CN113077012B - 一种电压暂降同源检测方法及系统 - Google Patents
一种电压暂降同源检测方法及系统 Download PDFInfo
- Publication number
- CN113077012B CN113077012B CN202110454229.2A CN202110454229A CN113077012B CN 113077012 B CN113077012 B CN 113077012B CN 202110454229 A CN202110454229 A CN 202110454229A CN 113077012 B CN113077012 B CN 113077012B
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- voltage sag
- similarity
- reference data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电压暂降同源检测方法及系统,该方法包括以下步骤:S1、从监测数据中选取触发时间最早的一条数据为基准数据;S2、对所有非基准数据,选取A相按照变压器可能的所有组合进行变换,形成SA矩阵;S3、用形状标识符表征波形的重要特征,将基准数据扩展为与SA同维度,用基于形状的动态时间规整计算相似度,形成DA矩阵;S4、选取DA每一列的最小值,用DA对应的变压器传递矩阵计算出DB、DC矩阵;S5、将相似度计算相似度矩阵W和度矩阵D,并使用轮廓系数方法获得聚类簇的数目k,然后使用k均值聚类算法完成聚类。该方法及系统有利于提高检测精度。
Description
技术领域
本发明属于电力系统技术领域,具体涉及一种电压暂降同源检测方法及系统。
背景技术
随着数字化、信息化技术在各个领域的广泛应用,越来越多的敏感设备接入电力系统,在提高各行业生产水平的同时,电压暂降成为电力系统不可避免的电能质量扰动事件,被认为是最严重的电能质量问题。一次故障可能会触发多次电压暂降事件,而一次电压暂降事件又能被不同变电站或者用户侧的电压暂降监测设备记录,使得记录多条电压暂降事件,造成电压暂降的数据冗余,进而造成数据中心的处理量和复杂度大大增加,同时造成对电压暂降严重度的过度评估。因此,有必要对电压暂降的同源检测进行研究。
因为电压暂降监测装置本身的对时问题、监测数据的长度问题以及电压暂降经过不同变压器传递时其类型会发生改变使得对电压暂降的同源检测变得复杂:1)装置本身的对时问题;对于有网络对时模块的监测装置,由于装置的时钟芯片本身存在守时误差,使得正常对时精度也有毫秒级的误差,如果长时间没有时钟源对时就会导致误差越来越大。而对于没有网络对时的模块的监测装置,利用本地的时钟构建时间节点本地时钟也会随时间发生偏移。所以无法通过电压暂降发生时刻直接进行同源匹配;2)监测数据的长度问题;由于电压暂降不同监测装置的采样率的不同,使得电压暂降的持续时间有所不同,即不能通过电压暂降持续时间特征直接对电压暂降事件进行同源检测;3)经变压器传递问题;一个电压暂降事件会经过多台变压器被电压暂降监测装置记录,而三相不对称电压暂降经变压器传递时,电压暂降的类型会发生变化,所以不能单纯通过电压暂降跌落相和跌落相幅值进行电压暂降事件的同源检测。
现有的电压暂降同源检测使用多特征去表征电压暂降的同源性,使得电压暂降同源检测的识别流程复杂化,同时在计算电压暂降经过变压器传递矩阵时,对于三相A、B、C均重新计算传递矩阵使得计算量增大。在相似度计算过程中为了降低计算量,在一定程度上牺牲了结果的精确度,可能造成误判。因此,需要一种提高波形相似度,计算量又合理的方法。
发明内容
本发明的目的在于提供一种电压暂降同源检测方法及系统,该方法及系统有利于提高检测精度
为实现上述目的,本发明采用的技术方案是:一种电压暂降同源检测方法,包括以下步骤:
S1、从监测数据中选取触发时间最早的一条数据为基准数据;
S2、对所有非基准数据,选取A相按照变压器可能的所有组合进行变换,形成SA矩阵;
S3、用形状标识符表征波形的重要特征,将基准数据扩展为与SA同维度,用基于形状的动态时间规整计算相似度,形成DA矩阵;
S4、选取DA每一列的最小值,用DA对应的变压器传递矩阵计算出DB、DC矩阵;
S5、利用DA、DB、DC计算相似度矩阵W和度矩阵D,并使用轮廓系数方法获得聚类簇的数目k,然后使用k均值聚类算法完成聚类。
进一步地,所述步骤S1中,选取各个变电站的电压暂降监测装置监测到的数据,假设有n条电压暂降监测数据,将其转化为有效值波形记为(S1,S2,……,Sn),以触发时间最早的一条电压暂降监测数据为基准波形,假设为S1,对n条电压暂降监测数据进行同源检测。
