CN113191062A - 基于多源不完整信息的配电网故障区段定位方法及系统 - Google Patents
基于多源不完整信息的配电网故障区段定位方法及系统 Download PDFInfo
- Publication number
- CN113191062A CN113191062A CN202110396598.0A CN202110396598A CN113191062A CN 113191062 A CN113191062 A CN 113191062A CN 202110396598 A CN202110396598 A CN 202110396598A CN 113191062 A CN113191062 A CN 113191062A
- Authority
- CN
- China
- Prior art keywords
- fault
- alarm information
- section
- information
- alarm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 67
- 239000013598 vector Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 238000011160 research Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了基于多源不完整信息的配电网故障区段定位方法及系统,其中方法包括:根据配电网线路拓扑结构构建关联矩阵;获取故障告警信息,所述故障告警信息包括FTU告警信息、台变告警信息和客户告警信息;基于BPSO算法,根据所述关联矩阵和所述故障告警信息进行各区段故障概率计算,得到所述FTU告警信息、所述台变告警信息和所述客户告警信息各自对应的研判结果;基于D‑S证据理论进行融合分析,得到最终的故障区段定位结果。本发明能够提高故障信息容错性和定位准确性。
Description
技术领域
本发明涉及配电网故障区段定位方法,特别涉及一种基于多源不完整信息的配电网故障区段定位方法及系统。
背景技术
随着经济的发展和人民生活水平的提高,客户对供电可靠性和供电质量的需求越来越高,如何实现配电网故障后的快速复电,直接关系到电网的安全稳定运行和对客户的服务质量。准确、及时的故障定位是故障后快速复电的基础。
故障定位可以分为故障点的精确定位和故障区段的定位两大类。前者又称为故障测距,主要通过测量线路阻抗、分析故障后的暂态行波或注入特定信号等方法计算故障点的距离。故障区段定位主要是通过分析故障后呈现的报警、过流或停电投诉等信息,并结合线路拓扑结构分析发生故障的区段。故障区段定位方法主要包含三类:一是利用95598系统收到的用户报障信息进行定位;二是利用重合器和分段器的配合实现故障定位和隔离;三是利用配电自动化系统中馈线终端单元(Feeder Terminal Unit,FTU)或故障指示器(Fault Indicator,FI)等设备上传的告警或过流信息确定故障区段。其中,第三类方法以其实时性好,避免线路重合于故障等优点,受到了广泛的研究,先后提出了多种研判方法。其中包括根据网络描述矩阵和关系矩阵,通过构造一定的矩阵运算规则,实现故障区段的快速定位。矩阵算法原理简单,计算速度快,但是容错性相对较低。为了提高容错性,学者们提出了多种基于概率推理和智能优化算法的研判方法,包括基于贝叶斯网络推理出最能解释实际故障信号的配网区段故障概率。通过非精确推理提高了研判方法的容错性,但是贝叶斯网络需要先验概率,存在一定的错误率。于是,又提出了将故障定位问题转化为优化问题,并分别通过和声算法、二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)、遗传算法和混沌膜算法对建立的优化模型进行求解,实现故障定位。
上述方法虽然在一定程度上提高了故障定位的容错性,但是考虑到配网线路运行方式多变,分支繁多,受投资限制,自动化程度不一,且故障时来自配电自动化系统的故障信息存在较严重的误报漏报情况。且通过多源信息进行故障定位,还面临信息之间的融合和校验问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于多源不完整信息的配电网故障区段定位方法,能够有效提高了故障定位容错性和研判精度,利于快速抢修和复电工作。
本发明还提出一种基于多源不完整信息的配电网故障区段定位系统。
根据本发明的第一方面实施例的基于多源不完整信息的配电网故障区段定位方法,包括:根据配电网线路拓扑结构构建关联矩阵,所述关联矩阵用于表示各告警信息源的故障告警信息与线路区段故障的关系;获取故障告警信息,所述故障告警信息包括FTU告警信息、台变告警信息和客户告警信息;基于BPSO算法,根据所述关联矩阵和所述故障告警信息进行区段故障概率计算,得到所述FTU告警信息、所述台变告警信息和所述客户告警信息各自对应的研判结果;将得到的三种研判结果作为三项独立的证据体,基于D-S证据理论进行融合分析,得到最终的故障区段定位结果。
