行训练后，再根据测试样本对配电网中发生的故障进行辨识，得到每种故障类型对应的相似度，选取相似度最大的故障类型作为本次故障类型的识别结果，具体包括如下步骤：
S401，将归一化之后的特征向量组成的矩阵中的一部分输入到神经网络中作为输入，输出为其对应的实际的故障类型向量：
S402，将特征向量矩阵中的另一部分作为测试集样本，对神经网络进行测试，得到每组测试数据经过测试得到的故障类型识别结果向量Fault’；
S403，计算故障类型识别结果向量对应实际的故障类型向量的相似度S，
其中|Fault'-Fault|表示对应某种故障类型向量Fault时，识别结果向量Fault’与Fault的对应元素分别相减后得到的向量的模，sum(.)表示将括号内的向量元素进行求和运算；
S404，选取相似度最大的故障类型作为本次故障类型的辨识结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770662.2A CN111679158A (zh) | 2020-08-04 | 2020-08-04 | 基于同步量测数据相似度的配电网故障辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010770662.2A CN111679158A (zh) | 2020-08-04 | 2020-08-04 | 基于同步量测数据相似度的配电网故障辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111679158A true CN111679158A (zh) | 2020-09-18 |
Family
ID=72458150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010770662.2A Pending CN111679158A (zh) | 2020-08-04 | 2020-08-04 | 基于同步量测数据相似度的配电网故障辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111679158A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162176A (zh) * | 2020-09-30 | 2021-01-01 | 国网河南省电力公司洛阳供电公司 | 一种基于μPMU量测数据的配电网相间短路故障定位方法 |
| CN112327104A (zh) * | 2020-11-19 | 2021-02-05 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
| CN112557950A (zh) * | 2020-12-03 | 2021-03-26 | 广东电网有限责任公司江门供电局 | 基于矩阵相似性的配电网谐振接地系统故障选线方法 |
| CN113092939A (zh) * | 2021-04-08 | 2021-07-09 | 国网河北省电力有限公司经济技术研究院 | 一种基于pmu和智能电表的配电网故障定位方法 |
| CN113285431A (zh) * | 2021-06-10 | 2021-08-20 | 云南电网有限责任公司迪庆供电局 | 一种智能配电网信息物理融合保护系统及方法 |
| CN113762230A (zh) * | 2021-11-10 | 2021-12-07 | 广东电网有限责任公司佛山供电局 | 一种电缆隧道附属设施故障自动化识别方法及相关装置 |
| CN114062995A (zh) * | 2021-11-15 | 2022-02-18 | 通号（长沙）轨道交通控制技术有限公司 | 基于电气量多特征融合的互感器故障诊断方法、设备及介质 |
| CN116008731A (zh) * | 2023-02-15 | 2023-04-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
| CN116827817A (zh) * | 2023-04-12 | 2023-09-29 | 国网河北省电力有限公司信息通信分公司 | 数据链路状态监测方法、装置、监测系统及存储介质 |
| CN117171588A (zh) * | 2023-11-02 | 2023-12-05 | 吉林省有继科技有限公司 | 一种用于动力电池梯次利用故障检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080074441A (ko) * | 2007-02-09 | 2008-08-13 | 김영일 | 지능형 전기품질 진단 분석 방법 |
| CN104502795A (zh) * | 2014-11-26 | 2015-04-08 | 国家电网公司 | 一种适用于微电网的智能故障诊断方法 |
| CN106226635A (zh) * | 2016-07-14 | 2016-12-14 | 国网福建晋江市供电有限公司 | 一种配电网馈线故障类型识别方法及装置 |
| CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
| CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
| CN108960423A (zh) * | 2018-06-22 | 2018-12-07 | 青岛鹏海软件有限公司 | 基于机器学习的电机监测系统 |
| CN110084106A (zh) * | 2019-03-19 | 2019-08-02 | 中国地质大学（武汉） | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 |
| CN110514954A (zh) * | 2019-05-31 | 2019-11-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pmu数据的电力线路故障诊断方法及系统 |
| KR102058230B1 (ko) * | 2018-08-27 | 2019-12-20 | 연세대학교 산학협력단 | 케이블 고장 예측 장치, 방법 및 시스템 |
| CN110795843A (zh) * | 2019-10-24 | 2020-02-14 | 北京建筑大学 | 一种识别滚动轴承故障的方法及装置 |
-
2020
- 2020-08-04 CN CN202010770662.2A patent/CN111679158A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080074441A (ko) * | 2007-02-09 | 2008-08-13 | 김영일 | 지능형 전기품질 진단 분석 방법 |
| CN104502795A (zh) * | 2014-11-26 | 2015-04-08 | 国家电网公司 | 一种适用于微电网的智能故障诊断方法 |
| CN106226635A (zh) * | 2016-07-14 | 2016-12-14 | 国网福建晋江市供电有限公司 | 一种配电网馈线故障类型识别方法及装置 |
| CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
| CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
| CN108960423A (zh) * | 2018-06-22 | 2018-12-07 | 青岛鹏海软件有限公司 | 基于机器学习的电机监测系统 |
| KR102058230B1 (ko) * | 2018-08-27 | 2019-12-20 | 연세대학교 산학협력단 | 케이블 고장 예측 장치, 방법 및 시스템 |
| CN110084106A (zh) * | 2019-03-19 | 2019-08-02 | 中国地质大学（武汉） | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 |
| CN110514954A (zh) * | 2019-05-31 | 2019-11-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pmu数据的电力线路故障诊断方法及系统 |
| CN110795843A (zh) * | 2019-10-24 | 2020-02-14 | 北京建筑大学 | 一种识别滚动轴承故障的方法及装置 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112162176B (zh) * | 2020-09-30 | 2022-04-22 | 国网河南省电力公司洛阳供电公司 | 一种基于μPMU量测数据的配电网相间短路故障定位方法 |
| CN112162176A (zh) * | 2020-09-30 | 2021-01-01 | 国网河南省电力公司洛阳供电公司 | 一种基于μPMU量测数据的配电网相间短路故障定位方法 |
| CN112327104A (zh) * | 2020-11-19 | 2021-02-05 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
| CN112327104B (zh) * | 2020-11-19 | 2023-10-20 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
| CN112557950A (zh) * | 2020-12-03 | 2021-03-26 | 广东电网有限责任公司江门供电局 | 基于矩阵相似性的配电网谐振接地系统故障选线方法 |
| CN112557950B (zh) * | 2020-12-03 | 2022-11-22 | 广东电网有限责任公司江门供电局 | 基于矩阵相似性的配电网谐振接地系统故障选线方法 |
| CN113092939A (zh) * | 2021-04-08 | 2021-07-09 | 国网河北省电力有限公司经济技术研究院 | 一种基于pmu和智能电表的配电网故障定位方法 |
| CN113092939B (zh) * | 2021-04-08 | 2023-03-10 | 国网河北省电力有限公司经济技术研究院 | 一种基于pmu和智能电表的配电网故障定位方法 |
| CN113285431A (zh) * | 2021-06-10 | 2021-08-20 | 云南电网有限责任公司迪庆供电局 | 一种智能配电网信息物理融合保护系统及方法 |
| CN113762230B (zh) * | 2021-11-10 | 2022-02-15 | 广东电网有限责任公司佛山供电局 | 一种电缆隧道附属设施故障自动化识别方法及相关装置 |
| CN113762230A (zh) * | 2021-11-10 | 2021-12-07 | 广东电网有限责任公司佛山供电局 | 一种电缆隧道附属设施故障自动化识别方法及相关装置 |
| CN114062995A (zh) * | 2021-11-15 | 2022-02-18 | 通号（长沙）轨道交通控制技术有限公司 | 基于电气量多特征融合的互感器故障诊断方法、设备及介质 |
| CN116008731A (zh) * | 2023-02-15 | 2023-04-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
| CN116008731B (zh) * | 2023-02-15 | 2023-08-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
| CN116827817A (zh) * | 2023-04-12 | 2023-09-29 | 国网河北省电力有限公司信息通信分公司 | 数据链路状态监测方法、装置、监测系统及存储介质 |
| CN117171588A (zh) * | 2023-11-02 | 2023-12-05 | 吉林省有继科技有限公司 | 一种用于动力电池梯次利用故障检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111679158A (zh) | 基于同步量测数据相似度的配电网故障辨识方法 | |
| 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 | |
| CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
| De Oliveira-De Jesus et al. | PMU-based system state estimation for multigrounded distribution systems | |
| 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 | |
| CN110348114B (zh) | 一种电网完备性状态信息重构的非精确故障识别方法 | |
| CN107453484B (zh) | 一种基于wams信息的scada数据校准方法 | |
| Zhou et al. | Power distribution network dynamic topology awareness and localization based on subspace perturbation model | |
| CN112098889B (zh) | 一种基于神经网络和特征矩阵的单相接地故障定位方法 | |
| CN111598166A (zh) | 基于主分量分析和Softmax函数的单相接地故障分类方法和系统 | |
| CN110632455A (zh) | 一种基于配网同步量测大数据的故障检测定位方法 | |
| CN111429043B (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
| CN109241944A (zh) | 一种基于改进多分类支持向量机的配电网故障识别方法 | |
| CN104778348A (zh) | 低压脱扣器的电压暂降动作特性建模方法 | |
| CN106950446A (zh) | 基于主成分分析法的电网异常快速检测与定位方法 | |
| CN107765065B (zh) | 一种基于基波衰减因子的配电网励磁涌流识别方法 | |
| CN113674106A (zh) | 一种中低压配电网接地故障组合定位方法 | |
| CN103823158A (zh) | 采用不变矩的谐振接地系统故障选线方法 | |
| CN106646138B (zh) | 基于多采样频率小波特征能量折算的配电网接地故障定位方法 | |
| CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
| CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
| CN114755530B (zh) | 一种输电线路鲁棒故障定位方法 | |
| CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
| CN112415326B (zh) | 一种基于模糊聚类算法的配电网故障区段辨识方法 | |
| CN113177717B (zh) | 一种基于影响增量灵敏度的输电系统韧性快速评估方法 |
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 |