CN112597697A - 一种绝缘损坏故障诊断方法及系统 - Google Patents
一种绝缘损坏故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112597697A CN112597697A CN202011441208.9A CN202011441208A CN112597697A CN 112597697 A CN112597697 A CN 112597697A CN 202011441208 A CN202011441208 A CN 202011441208A CN 112597697 A CN112597697 A CN 112597697A
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- model
- data
- insulation state
- neural network
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 36
- 230000005540 biological transmission Effects 0.000 claims description 21
- 230000002441 reversible effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 230000001052 transient effect Effects 0.000 claims description 12
- 238000002604 ultrasonography Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 230000010365 information processing Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Abstract
本发明公开了一种绝缘损坏故障诊断方法及系统，其方法，包括：对区域内的高压开关柜基础数据进行采集；通过LM‑BP神经网络算法生成高压开关柜绝缘状态智能分析模型；使用LM‑BP神经网络函数逼近功能，建立非线性函数关系，进行模型验证；对开关柜绝缘状态进行预判评估。本发明提供的分析模型可精准评价开关柜绝缘状态，辅助开关柜选型，帮助检修试验人员确立开关柜的重点检测目标，合理安排检修计划，节约资源，有效提高工作效率。
Description
技术领域
本发明涉及绝缘损坏故障诊断技术领域，具体为一种绝缘损坏故障诊断方法及系统。
背景技术
开关柜是目前电网内广泛应用的配电设施，但由于其内部结构紧凑，绝缘距离难以得到有效保障，尤其是在雨季到来时，受湿度大、凝露等因素影响，开关柜的绝缘性降低，易造成局部放电，在较短的时间内可能造成沿面闪络，继而形成短路故障等较为严重的事故，存在较大的安全隐患。
而现有的开关柜的绝缘状态是电气试验人员根据超声波检测、暂态地电压检测﹑特高频检测及停电耐压等检测数据以及检测环境数据等进行综合分析诊断，开关柜根据所属地段要求的不同，设置数量众多，诊断开关柜绝缘状态需要处理的数据信息量庞大，同时开关柜绝缘状态评价规程中对绝缘状态的评价定位模糊，电气试验人员做出的诊断结论基于理论经验，往往缺乏对绝缘程度定量的数据统计。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种绝缘损坏故障诊断方法及系统，通过数据收集、植入LM-BP神经网络算法生成模型、采用LM-BP神经网络函数逼近功能与数据进行分析。
为了解决上述技术问题，本发明实施例提供了一种绝缘损坏故障诊断方法，其方法，包括：
对区域内的高压开关柜基础数据进行采集；
通过LM-BP神经网络算法生成高压开关柜绝缘状态智能分析模型；
使用LM-BP神经网络函数逼近功能，建立非线性函数关系，进行模型验证；
对开关柜绝缘状态进行预判评估。
所述高压开关柜基础数据，包括：开关柜的电压等级、生产厂家与型号、开关柜工作环境的温度、湿度、投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值。
所述通过LM-BP神经网络算法生成高压开关柜绝缘状态智能分析模型，包括：
利用LM算法来优化神经网络模型训练误差反向传递的权值和阈值，建立LM-BP神经网络算法；
将采集到的试验数据，作为模型输入，开关柜绝缘状态情况为模型输出，数据经过归一化处理后，作为BP网络样本，进行模型搭建，通过误差比对后不断的自动学习调整，逐渐提高模型精度。
所述LM-BP神经网络算法分为两个过程：工作信号正向传递子过程和误差信号反向传递子过程；
工作信号正向传递子过程：设节点i和节点j之间的权值为y，节点j的阀值为bj，每个节点的输出值为xj，每个节点的输出值根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值和激活函数确定；
误差信号反向传递子过程：在LM-BP神经网络中，误差信号反向传递子过程基于Widrow-Hoff学习规则，并利用LM算法来优化误差反向传递的权值和阈值。
所述建立非线性函数关系，采用matlab编程语言按如下流程建立投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值与开关柜绝缘状态之间非线性函数关系，实现精准评价开关柜绝缘状态。
所述进行模型验证，包括：
3.1输入训练原始数据；
3.2对数据进行归一化处理；
3.3进行网络训练，对原数据进行仿真，将仿真结果与实际结果进行对比；
3.4判断对比误差是否小于规定范围，若小于则继续对新数据进行仿真，若大于则对数据进行反馈，重新进行步骤3.3。
所述对数据进行分析，包括：
利用开关柜绝缘状态智能分析模型，对开关柜绝缘状态进行预判评估。
一种绝缘损坏故障诊断系统，其系统，包括：
采集模块用于对区域内的高压开关柜基础数据进行采集；
模型构建模块通过LM-BP神经网络算法生成高压开关柜绝缘状态智能分析模型；
验证模块使用LM-BP神经网络函数逼近功能，建立非线性函数关系，进行模型验证；
分析模块用于对开关柜绝缘状态进行预判评估。
所述模型构建模块，包括：
利用LM算法来优化神经网络模型训练误差反向传递的权值和阈值，建立LM-BP神经网络算法；
将采集到的试验数据，作为模型输入，开关柜绝缘状态情况为模型输出，数据经过归一化处理后，作为BP网络样本，进行模型搭建，通过误差比对后不断的自动学习调整，逐渐提高模型精度。
所述验证模块，包括：
3.1输入训练原始数据；
3.2对数据进行归一化处理；
3.3进行网络训练，对原数据进行仿真，将仿真结果与实际结果进行对比；
3.4判断对比误差是否小于规定范围，若小于则继续对新数据进行仿真，若大于则对数据进行反馈，重新进行步骤3.3。
本发明提供的一种绝缘损坏故障诊断方法及系统，利用BP神经函数逼近原理，建立投运年限、超声、特高频、暂态地电压、温湿度、耐压值等参数与开关柜绝缘状态之间的非线性函数关系，得出开关柜绝缘状态智能分析模型，该分析模型可精准评价开关柜绝缘状态，辅助开关柜选型，帮助检修试验人员确立开关柜的重点检测目标，合理安排检修计划，节约资源，有效提高工作效率，对保障电网长久稳定运行具有重要意义，开关柜的绝缘状态可以通过开关柜智能分析模型量化，直观具体的展现出绝缘状态，为开关柜检修提供重要参考依据，提高作业人员检修效率，避免浪费财力物力。
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，显而易见的，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的前提下，还可以根据这些附图获得其它的附图。
图1是一种绝缘损坏故障诊断方法的流程示意图。
图2是一种绝缘损坏故障诊断系统的结构示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例
参阅图1，图1是一种绝缘损坏故障诊断方法的流程示意图。
一种绝缘损坏故障诊断方法，其方法，包括：
S101对区域内的高压开关柜基础数据进行采集。所述高压开关柜基础数据，包括：开关柜的电压等级、生产厂家与型号、开关柜工作环境的温度、湿度、投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值。
S102通过LM-BP神经网络算法生成高压开关柜绝缘状态智能分析模型。利用LM算法来优化神经网络模型训练误差反向传递的权值和阈值，建立LM-BP神经网络算法；
将采集到的试验数据，作为模型输入，开关柜绝缘状态情况为模型输出，数据经过归一化处理后，作为BP网络样本，进行模型搭建，通过误差比对后不断的自动学习调整，逐渐提高模型精度。
使用的LM-BP神经网络算法，即误差反向传播算法的学习过程，包括输入层、输出层、和若干隐含层；
所述输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元，所述中间层具体为内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐含层或多隐含层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。
所述LM-BP神经网络算法分为两个过程：工作信号正向传递子过程和误差信号反向传递子过程；
工作信号正向传递子过程：设节点i和节点j之间的权值为y，节点j的阀值为bj，每个节点的输出值为xj，每个节点的输出值根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值和激活函数确定；
误差信号反向传递子过程：在LM-BP神经网络中，误差信号反向传递子过程基于Widrow-Hoff学习规则，并利用LM算法来优化误差反向传递的权值和阈值。
S103使用LM-BP神经网络函数逼近功能，建立非线性函数关系，进行模型验证。使用LM-BP神经网络函数逼近功能，采用matlab编程语言按如下流程建立投运年限﹑超声、特高频、暂态地电压、温度﹑湿度、耐压值与开关柜绝缘状态之间非线性函数关系，实现精准评价开关柜绝缘状态的目的。所述进行模型验证，包括：
3.1输入训练原始数据；
3.2对数据进行归一化处理；
3.3进行网络训练，对原数据进行仿真，将仿真结果与实际结果进行对比；
3.4判断对比误差是否小于规定范围，若小于则继续对新数据进行仿真，若大于则对数据进行反馈，重新进行步骤3.3。
S104对开关柜绝缘状态进行预判评估。利用开关柜绝缘状态智能分析模型，对开关柜绝缘状态进行预判评估。
本方法利用BP神经函数逼近原理，建立投运年限、超声、特高频、暂态地电压、温湿度、耐压值等参数与开关柜绝缘状态之间的非线性函数关系，得出开关柜绝缘状态智能分析模型
参阅图2，图2是一种绝缘损坏故障诊断系统的结构示意图。
如图2所示，一种绝缘损坏故障诊断系统，其系统，包括：
采集模块201用于对区域内的高压开关柜基础数据进行采集；
模型构建模块202通过LM-BP神经网络算法生成高压开关柜绝缘状态智能分析模型；
验证模块203使用LM-BP神经网络函数逼近功能，建立非线性函数关系，进行模型验证；
分析模块204用于对开关柜绝缘状态进行预判评估。
采集模块201所述高压开关柜基础数据，包括：开关柜的电压等级、生产厂家与型号、开关柜工作环境的温度、湿度、投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值。
模型构建模块202，将采集到的试验数据，作为模型输入，开关柜绝缘状态情况为模型输出，数据经过归一化处理后，作为BP网络样本，进行模型搭建，通过误差比对后不断的自动学习调整，逐渐提高模型精度。
使用的LM-BP神经网络算法，即误差反向传播算法的学习过程，包括输入层、输出层、和若干隐含层；
所述输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元，所述中间层具体为内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐含层或多隐含层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。
所述LM-BP神经网络算法分为两个过程：工作信号正向传递子过程和误差信号反向传递子过程；
工作信号正向传递子过程：设节点i和节点j之间的权值为y，节点j的阀值为bj，每个节点的输出值为xj，每个节点的输出值根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值和激活函数确定；
误差信号反向传递子过程：在LM-BP神经网络中，误差信号反向传递子过程基于Widrow-Hoff学习规则，并利用LM算法来优化误差反向传递的权值和阈值。
验证模块203，使用LM-BP神经网络函数逼近功能，采用matlab编程语言按如下流程建立投运年限﹑超声、特高频、暂态地电压、温度﹑湿度、耐压值与开关柜绝缘状态之间非线性函数关系，实现精准评价开关柜绝缘状态的目的。所述进行模型验证，包括：
3.1输入训练原始数据；
3.2对数据进行归一化处理；
3.3进行网络训练，对原数据进行仿真，将仿真结果与实际结果进行对比；
3.4判断对比误差是否小于规定范围，若小于则继续对新数据进行仿真，若大于则对数据进行反馈，重新进行步骤3.3。
分析模块204利用开关柜绝缘状态智能分析模型，对开关柜绝缘状态进行预判评估。
本发明提供的一种绝缘损坏故障诊断方法及系统，利用LM-BP神经函数逼近原理，建立投运年限、超声、特高频、暂态地电压、温湿度、耐压值等参数与开关柜绝缘状态之间的非线性函数关系，得出开关柜绝缘状态智能分析模型，该分析模型可精准评价开关柜绝缘状态，辅助开关柜选型，帮助检修试验人员确立开关柜的重点检测目标，合理安排检修计划，节约资源，有效提高工作效率，对保障电网长久稳定运行具有重要意义，开关柜的绝缘状态可以通过开关柜智能分析模型量化，直观具体的展现出绝缘状态，为开关柜检修提供重要参考依据，提高作业人员检修效率，避免浪费财力物力。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种绝缘损坏故障诊断方法及系统进行了详细介绍，本文中应采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 (10)
1.一种绝缘损坏故障诊断方法，其特征在于，所述方法，包括：
对区域内的高压开关柜基础数据进行采集；
通过LM-BP神经网络算法生成高压开关柜绝缘状态智能分析模型；
使用LM-BP神经网络函数逼近功能，建立非线性函数关系，进行模型验证；
对开关柜绝缘状态进行预判评估。
2.根据权利要求1所述的方法，其特征在于，所述高压开关柜基础数据，包括：开关柜的电压等级、生产厂家与型号、开关柜工作环境的温度、投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值。
3.根据权利要求1所述的方法，其特征在于，所述通过LM-BP神经网络算法生成高压开关柜绝缘状态智能分析模型，包括：
利用LM算法来优化神经网络模型训练误差反向传递的权值和阈值，建立LM-BP神经网络算法；
将采集到的试验数据，作为模型输入，开关柜绝缘状态情况为模型输出，数据经过归一化处理后，作为BP网络样本，进行模型搭建，通过误差比对后不断的自动学习调整，逐渐提高模型精度。
4.根据权利要求3所述的方法，其特征在于，所述LM-BP神经网络算法分为两个过程：工作信号正向传递子过程和误差信号反向传递子过程；
工作信号正向传递子过程：设节点i和节点j之间的权值为y，节点j的阀值为bj，每个节点的输出值为xj，每个节点的输出值根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值和激活函数确定；
误差信号反向传递子过程：误差信号反向传递子过程基于Widrow-Hoff学习规则，并利用LM算法来优化误差反向传递的权值和阈值。
5.根据权利要求1所述的方法，其特征在于，所述建立非线性函数关系，采用matlab编程语言按如下流程建立投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值与开关柜绝缘状态之间非线性函数关系，实现精准评价开关柜绝缘状态。
6.根据权利要求1所述的方法，其特征在于，所述进行模型验证，包括：
3.1输入训练原始数据；
3.2对数据进行归一化处理；
3.3进行网络训练，对原数据进行仿真，将仿真结果与实际结果进行对比；
3.4判断对比误差是否小于规定范围，若小于则继续对新数据进行仿真，若大于则对数据进行反馈，重新进行步骤3.3。
7.根据权利要求1所述的方法，其特征在于，所述对数据进行分析，包括：
利用开关柜绝缘状态智能分析模型，对开关柜绝缘状态进行预判评估。
8.一种绝缘损坏故障诊断系统，其特征在于，所述系统，包括：
采集模块用于对区域内的高压开关柜基础数据进行采集；
模型构建模块通过LM-BP神经网络算法生成高压开关柜绝缘状态智能分析模型；
验证模块使用LM-BP神经网络函数逼近功能，建立非线性函数关系，进行模型验证；
分析模块用于对开关柜绝缘状态进行预判评估。
9.根据权利要8所述的系统，其特征在于，所述模型构建模块，包括：
利用LM算法来优化神经网络模型训练误差反向传递的权值和阈值，建立LM-BP神经网络算法；
将采集到的试验数据，作为模型输入，开关柜绝缘状态情况为模型输出，数据经过归一化处理后，作为BP网络样本，进行模型搭建，通过误差比对后不断的自动学习调整，逐渐提高模型精度。
10.根据权利要8所述的系统，其特征在于，所述验证模块，包括：
3.1输入训练原始数据；
3.2对数据进行归一化处理；
3.3进行网络训练，对原数据进行仿真，将仿真结果与实际结果进行对比；
3.4判断对比误差是否小于规定范围，若小于则继续对新数据进行仿真，若大于则对数据进行反馈，重新进行步骤3.3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011441208.9A CN112597697A (zh) | 2020-12-08 | 2020-12-08 | 一种绝缘损坏故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011441208.9A CN112597697A (zh) | 2020-12-08 | 2020-12-08 | 一种绝缘损坏故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112597697A true CN112597697A (zh) | 2021-04-02 |
Family
ID=75191995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011441208.9A Pending CN112597697A (zh) | 2020-12-08 | 2020-12-08 | 一种绝缘损坏故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112597697A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096723A (zh) * | 2019-01-22 | 2019-08-06 | 国网山西省电力公司长治供电公司 | 基于运维检测大数据的高压开关柜绝缘状态分析方法 |
-
2020
- 2020-12-08 CN CN202011441208.9A patent/CN112597697A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096723A (zh) * | 2019-01-22 | 2019-08-06 | 国网山西省电力公司长治供电公司 | 基于运维检测大数据的高压开关柜绝缘状态分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王晓霞等: "基于BP神经网络的变压器故障诊断", 《华东电力》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN105512448A (zh) | 一种配电网健康指数的评估方法 | |
| CN109936113B (zh) | 一种基于随机森林算法的保护动作智能诊断方法及系统 | |
| CN105425768A (zh) | 一种电力二次设备监测装置及方法 | |
| CN105467971A (zh) | 一种电力二次设备监测系统及方法 | |
| CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
| CN115453267A (zh) | 一种电力信息系统故障诊断系统 | |
| CN115456410A (zh) | 一种电网风险的评估方法及评估系统 | |
| CN117310353B (zh) | 一种变电站一、二次回路通流加压故障测试方法及系统 | |
| CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
| CN108596450B (zh) | 电网风险预警方法和系统 | |
| CN113987724A (zh) | 基于拓扑分析的电网风险辨识方法及系统 | |
| CN116581890B (zh) | 一种电网运行稳定性的智能监测方法及系统 | |
| CN117526561A (zh) | 基于数字孪生的变电站设备异常监控和预警方法及系统 | |
| CN112597697A (zh) | 一种绝缘损坏故障诊断方法及系统 | |
| CN113536673A (zh) | 一种仿真建模对运维系统算法评估优化方法 | |
| CN112037084A (zh) | 一种测试配电主站故障处理测试分析方法及系统 | |
| CN112446430A (zh) | 一种直流输电系统故障识别方法 | |
| CN111044808A (zh) | 一种用电信息采集系统运维质量可靠性评估系统及方法 | |
| CN117148048B (zh) | 基于数字孪生技术的配电网故障预测方法及系统 | |
| CN115935264B (zh) | 一种基于时空信息同步学习的电网暂态电压稳定评估方法 | |
| Zhu et al. | Assessment method of distribution network health level based on multivariate information | |
| CN117590130A (zh) | 一种基于数字孪生的输电线路态势感知方法 | |
| CN117452062A (zh) | 一种考虑运行负荷的台区线损率监测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |