CN112072609A - 一种漏电保护器动作电流的调整方法 - Google Patents
一种漏电保护器动作电流的调整方法 Download PDFInfo
- Publication number
- CN112072609A CN112072609A CN202011040824.3A CN202011040824A CN112072609A CN 112072609 A CN112072609 A CN 112072609A CN 202011040824 A CN202011040824 A CN 202011040824A CN 112072609 A CN112072609 A CN 112072609A
- Authority
- CN
- China
- Prior art keywords
- leakage
- current
- data
- adjusting
- prediction model
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
- H02H3/006—Calibration or setting of parameters
Landscapes
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
一种漏电保护器动作电流的调整方法,属于低压配电网电气测量技术领域。其特征在于:包括动作电流调整系统,动作电流调整系统包括特征向量获取模块、数据预处理模块以及漏电预测模型,还包括如下步骤:步骤1,通过特征向量获取模块获取特征向量数据;步骤2,数据预处理模块判断特征向量数据的有效性;步骤3,数据预处理模块将预处理后的数据送入漏电预测模型进行训练或修正;步骤4,漏电预测模型输出预测漏电流值,同时预测的漏电流值返回漏电预测模型进行数据修正;步骤5,对漏电保护器的电流动作定值进行调整。通过本漏电保护器动作电流的调整方法,可以对漏电保护器的动作定值进行提前自动调整,可以保证漏电保护器的灵敏度。
Description
技术领域
一种漏电保护器动作电流的调整方法,属于低压配电网电气测量技术领域。
背景技术
漏电保护是低压配电网中用于防止漏电火灾和人身触电伤亡事故的重要技术。低压配电网正常工作时,存在一定数值范围的正常漏电流(又叫做剩余电流),该漏电流主要是线路对大地的三相不平衡电容电流,该漏电流属于正常漏电流;除此之外,当出现单相接地故障时(人或物接触某一相导线后),会产生一个额外的异常(故障漏电流)漏电流。漏电保护设计的目的即在线路只有正常漏电流时漏电保护器不动作,保证线路的正常运行;当有故障漏电流时,此时的正常漏电流与故障漏电流的和会超过漏电保护器的动作定值电流,此时会切断线路电源以保护人体直接或间接触电。
低压配电网中的漏电保护采用漏电保护器(又叫剩余电流保护器)实现,一般采用三级保护,分为总保护、中级保护和末端保护。总保护为全网的总保护或主干线保护,装设于变压器出线侧的综合配电箱/配电室总开关上,作为配电台区低压侧的第一级剩余电流动作保护器,当出现单相接地故障时,漏电保护器应动作切断电源,防止人身间接触电事故,同时可作为下一级保护的后备保护。中级保护为分支保护,安装在总保和末保之间的低压分支线上。如装设于各分支线路的分线箱或用户计量表前的进线开关,其保护范围为分支线路设备。末端保护是指住宅配电保护(或称户保)或单台用电设备的保护,该级保护主要用于直接触电保护。
漏电保护器设计的目的是保证线路在发生单相接地故障时动作,在仅有正常电容泄漏电流时则不应该动作,但在实际应用中,受外界环境变化、电网结构变化、设备负荷大小的影响,会使得低压配电线路的正常漏电流大小会存在一个较大的数值波动,若盲目的增大漏电保护器的漏电动作整定值,则会降低线路漏电保护的灵敏度,出现在较小异常漏电流时漏电保护器拒动的问题。
针对固定动作定值漏电保护器的不足,目前存在几种典型处理方法:
1、在南方电网公司的企业标准中,在阴雨天将漏电保护器的动作定值提高,非阴雨天将漏电保护器的动作定值降低。这种方式仅仅考虑了湿度对正常泄漏电流的影响,即这种方法的缺点是未考虑其他因素(温度、负荷电流造成的线路压降、线路老化)对正常泄漏电流的影响,且其调整的电流动作定值数据缺乏理论依据,因此难以保证调整后的保护灵敏度。
2、在论文“自适应漏电保护技术及其应用”中所提到的一种解决方案是将漏电动作定值分为几个区间的思路,其思路是利用温度和湿度传感器检测当前的环境温度和湿度,由此根据该温度和湿度值对漏电的电流动作定值做出提前调整,以保证漏电保护器的投运率,这种方式所存在的不足之处在于:没有考虑其他因素的影响,如负荷电流大小对线路阻抗的影响;线路老化对剩余电流变化的影响以及温湿度变化对泄漏电流的影响等,因此这种方式仅仅是根据经验值设定一个调整值,因此该方法的保护灵敏度也同样难以保证。