根据本发明的一些实施例,所述根据配电网线路拓扑结构构建关联矩阵包括:建立基本关联矩阵步骤,包括:以线路中的开关为节点,将线路划分为若干区段;将每个节点配置为安装有FTU,每个区段配置为连接有台变和用户,并设置每个节点的FTU与对应节点的编号相同,每个区段所接的台变和用户的编号与对应区段的首节点编号相同;建立FTU告警信号的基础关联矩阵,并通过将所述FTU告警信号的基础关联矩阵转置得到台变告警信号和客户告警信息的基础关联矩阵;基本关联矩阵的约简步骤,包括:获取FTU、台变和用户的实际分布情况;行约简,根据FTU、台变和用户对应的编号k,提取FTU告警信息、台变告警信息和客户告警信息各自对应基本关联矩阵中第k行的元素;k为整数;列约简,对行约简后的矩阵中元素相同的多列,保留其中一列,其余列删除,得到所述关联矩阵。
根据本发明的一些实施例,获取FTU告警信息、台变告警信息和客户告警信息包括:对于FTU告警信号,直接解析对应的报文;对于台变告警信号,响应于收到主动的失压告警信号,根据线路拓扑结构,对告警台变临近区段内的其他台变进行主动召测,并收集一定时间段内的回复信息;对于用户告警信息,先收集一定时间段内的报障和投诉电话,然后解析并映射为对应用户编号的告警信息。
根据本发明的一些实施例,所述基于BPSO算法,根据所述关联矩阵和所述故障告警信息进行区段故障概率计算包括:将各区段的故障状态用一位二进制数表示,随机产生N个向量Fs的初始值;其中,N、s为正整数;基于所述关联矩阵和向量Fs按照开关函数计算期望告警信息;基于实际告警信息与期望告警信息计算粒子个体适应度;计算各粒子个体适应度最优值和全局适应度最优值;更新各粒子的速度和位置,并更新向量Fs;迭代结束后,取前M个个体适应度最优值对应的粒子,计算统计各区段发生故障的概率,输出各区段故障的概率,其中,M为正整数。
根据本发明的一些实施例,所述开关函数表示期望告警信息与故障区段状态之间的关系,公式如下:Ck(F)=sign(AkF),其中,Ck表示期望告警信息,下标k=1或2或3,为信号源的类型标识;F表示故障区段状态信号,Ak表示约简后的关联矩阵,sign()表示符号函数,取矩阵中对应元素值的符号。
根据本发明的一些实施例,所述基于实际告警信息与期望告警信息计算粒子个体适应度包括:将每个向量Fs作为一个粒子,将实际告警信息的向量与根据开关函数计算得到的期望告警列向量进行粒子适应度的计算,公式如下:
其中,等式右边第一项用于寻找最能解释实际告警信号的线路故障区段的组合,第二项用于限制故障的区段数量;式中,Ck表示期望告警信息,C'k表示实际告警向量,*表示向量的按位异或运算,下标k为信号源的类型标识,i表示向量Ck和C'k中的第i个元素,代表第i个区段,ω表示权重系数,Fit(Fs)作为第s个粒子本次迭代结果的适应度。
根据本发明的一些实施例,所述更新各粒子的速度和位置,并更新向量Fs包括:更新粒子速度,公式如下:
更新粒子位置,公式如下:
更新向量Fs,公式如下:
式中下标s表示第s个粒子,下标j表示粒子向量中的第j位,代表区段j的故障状态,上标t表示第t次迭代,m表示惯性系数,v表示粒子的速度,r表示粒子的位置,a1和a2表示两个学习因子,ε1和ε2为0~1范围内的随机数,表示第s个粒子在前t次迭代中个体最优适应度所对应的粒子,G表示全局最优适应度所对应的粒子。
根据本发明的一些实施例,所述计算统计各区段发生故障的概率的公式如下:
其中,M≤N,下标q表示迭代结束后选出的M个粒子个体中的第q个;上标T为第T次迭代结果,表示设置的最大迭代次数,l为粒子的第l位,表示区段的编号;P(l)表示编号为l的区段发生故障的概率。
根据本发明的一些实施例,所述将得到的三种研判结果作为三项独立的证据体,基于D-S证据理论进行融合分析包括:三项证据体对应的三个基本概率分配函数为k为信号源的类型标识,Uk为识别框架,其中的元素是与关联矩阵Ak的列所对应的线路区段,分别记为Lk,1,Lk,2,...,Lk,n,mk(Lk,i)所表示的物理含义为线路区段Lk,i发生故障的概率,
将三个证据体按照以下规则进行合成:
其中证据冲突系数K为:
K反映了各证据间的冲突程度,介于0和1之间,K越大代表冲突程度越高,反之表示冲突程度越小,l表示线路区段的集合,融合结果m(I)表示线路区段l发生故障的概率。
根据本发明的第二方面实施例的基于多源不完整信息的配电网故障区段定位系统,包括:关联矩阵构建模块,用于根据配电网线路拓扑结构构建关联矩阵,所述关联矩阵用于表示各告警信息源的故障告警信息与线路区段故障的关系;故障告警信息模块,用于获取故障告警信息,所述故障告警信息包括FTU告警信息、台变告警信息和客户告警信息;故障概率计算模块,基于BPSO算法,根据所述关联矩阵和所述故障告警信息进行区段故障概率计算,得到所述FTU告警信息、所述台变告警信息和所述客户告警信息各自对应的研判结果;融合分析模块,用于将得到的三种研判结果作为三项独立的证据体,基于D-S证据理论进行融合分析,得到最终的故障区段定位结果。
本发明实施例至少具有如下有益效果:本发明实施例综合利用故障后配电自动化、计量告警与召测以及用户停电投诉与报障等多来源、多维度的信息,通过D-S证据理论对多证据体的综合分析进行决策,改善决策结果的可靠度,有效提高了故障定位容错性和研判精度,利于快速抢修和复电工作。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的方法的流程示意图。
图2为本发明实施例的配网线路示例的拓扑结构图。