进一步地,所述步骤S2中,对所有非基准数据,选取一相,假设为A相,按照变压器可能的所有组合进行变换,根据电压暂降经变压器传递规律,变压器分为Ⅰ型YNyn0,Ⅱ型Yyn0、YNy0,以及Ⅲ型Yd11、YNd11、Dyn11,三种类型的变压器的传递矩阵分别为T1、T2、T3,根据变压器的不同数量的不同组合,所有组合结果只有8种情况T1~T8,具体如下所示:
则Ⅱ型与Ⅱ型连接时有:
T2×T2=T2 (4)
Ⅱ型与Ⅲ型连接时有:
T2×T3=T3×T2=T3 (5)
两个Ⅲ型连接时有:
三个Ⅲ型连接时有:
四个Ⅲ型连接时有:
五个Ⅲ型连接时有:
六个Ⅲ型连接时有:
七个Ⅲ型连接时又等效为一台Ⅲ型;
对于所有非基准数据可能的传递矩阵如下:
其中,SiA-j=Tj*SiA表示非基准数据Si的A相经过传递矩阵Tj的可能波形,SA表示n-1条非基准A相数据经过所有可能变压器组合的所有可能。
进一步地,所述步骤S3中,利用投影暂态法计算出所有数据的电压暂降的起止时间,形成时间序列X={(t1,x1),(t2,x2),…,(tn,xn)};(tn,xn)表示在时刻tn时,电压的有效值为xn;
数据的重要特征主要分为两类:一类是转折点,另一类拐弯点;
对于转折点,根据数据前后的单调性不一致进行识别:
X'(ti-1,xi-1)*X'(ti,xi)≤0 (12)
其中X'(ti,xi)表示在X序列中ti时刻的电压暂降有效值的倒数;
对于拐弯点,使用二次差分点形成的二次差分序列,以其最小值为阈值,进而提取;具体过程:使用数据连续的前后变化量Δ(Xi-Xi-1)再对获得的前后变化量进行二次差分Δi-Δi-1获得二次差分变化序列T,对比变化序列数值与阈值δ的大小判断,δ的取值:
其中,Ti表示二次差分序列T中的第i点,MinPeak(Ti)表示Ti≥0时二次差分序列中最小的点,MaxPeak(Ti)表示Ti≤0时二次差分序列中最小的点;
使用形状标识符表示的所有时间序列的重要特征点,基准波形的形状标识符序列为S1A',非基准波形的形状标识符序列为SA';将S1A'扩展到与SA'同维度形成S1A”,然后用基于形状的动态时间规整ShapeDTW计算出两者的相似度:
DA=DTW(S″1A,S′A) (15)
其中,DA表示基准数据的A相与所有非基准数据的A的相似度计算结果。
进一步地,所述步骤S4中,取式DA矩阵每一列的最小值,即基准数据S1A”与非基准数据SjA-i'的相似度最大,j=2…n,i=1…8,Tj即为监测到基准数据S1的变电站1与监测到非基准数据变电站j之间的变压器传递矩阵的组合;由于两变电站之间的变压器是固定的,因此B、C相之间的传递矩阵也为Tj,同样使用ShapeDTW计算出非基准数据的B、C相分别与基准数据的B、C相的相似度,形成DB、DC矩阵。
进一步地,利用相似度计算结果DA、DB、DC形成三维数据:
然后用Shape DTW计算出来的相似矩阵D1去取代相似度矩阵中的欧式距离求得谱聚类中的相似度矩阵W,利用谱聚类算法完成聚类;
相似度矩阵W为:
其中:
其中,||zi-zj||2表示zi和zj的欧式距离,由于zi和zj是时间序列,因此用i、j之间相似度的计算结果代替||zi-zj||2;
根据W计算度矩阵,度矩阵D为:
其中:
利用相似度矩阵W和度矩阵D计算拉普拉斯矩阵L:
利用拉普拉斯矩阵计算L的特征值,将特征值从小到大排序,提取前k个特征值;
使用轮廓系数方法获得k,即聚类簇的数目;
计算k个特征值的特征向量u1,u2,…,uk,构成特征向量矩阵U={u1,u2,…,uk};
令yi∈Rk是第i行的向量,i=1,2,…n,形成一个新的样本点Y={y1,y2,…yn};
最后使用k均值聚类算法进行聚类。
本发明还提供了一种电压暂降同源检测系统,包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序,当处理器运行所述计算机程序时,实现所述的方法步骤。
相较于现有技术,本发明具有以下有益效果:提出了一种电压暂降同源检测方法及系统,该方法及系统针对电压暂降同源检测,用一种考虑电压暂降监测数据的时间序列长度不一致的相似度计算方法(shape DTW)去计算波形间的相似度,它能将时间序列进行延伸和缩短,进而对两个序列的相似性进行计算,提高了相似度计算的精确度,利用单一聚类特征去描述暂降事件的同源性,简化了电压暂降的同源识别流程。此外,本发明利用谱聚类算法将聚类问题转化为图的最优划分问题,将所有数据视为空间中的点,通过利用数据间的相似度表示数据间的权重,相似度低则权重低,相似度高则权重高,通过对所有数据点组成的图进行切图,让不同子图之间的权重低,子图内部之间的权重高,使得聚类效果更加明显。
附图说明
