CN111783696A - 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 - Google Patents
一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 Download PDFInfo
- Publication number
- CN111783696A CN111783696A CN202010641253.2A CN202010641253A CN111783696A CN 111783696 A CN111783696 A CN 111783696A CN 202010641253 A CN202010641253 A CN 202010641253A CN 111783696 A CN111783696 A CN 111783696A
- Authority
- CN
- China
- Prior art keywords
- low
- signal
- voltage
- feature vector
- emd
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 37
- 238000010223 real-time analysis Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 7
- 238000012843 least square support vector machine Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,包括:S01、采集传输电缆电压、电流信号,进行小波包去噪处理S02、对信号进行EMD分解,获得多个IMF分量,利用归一化算法得到EMD能量熵作为特征向量;S03、根据特征向量建立基于边缘计算实体的可信模型;S04、采用层次分析方法对边缘计算实体进行可信评估,并计算综合可信度;S05、通过EMD能量熵计算低压信息,将对电流信号的识别转化为故障位置特征向量的识别;S06、对故障位置特征向量的测试样本进行分类检测,从而检测出信号是否为故障低压信号,能够准确有效的判断低压线损位置以及其数值大小,同时保证极高的识别率。
Description
技术领域
本发明实施例涉及基于PV关系边缘计算技术领域,具体涉及一种基于PV关系的低压分支拓扑实时分析的边缘计算方法。
背景技术
在目前的技术前景下,低压可视化项目实施已经实现基于用户电能表的用户有用功率P、电流I、电压U的实时采集,并已经实现了智能电表与变压器供电关系的实时辨识、与ABC三项的相别识别,但是变压器低压380V-户表之间的分支拓扑关系,和线路的分支线损计算还存在以下几个问题:
(1)针对实时采集的电压、电流信号,由于信号中混杂有众多负载和其他噪声的干扰,导致计算信号负荷时精确度不高,从而导致检测到的每日负荷均有变化,且无法计算相应线路损耗;
(2)目前利用基于分支表实时电压、电流信号的运算方法,由于信号中存在量化误差,导致采集后的数据需要稳定在一定的收敛域中,目前无法平衡相关的收敛阈值,导致计算线损相对困难。
发明内容
为此,本发明实施例提供一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,通过采用小波包对信号进行去噪,利用EMD算法分解得到代表不同时间尺度的IMF分量,并将其作为特征向量输入到边缘计算实体模型中,能够准确有效的判断低压线损位置以及其数值大小,同时保证极高的识别率,以解决现有技术中由于采集后的数据需要稳定在一定的收敛域中,且无法平衡相关的收敛阈值,导致计算线损相对困难的问题。
为了实现上述目的,本发明的实施方式提供如下技术方案:
一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,包括以下几个步骤:
S01、通过非接触式电压传感器采集传输电缆电压、电流信号,对采集到的信号进行小波包去噪处理;
S02、对去噪处理后的信号进行EMD分解,获得多个IMF分量,利用归一化算法得到EMD能量熵作为特征向量;
S03、根据特征向量建立基于边缘计算实体的可信模型;
S04、采用层次分析方法对边缘计算实体进行可信评估,并计算综合可信度;
S05、通过EMD能量熵计算低压信息,并结合计算边缘模型可信度,将对电流信号的识别转化为故障位置特征向量的识别;
S06、根据最小二乘向量机训练而得到的分类器对故障位置特征向量的测试样本进行分类检测,从而检测出信号是否为故障低压信号。
作为本发明的一种优选方案,所述小波包去噪处理步骤如下:
首先,利用原始电流信号的实际电气特性确定小波基函数并且选择相应的分解层次N,并对其进行N层小波包分解;
其次,根据已有的标准熵计算出信号的最佳小波包分解树;
再者,根据设定阈值对信号不同尺度的高频系数进行量化处理;
最后,根据第N层的小波包对低频系数进行分解,同时对系数进行量化处理并进行小波重构,得到去噪信号。
作为本发明的一种优选方案,所述阈值根据噪声信号进行小波分解时得到的n个小波系数以及噪声信号均方差来设定。
作为本发明的一种优选方案,对所述去噪信号进行EMD分解,步骤如下:
首先,选择去噪信号X(t),根据三次样条曲线分别对极大值和极小值进行包络拟合,得到上下两条包络线确定信号中所有的极值点;
其次,将高频分量C1从X(t)中分解出来,得到差值信号r1,并将去掉高频分量C1后的差值信号r1作为新的待分析信号,重复以上筛选步骤,直到第n阶的残余信号只包含一个极值点;
最后,利用分离出的n个IMF分量和一个残余信号表示其余原始信号之间的关系。
作为本发明的一种优选方案,根据所述IMF分量选取含有主要低压信息特征分量,步骤如下:
首先,选取含有主要低压信息的前n个经EMD分解所获得的IMF分量;
其次,求各IMF分量的总能量为:
再者,以能量为最小单位构造一个特征相量T:
T=[E1,E2,…,En]
最后,通过对特征相量T进行归一化处理:令
求得归一化后的相量为:
T′=[E1/E,E2/E,…,En/E]。
作为本发明的一种优选方案,根据归一化处理得到的所述特征相量构建边缘计算实体可信模型,主要元素由公共属性和可信属性组成。
作为本发明的一种优选方案,所述边缘计算实体可信模型通过层次分析法构建层次结构,其建模可信度主要通过直接可信度、间接可信度以及奖惩因子进行描述。
作为本发明的一种优选方案,根据所述直接可信度、间接可信度以及奖惩因子得到综合可信度,并根据现有配网线路拓扑结构的EMD能量熵计算低压信息,并定义一个低压信号因子w,通过对综合可信度以及低压信号因子w加权平均,得到最终估值,并根据该估值判断故障位置特征向量范围以及服务等级。
作为本发明的一种优选方案,将所述故障位置特征向量作为样本集{(xi,yi),i=1,2,…,l},得到关于特征向量的核函数:
其中,σ2为核函数平方带宽,由分类器分类精度确定。
作为本发明的一种优选方案,根据所述核函数提取训练样本信号,其流程主要包括以下几步:
首先,对低压信号进行EMD分解,提取EMD能量熵作为训练样本信号;
然后,根据核函数作为分类器获取训练样本特征向量;
再者,将其作为输入向量放到最小二乘支持向量机中,将对电流、电压信号的识别进一步转化为对故障电弧特征向量的识别;
最后,根据原有测试样本判断系统电路状态。
本发明的实施方式具有如下优点:
本发明实质上是该基于PV关系的低压分支拓扑实时分析的边缘计算方法,通过采用小波包对信号进行去噪,利用EMD算法将初始电流信号以频率从高到低为原则分解,得到代表不同时间尺度的IMF分量,并将其作为特征向量输入到边缘计算实体模型中,将负荷正常运行时的样本和发生低压线损严重的样本分别提取出来作为训练集进行训练,再分别从正常运行状态与低压损耗严重的状态中各取多组数据作为测试集,均输入到最小二乘支持向量机分类器中运算,能够准确有效的判断低压线损位置以及其数值大小,同时保证极高的识别率。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施方式中基于PV关系的低压分支拓扑实时分析的边缘计算方法的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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。
如图1所示,本发明提供了一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,主要通过小波包去噪算法对电流及电压信号进行处理,并将处理后的信号进行EMD分解取特征向量进行低压实时动态拓扑识别,并根据核函数计算相关低压信号的信号损失,而且通过特征向量识别相对应的变化位置,从而能够有效的确定每只电表的变化情况。
包括以下几个步骤:
S01、通过非接触式电压传感器采集传输电缆电压、电流信号,对采集到的信号进行小波包去噪处理;
S02、对去噪处理后的信号进行EMD分解,获得多个IMF分量,利用归一化算法得到EMD能量熵作为特征向量;
S03、根据特征向量建立基于边缘计算实体的可信模型;
S04、采用层次分析方法对边缘计算实体进行可信评估,并计算综合可信度;
S05、通过EMD能量熵计算低压信息,并结合计算边缘模型可信度,将对电流信号的识别转化为故障位置特征向量的识别;
S06、根据最小二乘向量机训练而得到的分类器对故障位置特征向量的测试样本进行分类检测,从而检测出信号是否为故障低压信号。
该基于PV关系的低压分支拓扑实时分析的边缘计算方法的特征之一在于,通过采集末端智能电表上的电压、电流信号,对采集的信号进行小波包去噪处理,消除同步误差,根据传输线缆每日负荷变化情况绘制相关的电压变化曲线,通过EMD能量熵获取相关特征向量,并根据特征向量建立边缘计算实体模型,利用综合信用度作为收敛阈值评估不同采集点计算出的低压信号值,当计算出的低压信号值多次大于收敛阈值时,可以判定分支电表或者末端线缆有拓扑变化,并根据特征点能够确定采集端电表变化情况。
所述小波包去噪处理步骤如下:
首先,利用原始电流信号的实际电气特性确定小波基函数并且选择相应的分解层次N,并对其进行N层小波包分解;
其次,根据已有的标准熵计算出信号的最佳小波包分解树;
再者,根据设定阈值对信号不同尺度的高频系数进行量化处理;
最后,根据第N层的小波包对低频系数进行分解,同时对系数进行量化处理并进行小波重构,得到去噪信号。
本实施例中,采用小波包去噪处理主要去除信号中所含有的高频噪声干扰,降低信噪比,进而使得采集的电压、电流信号更加准确。
所述阈值根据噪声信号进行小波分解时得到的n个小波系数以及噪声信号均方差来设定。
本实施例中,所述阈值TH1设定主要根据下式得到:
其中,σ为噪声信号均方差。
对所述去噪信号进行EMD分解,步骤如下:
首先,选择去噪信号X(t),根据三次样条曲线分别对极大值和极小值进行包络拟合,得到上下两条包络线确定信号中所有的极值点;
其次,将高频分量C1从X(t)中分解出来,得到差值信号r1,并将去掉高频分量C1后的差值信号r1作为新的待分析信号,重复以上筛选步骤,直到第n阶的残余信号只包含一个极值点;
最后,利用分离出的n个IMF分量和一个残余信号表示其余原始信号之间的关系。
本实施例中,当输入去噪信号X(t)之后,只需确定X(t)局部的极大值和极小值即可,通过拟合的方法即可得到X(t)包络曲线,减少整个算法的计算量。
根据所述IMF分量选取含有主要低压信息特征分量,步骤如下:
首先,选取含有主要低压信息的前n个经EMD分解所获得的IMF分量;
其次,求各IMF分量的总能量为:
再者,以能量为最小单位构造一个特征相量T:
T=[E1,E2,…,En]
最后,通过对特征相量T进行归一化处理:令
求得归一化后的相量为:
T′=[E1/E,E2/E,…,En/E]。
根据归一化处理得到的所述特征相量构建边缘计算实体可信模型,主要元素由公共属性和可信属性组成。
该基于PV关系的低压分支拓扑实时分析的边缘计算方法的特征之二在于,在建立边缘实体可信模型时,主要根据该电压、电流信号实体的相关行为为依据,然后对等待评估的电压、电流信号的行为进行采集、提取以及分析处理,并将边缘计算模型得到的可信度作为收敛阈值,计算结果在该收敛阈值内部即为传输线缆或者末端智能电表端没有拓扑结构的变化,如果多次超过该阈值,即视为采集信号的末端存在拓扑结构的变化。
所述边缘计算实体可信模型通过层次分析法构建层次结构,其建模可信度主要通过直接可信度、间接可信度以及奖惩因子进行描述。
本实施例中,采用数学理论定量的方法来对实体信息进行描述,选择同步采集的八组电压数据作为实体行为依据构建矩阵如下式所示:
其中,Pij指的是在序号为i的用户行为属性中序号为j的用户实体行为证据的取值。
将待测的一组实体数据的行为属性记为:C1,C2,…,Cn,将所有行为依据互相之间进行两两对比,获得判断矩阵如式:
则表示属性依据的权重矩阵We为:
We=[Q1,Q2,…,Qn]
其中,Qn取值表示用户行为属性下的相关证据Ci所对应的权值,则直接可信度Tnu1为:
proi=pei×We
pei=Pi1,Pi2,…,Pin
其中,proi为用户行为相应属性的大小值。
所示用户行为的间接可信度Tnu2为:
其中,reci为评估价值系数,Δt为时间因子,等于边缘用户最近的一次发生交互的时刻和当前时刻之间的差值。
所示奖惩因子主要根据边缘计算服务提供值与待评估边缘用户之间交互行为的成功率来设定。
根据所述直接可信度、间接可信度以及奖惩因子得到综合可信度,并根据现有配网线路拓扑结构的EMD能量熵计算低压信息,并定义一个低压信号因子w,通过对综合可信度以及低压信号因子w加权平均,得到最终估值,并根据该估值判断故障位置特征向量范围以及服务等级。
本实施例中,低压信号因子w加权平均主要依赖于网络环境的现实情况,当互联网络处于比较危险的状态时,值设置的相对比较小。
将所述故障位置特征向量作为样本集{(xi,yi),i=1,2,,…,l},得到关于特征向量的核函数:
其中,σ2为核函数平方带宽,由分类器分类精度确定。
根据所述核函数提取训练样本信号,其流程主要包括以下几步:
首先,对低压信号进行EMD分解,提取EMD能量熵作为训练样本信号;
然后,根据核函数作为分类器获取训练样本特征向量;
再者,将其作为输入向量放到最小二乘支持向量机中,将对电流、电压信号的识别进一步转化为对故障电弧特征向量的识别;
最后,根据原有测试样本判断系统电路状态。
该基于PV关系的低压分支拓扑实时分析的边缘计算方法,通过采用小波包对信号进行去噪,利用EMD算法将初始电流信号以频率从高到低为原则分解,得到代表不同时间尺度的IMF分量,并将其作为特征向量输入到边缘计算实体模型中,将负荷正常运行时的样本和发生低压线损严重的样本分别提取出来作为训练集进行训练,再分别从正常运行状态与低压损耗严重的状态中各取多组数据作为测试集,均输入到最小二乘支持向量机分类器中运算,能够准确有效的判断低压线损位置以及其数值大小,同时保证极高的识别率。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,其特征在于,包括以下几个步骤:
S01、通过非接触式电压传感器采集传输电缆电压、电流信号,对采集到的信号进行小波包去噪处理;
S02、对去噪处理后的信号进行EMD分解,获得多个IMF分量,利用归一化算法得到EMD能量熵作为特征向量;
S03、根据特征向量建立基于边缘计算实体的可信模型;
S04、采用层次分析方法对边缘计算实体进行可信评估,并计算综合可信度;
S05、通过EMD能量熵计算低压信息,并结合计算边缘模型可信度,将对电流信号的识别转化为故障位置特征向量的识别;
S06、根据最小二乘向量机训练而得到的分类器对故障位置特征向量的测试样本进行分类检测,从而检测出信号是否为故障低压信号。
2.根据权利要求1所述的一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,其特征在于,所述小波包去噪处理步骤如下:
首先,利用原始电流信号的实际电气特性确定小波基函数并且选择相应的分解层次N,并对其进行N层小波包分解;
其次,根据已有的标准熵计算出信号的最佳小波包分解树;
再者,根据设定阈值对信号不同尺度的高频系数进行量化处理;
最后,根据第N层的小波包对低频系数进行分解,同时对系数进行量化处理并进行小波重构,得到去噪信号。
3.根据权利要求2所述的一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,其特征在于,所述阈值根据噪声信号进行小波分解时得到的n个小波系数以及噪声信号均方差来设定。
4.根据权利要求2所述的一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,其特征在于,对所述去噪信号进行EMD分解,步骤如下:
首先,选择去噪信号X(t),根据三次样条曲线分别对极大值和极小值进行包络拟合,得到上下两条包络线确定信号中所有的极值点;
其次,将高频分量C1从X(t)中分解出来,得到差值信号r1,并将去掉高频分量C1后的差值信号r1作为新的待分析信号,重复以上筛选步骤,直到第n阶的残余信号只包含一个极值点;
最后,利用分离出的n个IMF分量和一个残余信号表示其余原始信号之间的关系。
6.根据权利要求5所述的一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,其特征在于,根据归一化处理得到的所述特征相量构建边缘计算实体可信模型,主要元素由公共属性和可信属性组成。
7.根据权利要求6所述的一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,其特征在于,所述边缘计算实体可信模型通过层次分析法构建层次结构,其建模可信度主要通过直接可信度、间接可信度以及奖惩因子进行描述。
8.根据权利要求7所述的一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,其特征在于,根据所述直接可信度、间接可信度以及奖惩因子得到综合可信度,并根据现有配网线路拓扑结构的EMD能量熵计算低压信息,并定义一个低压信号因子w,通过对综合可信度以及低压信号因子w加权平均,得到最终估值,并根据该估值判断故障位置特征向量范围以及服务等级。
10.根据权利要求9所述的一种基于PV关系的低压分支拓扑实时分析的边缘计算方法,其特征在于,根据所述核函数提取训练样本信号,其流程主要包括以下几步:
首先,对低压信号进行EMD分解,提取EMD能量熵作为训练样本信号;
然后,根据核函数作为分类器获取训练样本特征向量;
再者,将其作为输入向量放到最小二乘支持向量机中,将对电流、电压信号的识别进一步转化为对故障电弧特征向量的识别;
最后,根据原有测试样本判断系统电路状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641253.2A CN111783696A (zh) | 2020-07-06 | 2020-07-06 | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641253.2A CN111783696A (zh) | 2020-07-06 | 2020-07-06 | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783696A true CN111783696A (zh) | 2020-10-16 |
Family
ID=72757963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641253.2A Pending CN111783696A (zh) | 2020-07-06 | 2020-07-06 | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783696A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484804A (zh) * | 2021-06-02 | 2021-10-08 | 青岛鼎信通讯股份有限公司 | 一种应用于馈线终端装置的错接线识别方法 |
CN113625125A (zh) * | 2021-09-24 | 2021-11-09 | 南方电网科学研究院有限责任公司 | 一种配电网的高阻接地故障检测方法、装置和设备 |
CN114036734A (zh) * | 2021-11-03 | 2022-02-11 | 北京工业大学 | 一种基于数字孪生的车用氢气传感器布局优化方法及系统 |
CN116699318A (zh) * | 2023-07-27 | 2023-09-05 | 成都汉度科技有限公司 | 基于边缘计算的漏电检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809660A (zh) * | 2015-04-17 | 2015-07-29 | 华南理工大学 | 低压台区线损率分析指标的动态筛选及综合权重设置方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN108053110A (zh) * | 2017-12-11 | 2018-05-18 | 辽宁欣科电气股份有限公司 | 一种基于pmu数据的变压器状态在线诊断方法 |
CN110824281A (zh) * | 2019-11-19 | 2020-02-21 | 国网江苏省电力有限公司检修分公司 | 一种同步调相机在线监测及故障诊断方法和系统 |
-
2020
- 2020-07-06 CN CN202010641253.2A patent/CN111783696A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809660A (zh) * | 2015-04-17 | 2015-07-29 | 华南理工大学 | 低压台区线损率分析指标的动态筛选及综合权重设置方法 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN108053110A (zh) * | 2017-12-11 | 2018-05-18 | 辽宁欣科电气股份有限公司 | 一种基于pmu数据的变压器状态在线诊断方法 |
CN110824281A (zh) * | 2019-11-19 | 2020-02-21 | 国网江苏省电力有限公司检修分公司 | 一种同步调相机在线监测及故障诊断方法和系统 |
Non-Patent Citations (2)
Title |
---|
秦瑜瑞: "基于机器学习和小波包变换的故障选线方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》, no. 2019, 15 September 2019 (2019-09-15), pages 042 - 814 * |
马洁: "云环境下用户行为可信评估模型研究", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》, no. 2017, 15 March 2017 (2017-03-15), pages 138 - 109 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484804A (zh) * | 2021-06-02 | 2021-10-08 | 青岛鼎信通讯股份有限公司 | 一种应用于馈线终端装置的错接线识别方法 |
CN113484804B (zh) * | 2021-06-02 | 2023-06-20 | 青岛鼎信通讯股份有限公司 | 一种应用于馈线终端装置的错接线识别方法 |
CN113625125A (zh) * | 2021-09-24 | 2021-11-09 | 南方电网科学研究院有限责任公司 | 一种配电网的高阻接地故障检测方法、装置和设备 |
CN113625125B (zh) * | 2021-09-24 | 2023-11-21 | 南方电网科学研究院有限责任公司 | 一种配电网的高阻接地故障检测方法、装置和设备 |
CN114036734A (zh) * | 2021-11-03 | 2022-02-11 | 北京工业大学 | 一种基于数字孪生的车用氢气传感器布局优化方法及系统 |
CN114036734B (zh) * | 2021-11-03 | 2022-11-22 | 北京工业大学 | 一种基于数字孪生的车用氢气传感器布局优化方法及系统 |
CN116699318A (zh) * | 2023-07-27 | 2023-09-05 | 成都汉度科技有限公司 | 基于边缘计算的漏电检测方法及系统 |
CN116699318B (zh) * | 2023-07-27 | 2023-10-20 | 成都汉度科技有限公司 | 基于边缘计算的漏电检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783696A (zh) | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 | |
CN105512799B (zh) | 一种基于海量在线历史数据的电力系统暂态稳定评估方法 | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
Yılmaz et al. | A real-time UWT-based intelligent fault detection method for PV-based microgrids | |
CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
CN110648088B (zh) | 一种基于鸟群算法与svm的电能质量扰动源判断方法 | |
CN110188090B (zh) | 一种基于数据挖掘的配网拓扑数据质量评估方法及装置 | |
CN110728331B (zh) | 一种改进最小二乘支持向量机的谐波发射水平评估方法 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN114626413A (zh) | 一种基于随机子空间算法的结构模态参数识别方法及装置 | |
US20190331721A1 (en) | Noise spectrum analysis for electronic device | |
CN108108659B (zh) | 基于经验模态分解的孤岛检测关键特征提取方法 | |
CN107578016B (zh) | 一种基于稀疏表示的剩余电流波形自动识别方法 | |
CN117330906A (zh) | 设备电弧故障检测方法、装置、设备及存储介质 | |
CN113644741A (zh) | 一种基于边缘计算的海量故障录波数据处理方法 | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统 | |
CN115389888B (zh) | 一种基于高压电缆的局部放电实时监测系统 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN111428772A (zh) | 基于k-近邻自适应投票的光伏系统深度异常检测方法 | |
CN116008665A (zh) | 一种电力系统谐波阻抗估计方法 | |
Singh | A research review on detection and classification of power quality disturbances caused by integration of renewable energy sources | |
CN115963350A (zh) | 一种直流配电网故障定位方法及装置 |
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 |