图3为本发明一实施例的BPSO算法流程示意图。
图4为本发明另一实施例的配网线路示例的拓扑结构图。
图5为本发明实施例的系统的模块示意框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个及两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明公开一种基于多源不完整信息的配电网故障区段定位方法及系统。首先根据“变电站-线路-配变-用户”关系和线路拓扑结构,建立FTU告警信息、台变告警信息、用户停电报障信息与线路区段故障的关系,构建对应的关联矩阵;然后利用BPSO算法分别根据线路配电自动化信息、计量告警与召测信息和用户报障信息计算单一信息源下各区段的故障概率;最后将得到的结果作为三项独立的证据体,利用D-S证据理论对不同信息源的研判结果进行融合分析,得到线路各区段最终的故障概率,故障概率最大的若干区段即为故障定位结果。本发明综合利用多源故障信息,有效提高了故障定位的容错性和研判精度。
参照图1,故障区段定位的整体流程如图1所示。整个流程分为三个阶段。第I阶段进行线路拓扑建模,在启动定位算法后,根据线路拓扑结构,建立用于故障定位的数学模型。第II阶段根据来自不同系统的故障信号,分别利用BPSO算法计算线路各区段的故障概率。该阶段中针对不同类型的信号,设置了不同的处理流程。其中,对于FTU告警信号,直接解析对应的报文即可。对于台变告警信号,为了减少漏报和误报率,在收到主动的失压告警信号之后,再根据线路拓扑结构,对告警台变临近区段内的其他台变进行主动召测,并收集一定时间段内的回复信息。对于用户告警信息,其来源存在不确定性,需要等待一定的时间以增加用户报障信息的数量。最后,在第III阶段中,因为D-S证据理论至少需要两个证据体才可以进行融合分析,所以在等待第II阶段得到两个及以上的定位结果后,才进行融合。直至三个信息源的定位结果都经过融合分析后,输出最终的定位结果。
以下为本发明的原理并结合具体实施例详细说明本发明的方法。
1故障信息特征
根据电网实际业务特点,用于区段定位的故障信息源有:配网自动化系统的FTU和FI过流告警信息(以下简称FTU告警信号);计量系统中台变失压告警与召测回复信息(以下简称台变告警信号)以及95598系统的客户停电投诉与报障信息(以下简称客户告警信号)。这三类信息分别来自不同的独立系统,具有如表1所示的特征。
表1不同信息源的特征
实际现场中,单一系统提供的故障信息存在误报漏报等现象,而来自多个不同独立系统的故障信息可以实现相互补充并构成冗余校验。但是从表1中可以看出,这些不同来源的信息在时效性上具有较大差异。先多源信息融合再进行研判的思路将需要花费较长的时间,才能得到区段定位的结果,不利于快速抢修和复电工作。因此,本文提出先分类研判再对结果融合的思路,即在线路发生故障之后,随着时间的推移,根据不断从单一系统收到的故障信息,先单独进行故障定位,再按照证据融合理论对结果进行滚动融合,最终逐步精确故障区段的位置。
2建立故障定位模型
2.1关联矩阵的建立
在我国,配电网通常为辐射状单端供电线路,为了统一表示这些信号与故障区段之间的关系,首先建立线路的基本关联矩阵。以线路中的开关为节点,将线路划分为若干区段。规定每个区段中所接的台变和用户的编号与对应区段的首节点编号相同。对于含有m个节点n个区段的线路,建立m×n的基本关联矩阵B,矩阵中元素bij的取值为:
当线路中的某一区段发生故障时,故障点上游产生FTU告警信号,而故障点下游产生台变和用户告警信号。记FTU告警信号与线路区段状态的基本关联矩阵为B1,台变和用户告警信号与线路区段状态的基本关联矩阵为B2和B3,显然,B1和B2、B3成转置关系,而B2和B3相同。以图2为例,对于含有7节点的放射性线路而言,区段数量也为7。假设每个区段均有台变和用户,则各区段内台变和用户的编号也为1~7。根据基本关联矩阵定义,得B1~B3分别如式(2)和(3)所示:
2.2基本关联矩阵的约简
但是,在实际的线路中,并不是所有节点(开关)都安装有FTU,也不是所有线路区段中都连有台变和用户。因此,需要根据FTU、台变和用户的实际分布情况,对基本关联矩阵进行适当的约简,得到约简关联矩阵Ak(k=1,2或3,分别代表FTU、台变和用户三种信息源)。通过约简,可以降低不同信息源下故障定位的搜索空间,提高研判效率。约简规则分为两步:1)行约简,根据FTU、台变和用户对应的编号i,只提取基本关联矩阵Bk中第i行的元素,形成新的关联矩阵,减少矩阵的行数。如图2中,只有区段L2、L4、L6和L7中连有台变,对应的台变编号分别为2、4、6和7。因此可以只保留B2中的对应行,得到式(4)。2)列约简,行约简后的矩阵中元素完全相同的多列可以只保留其中的一列,减少矩阵的列数。如式(4)中第1和第2列,第5和6列的列元素完全相同。对应于图2,其物理意义为区段1和2,5和6故障时引起的台变告警信息完全一致,故将区段1和2合并,5和6合并,反映在关联矩阵中为只保留多个重复列中的一列,列约简后的关联矩阵如式(5)所示。
约简之后的关联矩阵,每一列对应的区段与实际的线路区段重新建立了映射关系,一列可能对应实际线路中的多段区段,如式(5)中第1列对应L1和L2两个区段。下文中的区段如无特别说明,均指的是与约简关联矩阵对应的区段。
2.3开关函数的构造