图1是本发明实施例的方法实现流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
针对电压暂降同源检测受变压器传递、监测装置的对时问题以及数据长度的问题,本实施例提供了一种电压暂降同源检测方法,利用shape DTW去计算波形间的相似度,根据相似度计算结果作为聚类的输入,通过Average silhouette method去获得最佳的聚类簇的数目,进而完成聚类。如图1所示,该方法包括以下步骤:
S1、从监测数据中选取触发时间最早的一条数据为基准数据。
S2、对所有非基准数据,选取A相按照变压器可能的所有组合进行变换,形成SA矩阵。
S3、用形状标识符表征波形的重要特征,将基准数据扩展为与SA同维度,用基于形状的动态时间规整shape DTW计算相似度,形成DA矩阵。
S4、选取DA每一列的最小值,用DA对应的变压器传递矩阵计算出DB、DC矩阵。
S5、利用DA、DB、DC计算相似度矩阵W和度矩阵D,并使用轮廓系数方法Averagesilhouette method获得聚类簇的数目k,然后使用k均值聚类算法k-means完成聚类。
1、原始数据的选取
选取各个变电站的电压暂降监测装置监测到的数据,假设有n条电压暂降监测数据,将其转化为有效值波形记为(S1,S2,……,Sn),以触发时间最早的一条电压暂降监测数据为基准波形,假设为S1,对n条电压暂降监测数据进行同源检测。
2、数据处理
对所有非基准数据,选取一相,假设为A相,按照变压器可能的所有组合进行变换,根据电压暂降经变压器传递规律,变压器分为Ⅰ型(YNyn0)、Ⅱ型(Yyn0、YNy0、)、Ⅲ型(Yd11、YNd11、Dyn11),三种类型的变压器的传递矩阵分别为T1、T2、T3,根据变压器的不同数量的不同组合,所有组合结果只有8种情况T1~T8,具体如下所示:
则Ⅱ型与Ⅱ型连接时有:
T2×T2=T2 (4)
Ⅱ型与Ⅲ型连接时有:
T2×T3=T3×T2=T3 (5)
两个Ⅲ型连接时有:
三个Ⅲ型连接时有:
四个Ⅲ型连接时有:
五个Ⅲ型连接时有:
六个Ⅲ型连接时有:
七个Ⅲ型连接时又等效为一台Ⅲ型。
对于所有非基准数据可能的传递矩阵如下:
其中,SiA-j=Tj*SiA表示非基准数据Si的A相经过传递矩阵Tj的可能波形,SA表示n-1条非基准A相数据经过所有可能变压器组合的所有可能。以上式S2A-2为例,S2A-2=T2*S2A表示非基准数据S2的A相经过传递矩阵T2的可能波形。
3、相似度计算
利用投影暂态法计算出所有数据的电压暂降的起止时间,然后找出它的重要特征点,假设有时间序列X={(t1,x1),(t2,x2),…,(tn,xn)},需要将一个数据的重要特征通过特定标识符表示出来,然后用DTW进行距离计算。其中,(tn,xn)表示在时刻tn时,电压的有效值为xn。
数据的重要特征主要分为两类:一类是转折点,另一类拐弯点。
对于转折点,根据数据前后的单调性不一致进行识别:
X'(ti-1,xi-1)*X'(ti,xi)≤0 (12)
其中X'(ti,xi)表示在X序列中ti时刻的电压暂降有效值的倒数。
对于拐弯点,使用二次差分点形成的二次差分序列,以其最小值为阈值,进而提取。具体过程:使用数据连续的前后变化量Δ(Xi-Xi-1)再对获得的前后变化量进行二次差分Δi-Δi-1获得二次差分变化序列T,对比变化序列数值与阈值δ的大小判断,δ的取值:
其中,Ti表示二次差分序列T中的第i点,MinPeak(Ti)表示Ti≥0时二次差分序列中最小的点,MaxPeak(Ti)表示Ti≤0时二次差分序列中最小的点。
使用形状标识符表示的所有时间序列的重要特征点,基准波形的形状标识符序列为S1A',非基准波形的形状标识符序列为SA'。将S1A'扩展到与SA'同维度形成S1A”,然后用基于形状的动态时间规整ShapeDTW计算出两者的相似度:
DA=DTW(S″1A,S′A) (15)
其中,DA表示基准数据的A相与所有非基准数据的A的相似度计算结果。
取式DA矩阵每一列的最小值,即基准数据S1A”与非基准数据SjA-i'(j=2…n;i=1…8)的相似度最大,Tj即为监测到基准数据S1的变电站1与监测到非基准数据变电站j之间的变压器传递矩阵的组合。由于两变电站之间的变压器是固定的,因此B、C相之间的传递矩阵也为Tj,同样使用ShapeDTW计算出非基准数据的B、C相分别与基准数据的B、C相的相似度,形成DB、DC矩阵。
4、谱聚类算法完成聚类
利用相似度计算结果DA、DB、DC形成三维数据:
然后用Shape DTW计算出来的相似矩阵D去取代相似度矩阵中的欧式距离求得谱聚类中的相似度矩阵W,利用谱聚类算法完成聚类。
相似度矩阵W为:
其中:
其中,||zi-zj||2表示zi和zj的欧式距离,由于zi和zj是时间序列,因此用i、j之间相似度的计算结果代替||zi-zj||2。
根据W计算度矩阵,度矩阵D为:
其中:
利用相似度矩阵W和度矩阵D计算拉普拉斯矩阵L:
利用拉普拉斯矩阵计算L的特征值,将特征值从小到大排序,提取前k个特征值。
使用轮廓系数方法获得k,即聚类簇的数目。
计算k个特征值的特征向量u1,u2,…,uk,构成特征向量矩阵U={u1,u2,…,uk}。
令yi∈Rk是第i行的向量,i=1,2,…n,形成一个新的样本点Y={y1,y2,…yn}。
最后使用k-means算法进行聚类。
本实施例还提供了一种电压暂降同源检测系统,包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序,当处理器运行所述计算机程序时,实现上述的方法步骤。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种电压暂降同源检测方法,其特征在于,包括以下步骤:
S1、从监测数据中选取触发时间最早的一条数据为基准数据;
S2、对所有非基准数据,选取A相按照变压器所有组合进行变换,形成SA矩阵;
S3、用形状标识符表征波形的重要特征,将基准数据扩展为与SA同维度,用基于形状的动态时间规整计算相似度,形成DA矩阵;
S4、选取DA每一列的最小值,用DA对应的变压器传递矩阵计算出DB、DC矩阵;
S5、利用DA、DB、DC计算相似度矩阵W和度矩阵D,并使用轮廓系数方法获得聚类簇的数目k,然后使用k均值聚类算法完成聚类;
所述步骤S3中,利用投影暂态法计算出所有数据的电压暂降的起止时间,形成时间序列X={(t1,x1),(t2,x2),…,(tn,xn)};(tn,xn)表示在时刻tn时,电压的有效值为xn;
数据的重要特征主要分为两类:一类是转折点,另一类拐弯点;
对于转折点,根据数据前后的单调性不一致进行识别:
X'(ti-1,xi-1)*X'(ti,xi)≤0 (12)
其中X'(ti,xi)表示在X序列中ti时刻的电压暂降有效值的倒数;
对于拐弯点,使用二次差分点形成的二次差分序列,以其最小值为阈值,进而提取;具体过程:使用数据连续的前后变化量Δ(Xi-Xi-1)再对获得的前后变化量进行二次差分Δi-Δi-1获得二次差分序列Ti,对比变化序列数值与阈值δ的大小进行判断;
使用形状标识符表示的所有时间序列的重要特征点,基准波形的形状标识符序列为S'1A,非基准波形的形状标识符序列为S'A;将S'1A扩展到与S'A同维度形成S”1A,然后用基于形状的动态时间规整ShapeDTW计算出两者的相似度:
DA=DTW(S″1A,S′A) (15)
其中,DA表示基准数据的A相与所有非基准数据的A相的相似度计算结果。
2.根据权利要求1所述的一种电压暂降同源检测方法,其特征在于,所述步骤S1中,选取各个变电站的电压暂降监测装置监测到的数据,假设有n条电压暂降监测数据,将其转化为有效值波形记为(S1,S2,……,Sn),以触发时间最早的一条电压暂降监测数据为基准波形,假设为S1,对n条电压暂降监测数据进行同源检测。
3.根据权利要求2所述的一种电压暂降同源检测方法,其特征在于,所述步骤S2中,对所有非基准数据,选取一相,假设为A相,按照变压器可能的所有组合进行变换,根据电压暂降经变压器传递规律,变压器分为Ⅰ型YNyn0,Ⅱ型Yyn0、YNy0,以及Ⅲ型Yd11、YNd11、Dyn11,三种类型的变压器的传递矩阵分别为T1、T2、T3,根据变压器的不同数量的不同组合,所有组合结果只有8种情况T1~T8,具体如下所示:
则Ⅱ型与Ⅱ型连接时有:
T2×T2=T2 (4)
Ⅱ型与Ⅲ型连接时有:
T2×T3=T3×T2=T3 (5)
两个Ⅲ型连接时有:
三个Ⅲ型连接时有:
四个Ⅲ型连接时有:
五个Ⅲ型连接时有:
六个Ⅲ型连接时有:
七个Ⅲ型连接时又等效为一台Ⅲ型;
对于所有非基准数据的传递矩阵如下:
其中,SiA-j=Tj*SiA表示非基准数据Si的A相经过传递矩阵Tj的可能波形,SA表示n-1条非基准A相数据经过所有可能变压器组合的所有可能。
4.根据权利要求1所述的一种电压暂降同源检测方法,其特征在于,所述步骤S4中,取式DA矩阵每一列的最小值,即基准数据S″1A与非基准数据S'iA-j的相似度最大,i=2…n,j=1…8,Tj即为监测到基准数据S1的变电站1与监测到非基准数据变电站j之间的变压器传递矩阵的组合;由于两变电站之间的变压器是固定的,因此B、C相之间的传递矩阵也为Tj,同样使用Shape DTW计算出非基准数据的B、C相分别与基准数据的B、C相的相似度,形成DB、DC矩阵。
5.根据权利要求4所述的一种电压暂降同源检测方法,其特征在于,利用相似度计算结果DA、DB、DC形成三维数据:
然后用Shape DTW计算出来的相似矩阵D1去取代相似度矩阵中的欧式距离求得谱聚类中的相似度矩阵W,利用谱聚类算法完成聚类;
相似度矩阵W为:
其中:
其中,||zp-zq||2表示zp和zq的欧式距离,由于zp和zq是时间序列,因此用p、q之间相似度的计算结果代替||zp-zq||2;
根据W计算度矩阵,度矩阵D为:
其中:
利用相似度矩阵W和度矩阵D计算拉普拉斯矩阵L:
将拉普拉斯矩阵特征值从小到大排序,提取前k个特征值;
使用轮廓系数方法获得k,即聚类簇的数目;
计算k个特征值的特征向量u1,u2,…,uk,构成特征向量矩阵U={u1,u2,…,uk};
令yh∈Rk是第h行的向量,h=1,2,…n,形成一个新的样本点Y={y1,y2,…yn};
最后使用k均值聚类算法进行聚类。
6.一种电压暂降同源检测系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序,当处理器运行所述计算机程序时,实现如权利要求1-5任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110454229.2A CN113077012B (zh) | 2021-04-26 | 2021-04-26 | 一种电压暂降同源检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110454229.2A CN113077012B (zh) | 2021-04-26 | 2021-04-26 | 一种电压暂降同源检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077012A CN113077012A (zh) | 2021-07-06 |
CN113077012B true CN113077012B (zh) | 2022-10-04 |
Family
ID=76618728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110454229.2A Active CN113077012B (zh) | 2021-04-26 | 2021-04-26 | 一种电压暂降同源检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077012B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548013A (zh) * | 2016-10-19 | 2017-03-29 | 西安工程大学 | 利用改进不完全s变换的电压暂降源识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7020331B2 (ja) * | 2018-07-26 | 2022-02-16 | 日本電信電話株式会社 | クラスタリング装置、方法、及びプログラム |
CN109800660B (zh) * | 2018-12-27 | 2020-11-10 | 国网江苏省电力有限公司电力科学研究院 | 一种基于大数据聚类的电压暂降源识别方法和系统 |
CN112131956B (zh) * | 2020-08-27 | 2022-08-26 | 国网湖北省电力有限公司电力科学研究院 | 一种基于差异哈希算法的电压暂降源分类方法 |
CN112116013B (zh) * | 2020-09-24 | 2021-07-20 | 四川大学 | 一种基于波形特征的电压暂降事件归一化方法 |
-
2021
- 2021-04-26 CN CN202110454229.2A patent/CN113077012B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548013A (zh) * | 2016-10-19 | 2017-03-29 | 西安工程大学 | 利用改进不完全s变换的电压暂降源识别方法 |
Non-Patent Citations (1)
Title |
---|
基于暂降信息的监测装置优化配置与系统电压暂降水平评估;林芳等;《电力自动化设备》;20160531;第36卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113077012A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Query-efficient black-box adversarial attacks guided by a transfer-based prior | |
CN105718960B (zh) | 基于卷积神经网络和空间金字塔匹配的图像排序模型 | |
CN111965486A (zh) | 一种基于智能数据融合分析的配电网故障识别方法及系统 | |
Kangping et al. | Analysis on residential electricity consumption behavior using improved k-means based on simulated annealing algorithm | |
Zhang et al. | Clusterability analysis and incremental sampling for nyström extension based spectral clustering | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
Yang et al. | Application of XGBoost in identification of power quality disturbance source of steady-state disturbance events | |
CN113077012B (zh) | 一种电压暂降同源检测方法及系统 | |
Miraftabzadeh et al. | Data-driven model for PV power generation patterns extraction via unsupervised machine learning methods | |
CN112149052B (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
CN115051363B (zh) | 一种配网台区户变关系辨识方法、装置及计算机存储介质 | |
CN113553538A (zh) | 一种递推修正混合线性状态估计方法 | |
Liu et al. | Based on multiple time series affinity propagation algorithm | |
Li | Technical research on machine learning framework based on optimization algorithm | |
Lin | Electricity theft detection algorithm based on contrast learning and cluster combination discrimination | |
Fu | Optimal landmark selection for nyström approximation | |
Ahonen | Compression-based clustering of chromagram data: New method and representations | |
Sivasathya et al. | Image feature extraction using non linear principle component analysis | |
WO2024077876A1 (zh) | 一种基于自适应的局部动态焦炭质量预测方法 | |
Li et al. | Fault detection of discriminant improved local tangent space alignment | |
Chen et al. | K-means clustering algorithm with refined initial center | |
Wenxiong et al. | A Grey Wolf Algorithm Optimized SVM Method for Voltage Sag Identification in Distribution Systems | |
CN113705618B (zh) | 基于子空间降维的高维数据多变点检测方法、系统、设备及介质 | |
Butunoi et al. | Shapelet based classification of customer consumption patterns | |
CN109193624B (zh) | 一种基于改进k均值聚类的负荷分类方法 |
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 |