发明内容
本发明要解决的技术问题是:克服现有技术的不足,提供一种可以对漏电保护器的动作定值进行提前自动调整,可以保证漏电保护器灵敏度的漏电保护器动作电流的调整方法。
本发明解决其技术问题所采用的技术方案是:该漏电保护器动作电流的调整方法,其特征在于:包括动作电流调整系统,动作电流调整系统包括特征向量获取模块、数据预处理模块以及漏电预测模型,还包括如下步骤:
步骤1,通过特征向量获取模块获取特征向量数据;
步骤2,数据预处理模块对特征向量获取模块获得的特征向量数据进行预处理,判断特征向量数据是否为有效数据;
步骤3,数据预处理模块将预处理后的数据送入漏电预测模型进行训练或修正;
步骤4,漏电预测模型输出预测漏电流值,同时预测的漏电流值返回漏电预测模型进行数据修正;
步骤5,根据漏电预测模型输出的预测漏电值,提前对漏电保护器的电流动作定值进行调整。
优选的,所述的漏电预测模型采用稀疏神经网络结构,网络深度设计为四层,分别为输入层、隐含层1、隐含层2和输出层,所述的特征向量数据为输入层的输入量,所述的预测漏电值为输出层的输出量。
优选的,所述的特征向量数据包括当前环境温度、环境湿度、三相相线的相电流、当前测得的漏电信号以及时间T之后测得的漏电信号。
优选的,在所述步骤2中,数据预处理模块判断特征向量数据中的漏电信号是剩余电流信号还是故障泄漏电流信号,若信号为故障泄漏电流信号,则特征向量数据为无效数据。
优选的,所述剩余电流信号和故障泄漏电流信号采用Pearson相似系数进行判断,若相似系数大于0.9,表示特征向量数据为有效数据,若相似系数小于0.5,表示特征向量数据为无效数据。
优选的,所述漏电流相似系数的公式为:
与现有技术相比,本发明所具有的有益效果是:
1、通过本漏电保护器动作电流的调整方法,可以对漏电保护器的动作定值进行提前自动调整,可以保证漏电保护器的灵敏度。
2、综合考虑了环境温度、湿度、负荷电流、线路老化多种因素对泄露电流的影响,综合考虑多种因素实际是对每种因素影响的综合效果,比单纯考虑湿度或温湿度的方法更能满足实际需要。
3、漏电保护器动作电流的调整方法,能够实现对未来一个时间泄露电流大小的预测,可利用该预测值对漏电保护器的动作定值进行提前自动调整。
4、利用BP神经网络的纠正学习能力,通过将漏电保护器监测到的实际漏电值与预测的漏电值进行对比,可不断完善系统参数,从而逐步提高预测精度,且学习的数据样本数量越大,预测精度越高。
5、在本漏电保护器动作电流的调整方法中,使用了Pearson相似系数的方法实现对正常漏电与故障漏电数据的区分,考虑到了样本数据的有效性,确保训练样本的特征量均为正常漏电数据。
6、通过本本漏电保护器动作电流的调整方法,还可以实现对故障漏电流的检测,当系统经过大量数据学习以具备很高的预测精度时,若发现预测漏电流与实际漏电流差别较大,此时一定发生了故障漏电,进而可以进行故障漏电报警。
附图说明
图1为漏电保护器动作电流的调整方法流程图。
图2为漏电预测模型漏电流预测原理示意图。
具体实施方式
图1~2是本发明的最佳实施例,下面结合附图1~2对本发明做进一步说明。
如图1所示,一种漏电保护器动作电流的调整方法,包括如下步骤:
步骤1,特征向量获取。
在本漏电保护器动作电流的调整方法中,设置有特征向量获取模块,通过特征向量获取模块获取当前环境温度、环境湿度、三相相线的相电流、当前测得的漏电信号以及时间T之后测得的漏电信号,形成学习用的特征向量数据。
步骤2,数据预处理。
设置有对特征数据进行有效性分析的数据预处理模块,数据预处理模块用于分析特征向量获取模块所采集的漏电信号是正常泄漏电流信号(剩余电流信号)还是故障泄漏电流信号,若信号为故障泄漏电流信号,则不能作为特征向量数据使用,其后面的数据也不能被使用。
数据预处理模块区分漏电信号是正常泄漏电流信号还是故障泄漏电流信号的理论基础及方式为:由于环境因素对线路正常泄漏电流的影响是一个缓变过程,两个稳定状态的转换需要历时几十分钟甚至几个小时才能完成,因此其相邻周波电流呈现出高度相似性;而故障漏电发生时存在一个时间很短的暂态分量,其持续时间在几个毫秒到几个周波,但是特征向量获取模块在获取特征向量数据时,必须保证每个周波一次。因此可利用相邻两个周波波形的相似系数对两类漏电流进行区分。在本漏电保护器动作电流的调整方法中,使用Pearson相似系数进行区别。第n个相邻周波的漏电流相似系数为:
使用时,当只存在正常泄漏电流时,其相邻两个周波的漏电流波形相似度很高,其相似系数的绝对值超过0.9;当前一个周波是正常泄漏电流,后一个周波叠加了故障漏电流时,两个周波的相似系数绝对值小于0.5,由此实现区分。
步骤3,数据预处理模块将预处理后的数据送入漏电预测模型。
结合图2,在本在本漏电保护器动作电流的调整方法中,漏电预测模型采用了稀疏神经网络结构,网络深度设计为四层,分别为输入层、隐含层1、隐含层2和输出层。其中,输入层节点数即输入向量维数的确定依据,由上述可知,特征向量获取模块所采集的特征向量数据包括当前环境温度、环境湿度、三相相线的相电流、当前测得的漏电信号以及时间T之后测得的漏电信号,共7个参数,因此输入向量为7维。输出层节点个数为1个,即预测的T时间后的漏电流值。而中间隐含层节点个数需要通过反复测试的方法得到,另外在使用隐层节点提取输入向量的非线性特征过程中,本发明采用了Dropout技术实现网络结构的稀疏性控制,达到增强网络泛化能力的目的。
假设当前的温度为35℃,湿度60%,三相负荷电流分别为50A、45A、48A,此时位于变压器出线总开关处的漏电总保检测到的当前的漏电流为100mA。此时漏电保护器中的CPU先记录当前的输入特征向量[35℃,60%,50,45,48,100],其内部的定时器同时开始计时,等待T时间后,测量当前的实际漏电流IR,如IR=120mA,120mA即[35℃,60%,50,45,48,100]这组输入特征数据的期望值,从而得到一组完整的7维的训练数据[35℃,60%,50,45,48,100,120]。用该组训练数据对所构建的神经网络模型进行一次训练;T时间后,又得到一组输入特征数据,该数据与30分钟后的实测漏电流又形成了另一个数据样本,用该样本对系统进行第二次训练,以此类推。
训练样本数越多,训练时间越长,样本数据的遍历性则越强,理论上,当环境温度数据经历-40℃~40℃、环境湿度数据经历0~100%,负荷电流数据经历0~150A(线路最大允许负荷电流)时,上述数据的所有组合将形成一个完整的遍历各自状态的数据集,使用该数据集构建的预测系统将具有最佳性能。但实际上,当训练数据达到一定数量后,如漏电保护器经过30天的挂网运行,每10分钟得到一组训练样本,其获得的训练样本数据已经达到了4000多个,该训练数据已经经历了当前季节下从凌晨至正午的所有极端环境、可能出现的负荷电流的完整动态范围变化,此时的神经网络模型已经基本建立起上述影响因素的内在联系。因此即使是用春季的训练数据建立的系统模型,对于夏季、秋季、冬季也能达到较好的效果。
结合上述步骤2以及图2,数据预处理模块在对特征向量获取模块采集到的数据进行预处理确认其是有效数据后,送入漏电预测模型用以对漏电预测模型的系统系数进行修正。
步骤4,输出预测电流值。
漏电预测模型输出预测漏电流值,同时预测的漏电流值返回漏电预测模型进行数据修正。
在模型学习的初期,其预测的漏电值与实测值误差较大,经过一定数量样本的学习后,漏电预测模型能够输出较为准确的预测漏电值。
步骤5,电流动作定值预调整。
根据漏电预测模型输出的预测漏电值,提前对漏电保护器的电流动作定值进行调整。
例如,漏电预测模型预测一定时间后的漏电流大小为100mA,100mA是正常漏电的大小,因此为了保证漏电保护器的保护灵敏度,可以在该电流的基础上增加一个很小的值,比如增加50mA,以150mA作为10分钟后漏电保护器的电流动作定值,这样既保证了漏电保护器的正常投运,又保证了其保护灵敏度。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种漏电保护器动作电流的调整方法,其特征在于:包括动作电流调整系统,动作电流调整系统包括特征向量获取模块、数据预处理模块以及漏电预测模型,还包括如下步骤:
步骤1,通过特征向量获取模块获取特征向量数据;
步骤2,数据预处理模块对特征向量获取模块获得的特征向量数据进行预处理,判断特征向量数据是否为有效数据;
步骤3,数据预处理模块将预处理后的数据送入漏电预测模型进行训练或修正;
步骤4,漏电预测模型输出预测漏电流值,同时预测的漏电流值返回漏电预测模型进行数据修正;
步骤5,根据漏电预测模型输出的预测漏电值,提前对漏电保护器的电流动作定值进行调整。
2.根据权利要求1所述的漏电保护器动作电流的调整方法,其特征在于:所述的漏电预测模型采用稀疏神经网络结构,网络深度设计为四层,分别为输入层、隐含层1、隐含层2和输出层,所述的特征向量数据为输入层的输入量,所述的预测漏电值为输出层的输出量。
3.根据权利要求1或2所述的漏电保护器动作电流的调整方法,其特征在于:所述的特征向量数据包括当前环境温度、环境湿度、三相相线的相电流、当前测得的漏电信号以及时间T之后测得的漏电信号。
4.根据权利要求1所述的漏电保护器动作电流的调整方法,其特征在于:在所述步骤2中,数据预处理模块判断特征向量数据中的漏电信号是剩余电流信号还是故障泄漏电流信号,若信号为故障泄漏电流信号,则特征向量数据为无效数据。
5.根据权利要求4所述的漏电保护器动作电流的调整方法,其特征在于:所述剩余电流信号和故障泄漏电流信号采用Pearson相似系数进行判断,若相似系数大于0.9,表示特征向量数据为有效数据,若相似系数小于0.5,表示特征向量数据为无效数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040824.3A CN112072609B (zh) | 2020-09-28 | 2020-09-28 | 一种漏电保护器动作电流的调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040824.3A CN112072609B (zh) | 2020-09-28 | 2020-09-28 | 一种漏电保护器动作电流的调整方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112072609A true CN112072609A (zh) | 2020-12-11 |
CN112072609B CN112072609B (zh) | 2022-06-24 |
Family
ID=73683360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011040824.3A Active CN112072609B (zh) | 2020-09-28 | 2020-09-28 | 一种漏电保护器动作电流的调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112072609B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112952751A (zh) * | 2021-01-27 | 2021-06-11 | 国网浙江省电力有限公司丽水供电公司 | 一种非线性剩余电流自适应保护方法 |
CN113903165A (zh) * | 2021-08-18 | 2022-01-07 | 珠海派诺科技股份有限公司 | 一种漏电预警方法、系统、装置和火灾预警系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4251846A (en) * | 1978-05-12 | 1981-02-17 | National Research Development Corporation | Apparatus for sensing short circuit faults in alternating current supply lines |
CN1553206A (zh) * | 2003-12-18 | 2004-12-08 | 西安交通大学 | 变电站电力设备外绝缘泄漏电流在线监测系统 |
CN101661525A (zh) * | 2008-08-28 | 2010-03-03 | 三星电子株式会社 | 估计半导体装置中的泄漏电流的方法 |
CN101958528A (zh) * | 2010-10-18 | 2011-01-26 | 吕纪文 | 一种漏电保护方法和装置 |
CN105281291A (zh) * | 2015-11-23 | 2016-01-27 | 上海电机学院 | 一种剩余电流保护器及其电流保护方法 |
US20180196098A1 (en) * | 2017-01-06 | 2018-07-12 | Liebert Corporation | System and method of identifying path of residual current flow through an intelligent power strip |
CN108802535A (zh) * | 2018-06-27 | 2018-11-13 | 全球能源互联网研究院有限公司 | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 |
CN108872747A (zh) * | 2018-06-27 | 2018-11-23 | 南京信息工程大学 | 基于相关系数的电涌保护器阻性电流提取装置及其方法 |
CN109884464A (zh) * | 2019-03-01 | 2019-06-14 | 西安理工大学 | 小电流单相接地故障选线方法 |
CN110097209A (zh) * | 2019-03-26 | 2019-08-06 | 朗坤智慧科技股份有限公司 | 一种基于参数残差的设备劣化分析方法 |
CN110174255A (zh) * | 2019-06-03 | 2019-08-27 | 国网上海市电力公司 | 一种基于径向基神经网络的变压器振动信号分离方法 |
CN110504662A (zh) * | 2019-07-10 | 2019-11-26 | 山东科技大学 | 双馈风电场送出线路的纵联差动保护方法 |
CN111564819A (zh) * | 2020-05-22 | 2020-08-21 | 广州鹄志信息咨询有限公司 | 一种基于网络控制的水下照明系统的漏电自动保护方法 |
-
2020
- 2020-09-28 CN CN202011040824.3A patent/CN112072609B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4251846A (en) * | 1978-05-12 | 1981-02-17 | National Research Development Corporation | Apparatus for sensing short circuit faults in alternating current supply lines |
CN1553206A (zh) * | 2003-12-18 | 2004-12-08 | 西安交通大学 | 变电站电力设备外绝缘泄漏电流在线监测系统 |
CN101661525A (zh) * | 2008-08-28 | 2010-03-03 | 三星电子株式会社 | 估计半导体装置中的泄漏电流的方法 |
CN101958528A (zh) * | 2010-10-18 | 2011-01-26 | 吕纪文 | 一种漏电保护方法和装置 |
CN105281291A (zh) * | 2015-11-23 | 2016-01-27 | 上海电机学院 | 一种剩余电流保护器及其电流保护方法 |
US20180196098A1 (en) * | 2017-01-06 | 2018-07-12 | Liebert Corporation | System and method of identifying path of residual current flow through an intelligent power strip |
CN108802535A (zh) * | 2018-06-27 | 2018-11-13 | 全球能源互联网研究院有限公司 | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 |
CN108872747A (zh) * | 2018-06-27 | 2018-11-23 | 南京信息工程大学 | 基于相关系数的电涌保护器阻性电流提取装置及其方法 |
CN109884464A (zh) * | 2019-03-01 | 2019-06-14 | 西安理工大学 | 小电流单相接地故障选线方法 |
CN110097209A (zh) * | 2019-03-26 | 2019-08-06 | 朗坤智慧科技股份有限公司 | 一种基于参数残差的设备劣化分析方法 |
CN110174255A (zh) * | 2019-06-03 | 2019-08-27 | 国网上海市电力公司 | 一种基于径向基神经网络的变压器振动信号分离方法 |
CN110504662A (zh) * | 2019-07-10 | 2019-11-26 | 山东科技大学 | 双馈风电场送出线路的纵联差动保护方法 |
CN111564819A (zh) * | 2020-05-22 | 2020-08-21 | 广州鹄志信息咨询有限公司 | 一种基于网络控制的水下照明系统的漏电自动保护方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112952751A (zh) * | 2021-01-27 | 2021-06-11 | 国网浙江省电力有限公司丽水供电公司 | 一种非线性剩余电流自适应保护方法 |
CN113903165A (zh) * | 2021-08-18 | 2022-01-07 | 珠海派诺科技股份有限公司 | 一种漏电预警方法、系统、装置和火灾预警系统 |
CN113903165B (zh) * | 2021-08-18 | 2023-10-27 | 珠海派诺科技股份有限公司 | 一种漏电预警方法、系统、装置和火灾预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112072609B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112072609B (zh) | 一种漏电保护器动作电流的调整方法 | |
Wei et al. | High impedance arc fault detection based on the harmonic randomness and waveform distortion in the distribution system | |
WO2020015277A1 (zh) | 一种基于全景信息的弧光故障识别装置及方法 | |
CN106709816B (zh) | 基于非参数回归分析的电力负荷异常数据识别与修正方法 | |
CN110412347B (zh) | 一种基于非侵入式负荷监测的窃电行为识别方法与装置 | |
CN109001573B (zh) | 风电场集电线汇流母线短路容量的确定方法 | |
CN106990324B (zh) | 一种配电网接地故障检测定位方法 | |
CN111934280B (zh) | 漏电故障检测方法、装置、存储介质和配电网关 | |
CN110120666B (zh) | 一种电压暂降状态估计方法 | |
CN110579734B (zh) | 一种单相电能表电能质量分析的方法及单相电能表 | |
Abd el-Ghany et al. | A new monitoring technique for fault detection and classification in PV systems based on rate of change of voltage-current trajectory | |
Manjunath et al. | On-line health monitoring of PV plants | |
CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
CN112444758B (zh) | 一种智能配电网线路故障诊断及分类评估方法 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
TWI694386B (zh) | 田口法與人工神經網路進行微電網靜態開關之故障偵測、分類與定位之方法 | |
CN113902219A (zh) | 一种主变负载影响因素分析模型的分析方法 | |
CN112748318A (zh) | 基于改进pso-bp神经网络的串联故障电弧检测方法 | |
Zhao et al. | User-transformer Relationship Verification Method of Low Voltage Distribution Network Based on Voltage Correlaion Analysis | |
Liu et al. | Fuzzy Granulation Interval-Based Fault Diagnosis Method for Ring-Type DC Microgrid | |
Linli et al. | Adaptive tripping for distribution network based on fault indicator recording data | |
Tang et al. | A Gramian Angular Field Transform-Based Higher-Dimension Data-Driven Method for Post-Fault Short-Term Voltage Stability Assessment | |
CN113325358B (zh) | 一种智能电表剩余电流快速检测方法及系统 | |
CN113899968B (zh) | 一种电压互感器监测方法 |
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 |