开关函数是用于计算线路区段故障时,各节点或区段内FTU、台变和用户告警信号的期望值。每个区段的状态用一位二进制数表示,故障记为1,非故障记为0。引入区段故障状态列向量F,向量行数与Ak列数相同。FTU、台变和用户的期望告警列向量记为Ck,向量中元素为1表示有告警,否则为0。根据关联矩阵的定义,可得期望的告警信号Ck与故障区段状态信号F之间的关系,即开关函数为:
Ck(F)=sign(AkF) (6)
式中sign()表示符号函数,取矩阵中对应元素值的符号,当x>0时,sign(x)=1;当x=0时,sign(x)=0;当x<0时,sign(x)=-1。
3基于BPSO算法的区段故障概率计算
参照图3,本节中的区段故障概率计算,其目的是通过BPSO算法,寻找若干故障区段组合,使其产生的期望告警向量与实际收到的告警向量最为相似。然后统计这些组合中各区段故障的频次占总频次的比率,作为对应区段发生故障的概率。具体流程包括:将各区段的故障状态用一位二进制数表示,随机产生N个向量Fs的初始值;其中,N、s为正整数;基于关联矩阵和向量Fs按照开关函数计算期望告警信息;基于实际告警信息与期望告警信息计算粒子个体适应度;计算各粒子个体适应度最优值和全局适应度最优值;更新各粒子的速度和位置,并更新向量Fs;迭代结束后,取前M(M为正整数)个个体适应度最优值对应的粒子,计算统计各区段发生故障的概率,输出各区段故障的概率。具体的原理如下:
3.1粒子适应度的计算
设算法中粒子种群规模为N,每个粒子为区段故障状态列向量Fs(s=1,2,···,N)。将故障后收到的实际告警向量与开关函数计算结果Ck(Fs)按照式(7)的规则进行计算。其中第一项用于寻找最能解释实际告警信号的线路区段故障组合,第二项用于限制故障的区段数量。
式中*表示向量的按位异或运算;下标k为信号源的类型标识;i表示向量C'k和Ck中的第i个元素,表示权重系数,本文中为0.8,计算结果Fit(Fs)作为BPSO算法中第s个粒子本次迭代结果的适应度,值越小表示该粒子对应的故障区段组合越能解释实际收到的告警信号。
3.2线路区段故障概率的计算
在BPSO算法中,随着迭代次数的增加,所有N个粒子的个体适应度最优值,在整体上将表现为逐步趋近种群全局最优值。全体个体适应度最优值所对应的粒子整体也将逐步趋近全局最优解。由于每个粒子所代表的物理意义为区段故障状态的组合。所以当算法达到最大迭代次数后,个体适应度最优值所对应的全体粒子中包含实际故障区段的粒子的数量将远大于包含非故障区段的粒子数量。基于这一现象,提出在迭代结束时,馈线各区段故障概率按照式(8)的方式计算。
式中,为了排除与全局最优解相差较大的粒子,在BPSO算法迭代结束时,只利用前M个个体适应度最优值所对应的粒子参与线路区段故障概率计算,显然M≤N;下标q表示选出的M个粒子个体中的第q个;上标T为第T次迭代结果,表示设置的最大迭代次数,l为粒子的第l位,表示区段的编号;P(l)表示编号为l的区段发生故障的概率。
3.3BPSO算法整体流程
对于BPSO算法,粒子速度的更新方式与传统粒子群算法保持一致,如式(9)所示。对于粒子位置的更新方式,首先采用式(10)所示的sigmoid函数将速度映射到0~1的范围内,然后按照式(11)确定粒子中每一位的值。BPSO算法的具体流程如图3所示。
式中下标s表示第s个粒子,下标j表示粒子向量中的第j位,代表区段j的故障状态,上标t表示第t次迭代,m表示惯性系数,v表示粒子的速度,r表示粒子的位置,a1和a2表示两个学习因子,ε1和ε2为0~1范围内的随机数,表示第s个粒子在前t次迭代中个体最优适应度所对应的粒子,G表示全局最优适应度所对应的粒子。
4多源证据的融合
对FTU、台变和客户告警信息,分别按照BPSO算法得到三种研判结果。由于来自三个系统中的故障告警信息均存在误报和漏报等现象,所以每种告警信息源得到的定位结果均存在错误或无法准确定位的可能。D-S证据理论属于一种非确定推理方法,通过对多个证据体的综合分析进行决策,可以改善决策结果的可靠度。
本文将BPSO算法得到的三种研判结果作为三项独立的证据体,利用D-S证据理论进行融合分析,得到最终的故障区段定位结果。三项证据体对应的三个基本概率分配函数为k=1,2和3。Uk为识别框架,其中的元素是与约简矩阵Ak的列所对应的线路区段,分别记为Lk,1,Lk,2,...,Lk,n,那么,mk满足:
mk(Lk,i)所表示的物理含义为线路区段Lk,i发生故障的概率,式(12)表示空集的可信度始终为0,即线路不发生故障的概率为0,式(13)表示各线路区段发生故障的概率之和为1。
因为三个信息源相互独立,所以这三个证据体可以按照式(14)的规则进行合成。
其中证据冲突系数K为:
K反映了各证据间的冲突程度,介于0和1之间,K越大代表冲突程度越高,反之表示冲突程度越小。融合结果m(I)表示线路区段l发生故障的概率。
5算例分析
参照图4,本实施例以昆明供电公司旗台线数据为例,验证所提方法的有效性。该线路总长59.4km,安装有40台柱上开关,27套FTU和FI设备,运行台变数量共计106台,分为45台公变和61台专变。为了便于建立约简关联矩阵,同时考虑到FTU和FI设备通常安装在开关或分支线处,因此以FTU和FI安装处为节点,将线路分为27段。对应的节点编号为1~27,其中节点1对应的是馈线出口处的断路器及其站内保护信号,其他节点代表FTU或FI设备。L1~L27为线路区段的编号。实际线路中,每个区段内可能连接多个台变,而每个台变下又必然连接至少一个用户。为了简化模型,每个区段内的所有台变和用户均聚合为一个,台变和用户统一用字母T表示。最终简化得到的线路结构模型如图3所示。图中,台变的编号和线路区段编号相同,为T1~T27。但是当部分区段没有台变和用户时,对应的编号空置,如区段L22没有连接台变,则T22空置。由于Ti(i=1,2,···,27)同时代表了台变和用户,所以二者对应的约简关联矩阵相同。结合图4,并根据约简关联矩阵的建立规则,得到FTU、台变和用户告警信号的约简关联矩阵A1、A2和A3。
根据上述条件,首先分别设置L8,L15和L27等三种单点故障情形,这三种故障情形涵盖了T接线、无台变(用户)区段和线路末端等不同类型的区段。然后设置一种[L9,L16]两点故障情形。算法参数方面,BPSO算法的粒子种群规模设置为N=300,迭代最大次数设置为T=100,计算线路区段故障概率时选取的个体最优粒子的数目为M=3,即总种群的前1%。
针对上述四种故障类型,在故障信息完整和不完整两种情况下,分别采用三种方法进行故障区段的定位:方法1利用单一信息源的故障信息通过BPSO算法进行定位;方法2只利用FTU告警信号和台变告警信号两类信息进行故障区段定位;方法3同时采用FTU、台变和用户三种故障信息进行故障区段定位。其中,在故障信息完整条件下的定位结果如表2所示。表中下标表示区段的编号,括号内数字表示对应区段发生故障的概率。需要注意的是,计算结果中各区段发生故障的概率之和为1,而且表中的结果只呈现了概率大于0.1的故障区段。从表2中可以看出,在故障信息完整的情况下,三种方法均能准确定位故障区段。但是对于台变和用户告警信号而言,由于L15区段中没有台变和用户,所以当L15或L16故障时,利用台变和用户告警信号进行定位时,将同时认为L15和L16均发生故障。
表2信号完整条件下,不同方法的故障定位结果
表3信号畸变条件下,不同方法的故障定位结果
在故障信息不完整条件下的定位结果如表3所示,表中依然只呈现概率大于0.1的故障区段。可以看出,FTU,台变和用户三个信息源提供的故障信号均出现较为严重的畸变情况时,不同的方法具有不同的特点。其中,方法1的容错能力最差,一旦关键信息出现畸变,将无法实现准确定位,甚至是定位错误。例如,在L8为实际故障区段的情形中,当6号节点的FTU出现误报时,方法1将会认为L6和L8同时发生故障;而当T7发生误报时,则会定位错误。方法2由于利用了FTU和台变两个信息源,其定位结果的容错性有一定的提高,但是结果中不同区段故障概率的区分度较差,即定位准确性不足。方法3对于算例中的4中情形,均能100%的实现准确定位,显著优于前两种,说明其具有更好的容错性。以上结果证明了本文所提方法在故障信息容错性和定位准确性方面均具有较大的提高。
本实施例结合供电公司实际现状和业务需求,提出了一种多源不完整信息条件下的配网故障区段定位方法。本方法首先利用BPSO算法,分别根据线路配电自动化信息、计量告警与召测信息和用户报障信息计算单一信息源下各区段的故障概率;然后将此作为三项独立的证据体,利用D-S证据理论对不同信息源的研判结果进行融合分析,计算线路中各区段最终的故障概率。算例结果验证了本方法在故障信息出现较高畸变率的情况下,依然能够准确实现故障区段定位。
本实施例的方法主要有以下特点:1)综合了来自配电自动化、计量和营销95598三个系统的故障信息,可以更大程度的减小单一系统故障信息不完整造成的影响,显著改善算法的容错性和准确性;2)在线路建模时,根据三个系统中故障信息与故障区段间不同的关联关系,分别建立约简关联矩阵,既降低了搜索空间,又便于计算开关函数的值;3)在BPSO算法中,以线路各区段发生故障的概率,代替最优个体所对应的故障区段组合,不仅可以有效克服算法陷入局部最优解的缺陷,而且为证据融合分析提供基本概率分配。
与前述实施例相对应,本发明还提供了系统的实施例。对于系统实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。
参照图5,本发明实施例的系统包括:关联矩阵构建模块,用于根据配电网线路拓扑结构构建关联矩阵,该关联矩阵用于表示各告警信息源的故障告警信息与线路区段故障的关系;故障告警信息模块,用于获取故障告警信息,故障告警信息包括FTU告警信息、台变告警信息和客户告警信息;故障概率计算模块,基于BPSO算法,根据关联矩阵和故障告警信息进行区段故障概率计算,得到FTU告警信息、台变告警信息和客户告警信息各自对应的研判结果;融合分析模块,用于将得到的三种研判结果作为三项独立的证据体,基于D-S证据理论进行融合分析,得到最终的故障区段定位结果。
尽管本文描述了具体实施方案,但是本领域中的普通技术人员将认识到,许多其它修改或另选的实施方案同样处于本公开的范围内。例如,结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外,虽然已根据本公开的实施方案描述了各种例示性具体实施和架构,但是本领域中的普通技术人员将认识到,对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上文参考根据示例性实施方案所述的系统、方法、系统和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解,框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样,根据一些实施方案,框图和流程图中的一些块可能无需按示出的顺序执行,或者可以无需全部执行。另外,超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。
因此,框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解,框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机系统或者专用硬件和计算机指令的组合来实现。
本文所述的程序模块、应用程序等可包括一个或多个软件组件,包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令,所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如,本文所述的例示性方法的一种或多种操作)被执行。
软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言,诸如与特定硬件体系结构和/或操作系统平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言,其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中,包含上述编程语言示例中的一者的指令的软件组件可直接由操作系统或其它软件组件执行,而无需首先转换成另一种形式。
软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如,预设的或固定的)或动态的(例如,在执行时创建或修改的)。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种基于多源不完整信息的配电网故障区段定位方法,其特征在于,包括:
根据配电网线路拓扑结构构建关联矩阵,所述关联矩阵用于表示各告警信息源的故障告警信息与线路区段故障的关系;
获取故障告警信息,所述故障告警信息包括FTU告警信息、台变告警信息和客户告警信息;
基于BPSO算法,根据所述关联矩阵和所述故障告警信息进行区段故障概率计算,得到所述FTU告警信息、所述台变告警信息和所述客户告警信息各自对应的研判结果;
将得到的三种研判结果作为三项独立的证据体,基于D-S证据理论进行融合分析,得到最终的故障区段定位结果。
2.根据权利要求1所述的基于多源不完整信息的配电网故障区段定位方法,其特征在于,所述根据配电网线路拓扑结构构建关联矩阵包括:
建立基本关联矩阵步骤,包括:
以线路中的开关为节点,将线路划分为若干区段;
将每个节点配置为安装有FTU,每个区段配置为连接有台变和用户,并设置每个节点的FTU与对应节点的编号相同,每个区段所接的台变和用户的编号与对应区段的首节点编号相同;
建立FTU告警信号的基础关联矩阵,并通过将所述FTU告警信号的基础关联矩阵转置得到台变告警信号和客户告警信息的基础关联矩阵;
基本关联矩阵的约简步骤,包括:
获取FTU、台变和用户的实际分布情况;
行约简,根据FTU、台变和用户对应的编号k,提取FTU告警信息、台变告警信息和客户告警信息各自对应基本关联矩阵中第k行的元素;k为整数;
列约简,对行约简后的矩阵中元素相同的多列,保留其中一列,其余列删除,得到所述关联矩阵。
3.根据权利要求1所述的基于多源不完整信息的配电网故障区段定位方法,其特征在于,获取FTU告警信息、台变告警信息和客户告警信息包括:
对于FTU告警信号,直接解析对应的报文;
对于台变告警信号,响应于收到主动的失压告警信号,根据线路拓扑结构,对告警台变临近区段内的其他台变进行主动召测,并收集一定时间段内的回复信息;
对于用户告警信息,先收集一定时间段内的报障和投诉电话,然后解析并映射为对应用户编号的告警信息。
4.根据权利要求1所述的基于多源不完整信息的配电网故障区段定位方法,其特征在于,所述基于BPSO算法,根据所述关联矩阵和所述故障告警信息进行区段故障概率计算包括:
将各区段的故障状态用一位二进制数表示,随机产生N个向量Fs的初始值;其中,N、s为正整数;
基于所述关联矩阵和向量Fs按照开关函数计算期望告警信息;
基于实际告警信息与期望告警信息计算粒子个体适应度;
计算各粒子个体适应度最优值和全局适应度最优值;
更新各粒子的速度和位置,并更新向量Fs;
迭代结束后,取前M个个体适应度最优值对应的粒子,计算统计各区段发生故障的概率,输出各区段故障的概率,其中,M为正整数。
5.根据权利要求4所述的基于多源不完整信息的配电网故障区段定位方法,其特征在于,所述开关函数表示期望告警信息与故障区段状态之间的关系,公式如下:
Ck(F)=sign(AkF)
其中,Ck表示期望告警信息,下标k=1或2或3,为信号源的类型标识;F表示故障区段状态信号,Ak表示约简后的关联矩阵,sign()表示符号函数,取矩阵中对应元素值的符号。
9.根据权利要求1所述的基于多源不完整信息的配电网故障区段定位方法,其特征在于,所述将得到的三种研判结果作为三项独立的证据体,基于D-S证据理论进行融合分析包括:
三项证据体对应的三个基本概率分配函数为k为信号源的类型标识,Uk为识别框架,其中的元素是与关联矩阵Ak的列所对应的线路区段,分别记为Lk,1,Lk,2,...,Lk,n,mk(Lk,i)所表示的物理含义为线路区段Lk,i发生故障的概率,
将三个证据体按照以下规则进行合成:
其中证据冲突系数K为:
K反映了各证据间的冲突程度,介于0和1之间,K越大代表冲突程度越高,反之表示冲突程度越小,l表示线路区段的集合,融合结果m(I)表示线路区段l发生故障的概率。
10.一种基于多源不完整信息的配电网故障区段定位系统,其特征在于,包括:
关联矩阵构建模块,用于根据配电网线路拓扑结构构建关联矩阵,所述关联矩阵用于表示各告警信息源的故障告警信息与线路区段故障的关系;
故障告警信息模块,用于获取故障告警信息,所述故障告警信息包括FTU告警信息、台变告警信息和客户告警信息;
故障概率计算模块,基于BPSO算法,根据所述关联矩阵和所述故障告警信息进行区段故障概率计算,得到所述FTU告警信息、所述台变告警信息和所述客户告警信息各自对应的研判结果;
融合分析模块,用于将得到的三种研判结果作为三项独立的证据体,基于D-S证据理论进行融合分析,得到最终的故障区段定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396598.0A CN113191062B (zh) | 2021-04-13 | 2021-04-13 | 基于多源不完整信息的配电网故障区段定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396598.0A CN113191062B (zh) | 2021-04-13 | 2021-04-13 | 基于多源不完整信息的配电网故障区段定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191062A true CN113191062A (zh) | 2021-07-30 |
CN113191062B CN113191062B (zh) | 2024-01-09 |
Family
ID=76975635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110396598.0A Active CN113191062B (zh) | 2021-04-13 | 2021-04-13 | 基于多源不完整信息的配电网故障区段定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191062B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355111A (zh) * | 2022-03-21 | 2022-04-15 | 智联新能电力科技有限公司 | 一种基于改进关联矩阵的配电网故障定位方法 |
CN114966308A (zh) * | 2022-04-29 | 2022-08-30 | 国网上海市电力公司 | 一种环型配电网故障区段定位方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110184673A1 (en) * | 2008-07-09 | 2011-07-28 | Kabushiki Kaisha Toshiba | Method and device for fault location |
CN104931857A (zh) * | 2015-06-25 | 2015-09-23 | 山东大学 | 一种基于d-s证据理论的配电网故障定位方法 |
CN106841928A (zh) * | 2017-03-29 | 2017-06-13 | 中国电力科学研究院 | 一种基于多源信息融合的配电网故障区段定位方法及系统 |
CN110674950A (zh) * | 2019-09-25 | 2020-01-10 | 国网山东省电力公司日照供电公司 | 基于多源信息的配电网故障定位方法 |
CN111141992A (zh) * | 2019-10-12 | 2020-05-12 | 国网湖北省电力有限公司荆门供电公司 | 利用ftu遥信和遥测数据的自适应分层区段定位方法 |
CN112034301A (zh) * | 2020-05-13 | 2020-12-04 | 江苏方天电力技术有限公司 | 一种基于断路器的配电网故障区段定位方法 |
-
2021
- 2021-04-13 CN CN202110396598.0A patent/CN113191062B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110184673A1 (en) * | 2008-07-09 | 2011-07-28 | Kabushiki Kaisha Toshiba | Method and device for fault location |
CN104931857A (zh) * | 2015-06-25 | 2015-09-23 | 山东大学 | 一种基于d-s证据理论的配电网故障定位方法 |
CN106841928A (zh) * | 2017-03-29 | 2017-06-13 | 中国电力科学研究院 | 一种基于多源信息融合的配电网故障区段定位方法及系统 |
CN110674950A (zh) * | 2019-09-25 | 2020-01-10 | 国网山东省电力公司日照供电公司 | 基于多源信息的配电网故障定位方法 |
CN111141992A (zh) * | 2019-10-12 | 2020-05-12 | 国网湖北省电力有限公司荆门供电公司 | 利用ftu遥信和遥测数据的自适应分层区段定位方法 |
CN112034301A (zh) * | 2020-05-13 | 2020-12-04 | 江苏方天电力技术有限公司 | 一种基于断路器的配电网故障区段定位方法 |
Non-Patent Citations (1)
Title |
---|
于安迎;程云祥;卢芳;李嘉媚;刘旭;: "考虑多源信息的配电网故障定位容错方法", 沈阳工业大学学报, no. 04 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355111A (zh) * | 2022-03-21 | 2022-04-15 | 智联新能电力科技有限公司 | 一种基于改进关联矩阵的配电网故障定位方法 |
CN114966308A (zh) * | 2022-04-29 | 2022-08-30 | 国网上海市电力公司 | 一种环型配电网故障区段定位方法 |
CN114966308B (zh) * | 2022-04-29 | 2024-06-04 | 国网上海市电力公司 | 一种环型配电网故障区段定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113191062B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113189451B (zh) | 配电网故障定位研判方法、系统、计算机设备和存储介质 | |
CN107609725B (zh) | 一种考虑变电站影响的输电网风险评估方法 | |
CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
CN106226658B (zh) | 一种基于多数据融合的电网故障诊断方法 | |
CN113191062B (zh) | 基于多源不完整信息的配电网故障区段定位方法及系统 | |
CN109993189A (zh) | 一种网络故障预警方法、装置和介质 | |
CN104750878A (zh) | 一种基于混合搜索策略的拓扑故障诊断方法 | |
CN112966385A (zh) | 配电网网架拓扑薄弱点辨识方法与系统 | |
CN116500385B (zh) | 输电网监测校验方法、装置、设备和介质 | |
CN104506137A (zh) | 一种设备故障诊断方法和装置 | |
CN110601173A (zh) | 基于边缘计算的配网拓扑识别方法及装置 | |
CN115545479A (zh) | 一种配电网重要节点或重要线路的确定方法及装置 | |
CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
Xie et al. | Universal Transparent Artificial Neural Network‐Based Fault Section Diagnosis Models for Power Systems | |
CN112964960A (zh) | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 | |
CN111444472B (zh) | 一种考虑综合信息的变电站设备故障辨识方法及其系统 | |
CN115577548A (zh) | 基于数字孪生的电力通信传输网的分析方法、设备和介质 | |
CN115542070A (zh) | 一种配网线路故障定位方法及存储介质 | |
CN110391935B (zh) | 计及信息物理耦合特性和信息扰动的量测度评估方法及系统 | |
da Silva Borges et al. | Optimized method for locating the source of voltage sags | |
CN107196290B (zh) | 基于量测平衡指标和设备状态相似度寻优的支路与母线连接关系辨识方法 | |
Bao et al. | A fault location method for active distribution network with DGs | |
CN107436958B (zh) | 一种基于通用逻辑的调度主站二次设备信号建模方法 | |
Hai et al. | Fault location system for distribution network based on incomplete information from multiple sources | |
CN117517862B (zh) | 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |