CN113960417A - 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 - Google Patents
基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113960417A CN113960417A CN202111374661.7A CN202111374661A CN113960417A CN 113960417 A CN113960417 A CN 113960417A CN 202111374661 A CN202111374661 A CN 202111374661A CN 113960417 A CN113960417 A CN 113960417A
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- transmission line
- zero sequence
- power transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质，其中方法包括：步骤1，获取输电线路的故障信息源：故障录波信息、气象环境信息、重合闸信息；步骤2，从获取的故障信息源中提取故障特征，由所有故障特征构建故障特征向量；步骤3，将故障特征向量输入至预训练好的故障诊断模型，得到输电线路的故障类型：雷击、外破、鸟害或者山火。本发明可以实现对输电线路故障类型的准确自主识别。
Description
技术领域
本发明属于电力故障诊断技术领域，具体涉及一种基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质。
背景技术
架空输电线路是电网建设的基础，是电力系统的重要组成部分。由于架空输电线路分布在野外，绵延数千里，所经地区地形地貌错综复杂，沿途可能经过平原、丘陵、山谷、森林等，要跨越江河、湖泊，地理条件和气象条件也多种多样，极易遭受各种原因引起的线路故障，这也一直是困扰系统稳定运行和安全供电的难题。一旦输电线路发生故障引起跳闸，若处理不当可能造成整个系统不稳定，甚至导致大电网崩溃引发大面积停电事故。因此，如何预防和减小故障对线路及电网造成的损害，发生故障后及时有针对性地处置故障是电网安全稳定运行必须考虑的重点问题。
而目前大部分输电线路故障诊断方法所参考的故障信息参量单一，往往只考虑故障录波里的零序电流信息，而气象数据等反映输电线路状态的信息并未得到全面利用。单一的故障信息参量并不能携带足够充分的故障信息，易出现误诊断的情况。
发明内容
本发明提供一种基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质，实现对输电线路故障类型的准确自主识别。
为实现上述技术目的，本发明采用如下技术方案：
一种基于多源信息融合的输电线路故障快速诊断方法，包括：
步骤1，获取输电线路的故障信息源：故障录波信息、气象环境信息、重合闸信息；
步骤2，从获取的故障信息源中提取故障特征，由所有故障特征构建故障特征向量；
步骤3，将故障特征向量输入至预训练好的故障诊断模型，得到输电线路的故障类型：雷击、外破、鸟害或者山火。
进一步地，所述故障录波信息包括故障相电流和零序电流，从获取的故障信息源中提取故障特征包括：计算故障相电流的若干个谐波分量、零序电流的若干谐波分量、零序电流的谐波含量、零序电流的直流含量；根据故障相电流的波形确定故障接地性质；对气象环境信息进行分类编码和对重合闸信息进行分类编码。
进一步地，选择天气因素作为有效的气象环境信息，天气状况可以为晴朗、雷雨、阴天、细雨或者大雾；在分类编码时，将阴天、细雨和大雾天气均归为阴雨天气，从而将气象环境分为以下三类：雷雨、阴雨和晴天。
进一步地，零序电流的谐波含量，是指零序电流提取到的所有谐波分量之和在零序电流中的占比；零序电流的直流含量，是指零序电流的直流分量在零序电流中的占比。
进一步地，在分别计算故障相流电流和零序电流的小波包子频带能量时，相应各自得到8个谐波分量。
进一步地，所述预训练好的故障诊断模型，其结构采用BP神经网络模型，包括输入层、隐含层和输出层，输入层节点的数量与故障特征向量中的故障特征数量相同，输出层的节点数量与输电线路的故障类型总数相同。
一种基于多源信息融合的输电线路故障快速诊断装置，包括：
信息获取模块，用于：获取输电线路的故障信息源：故障录波信息、气象环境信息、重合闸信息；
特征提取模块，用于：从获取的故障信息源中提取故障特征，由所有故障特征构建故障特征向量；
故障诊断模块，用于：将故障特征向量输入至预训练好的故障诊断模型，得到输电线路的故障类型：雷击、外破、鸟害或者山火。
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项所述的基于多源信息融合的输电线路故障快速诊断方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的基于多源信息融合的输电线路故障快速诊断方法。
有益效果
本发明以多源信息作为故障分析信息源，即故障气象环境、故障录波数据、重合闸信息作为故障信息，分别采用小波包分析提取短路电流及零序电流的故障特征，和故障气象环境和重合闸信息的故障特征，采用BP神经网络融合算法对故障特征信息进行融合，并实现对输电线路故障类型的准确自主识别。还可有效解决现有架空输电线路故障分析实时性差的问题。
附图说明
图1是本申请实施例所述的基于多源信息融合的输电线路故障快速诊断方法流程图；
图2是本申请实施例所述故障诊断模型的BP神经网络结构示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
如图1所示，本发明实施例1提供一种基于多源信息融合的输电线路故障快速诊断方法，包括以下步骤：
步骤1，获取输电线路的故障信息源：故障录波信息、气象环境信息、重合闸信息，其中故障录波信息包括故障相电流和零序电流。
首先是对故障信息源的选择，本发明选择的原则有以下两点：(1)故障信息与故障起因之间有较大相关性；(2)故障信息可在故障发生后及时准确地获取。本发明选取的故障信息源及原因如下：
(1)气象环境信息。天气、季节、时间、温度、湿度、风力、地貌等。故障的发生往往受线路运行气象条件的影响，因此气象环境与故障原因有直接联系，且故障时的气象信息易于获取，满足有效信息源标准。因此可以选取天气、季节、时间、温度、湿度、风力、地貌等作为故障特征量。
(2)故障录波信息。可提取故障数值特性，如故障接地性质、过渡电阻性质，故障电流的直流分量与谐波含量等。由于故障数值特性由闪络机理决定，而闪络机理与故障起因类型密切相关，例如雷击故障过渡电阻的阻值较低，且具有线性的伏安特性，属于典型的金属性接地故障，由于过渡电阻有线性的伏安特性，因而故障波形呈正弦，几乎不含高频谐波；由于雷电流的入侵，在故障瞬间线路会出现很大的短路冲击电流，因而闪络后故障相电流和零序电流含有较丰富的衰减直流分量。山火故障过渡电阻的阻值很高，且具有非线性的伏安特性，属于典型的非线性高阻接地故障。故障相电流和零序电流波形畸变，含有大量高频谐波。在闪络过程中，鸟粪电阻基本不随电压变化而呈非线性变化。因此鸟闪故障过渡电阻的阻值很小，有线性的伏安特性，属于近似金属性接地故障，由于过渡电阻的伏安特性呈线性，因而故障电流波形呈正弦波，几乎不含衰减直流分量和高频谐波成分。
因此故障录波数据信息满足有效信息源标准。
(3)重合闸信息。线路故障后重合闸分析结果，可直接用来提取进行故障诊断。
步骤2，从获取的故障信息源中提取故障特征，由所有故障特征构建故障特征向量。
从获取的故障信息源中提取故障特征包括：计算故障相电流的各小波包子频带的能量，计算零序电流的各小波包子频带的能量，对气象环境信息进行分类编码和对重合闸信息进行分类编码。
本实施例选取天气因素作为有效故障气象特征。由于气象特征是非数值性的模糊因素，无法用数值定量表示，因而需要对每个特征进行分类和模糊处理。输电线路故障发生时伴随的天气状况有晴朗有风、雷雨、阴天、细雨或者大雾等。其中阴天、细雨和大雾天气条件对输电线的影响比较相似，可将三者合并为阴雨天气。因此本实施例在对气象环境进行分类编码时，将阴天、细雨和大雾天气均归为阴雨天气，从而将气象环境分为以下三类：雷雨、阴雨和晴天。
将输电线故障后重合闸分析结果，即重合闸重合成功或者不成功，直接用来提取进行故障诊断。
由于故障电流和零序电流的时域特性难以体现故障特征，因此，采用小波包分析法对故障电流和零序电流的故障特征量进行提取。小波包分解可表达为：
其中：j为尺度系数；n为频率指标；D(j+1,n)为上一级分解结果，D(j,2n)和D(j,2n+1)为下一级分解结果。h、g分别为小波分析共轭低通、高通滤波器系数；l为位置系数。
根据Parseval能量积分等式，原始信号x(t)在时域上能量定义为：
假设对原始信号进行分层分解，则得到频率从低到高的小波包子频带，各频带所含的能量为：
式中，Ei,j为小波包分解后第i层第j个子频带的小波包能量。W(i,j)为小波系数。
本实施例从故障相电流和零序电流中提取故障特征的具体方法为：
首先，选择对故障相电流和零序电流均进行3层分解，各自均在第三层得到8个子频带，相应地，故障相电流提取得到8个谐波分量，零序电流提取得到8个谐波分量和直流分量；
然后，计算零序电流的8个谐波分量之和在零序电流中的占比，记为谐波含量；以及计算零序电流的直流分量在零序电流中的占比，记为直流含量；
再后，还对故障相电流的波形进行分析，根据波形是否为正弦判断接地性质(接地性质分为金属接地故障和非金属接地故障)；
最后，将故障相电流的8个谐波分量、零序电流的8个谐波分量、零序电流的谐波含量、零序电流的直流含量以及接地性质与气象环境信息的分类编码、重合闸的分类编码，均作为1个故障特征，总共21个故障特征一起构成故障特征向量。
步骤3，将故障特征向量输入至预训练好的故障诊断模型，得到输电线路的故障类型：雷击、外破、鸟害或者山火。
所述预训练好的故障诊断模型，其结构采用BP神经网络模型，包括输入层、隐含层和输出层，输入层节点的数量与故障特征向量中的故障特征数量相同，输出层的节点数量与输电线路的故障类型总数相同。
附图2是BP神经网络结构示意图，神经网络是一种模拟生物过程的计算模型，由大量模拟人脑神经元的节点相互联接构成。较之其他人工智能融合方法，神经网络具有高度的自适应性，很强的自学习能力和容错性，以及具有并行结构和并行处理方式，特别适合快速处理大量的并行信息。BP(back propagation)神经网络是一种典型的前馈型神经网络，其结构包括输入层，隐含层和输出层。图中X＝(x1,x2,x3,…,xn)T为输入向量，Y＝(y1,y2,y3,…,ym)T为隐含层向量。列向量Vj(1<j<m)表示隐含层第j个神经元对应的权值向量，列向量Uk(1<k<s)表示输出层第k个神经元对应的权值向量。O＝(o1,o2,o3,…,os)T为输出向量。D＝(d1,d2,d3,…,dm)T为期望输出向量，m＝s。Δ＝(Δl,Δ2,…,Δs)T是误差向量，表示实际输出与期望输出之差，它从输出层开始向隐含层逐层反传，隐含层再根据误差信号调整权值。
本实施例中的故障特征向量包括21个故障特征，因此神经网络输入层神经元个数为21。另外，本实施例中的输电线故障类型设有四种，分别为雷击、外破、鸟害和山火，用神经网络网络输出的数值映射输电线路故障类型，“1”表示雷击，“2”表示外破，“3”表示鸟害，“4”表示山火。
本实施例中所使用的预训练好的故障诊断模型，是采用一定的训练样本对构造的BP神经网络结构进行训练得到。其中的训练样本是通过对已知故障类型的故障相电流和零序电流按照上述相同的方法获取故障特征向量得到，且对应的训练标签即为已知的故障类型编码。
与上述实施例1所述的基于多源信息融合的输电线路故障快速诊断方法相对应，本发明实施例2提供一种基于多源信息融合的输电线路故障快速诊断装置，包括：
信息获取模块，用于：获取输电线路的故障信息源：故障录波信息、气象环境信息、重合闸信息；
特征提取模块，用于：从获取的故障信息源中提取故障特征，由所有故障特征构建故障特征向量；
故障诊断模块，用于：将故障特征向量输入至预训练好的故障诊断模型，得到输电线路的故障类型：雷击、外破、鸟害或者山火。
实施例2中各模块具体功能与实施例1相同，此处不再重复阐述。
对应地，本发明实施例3提供一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如实施列1所述的方法。
本发明实施例4提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的方法。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (9)
1.一种基于多源信息融合的输电线路故障快速诊断方法，其特征在于，包括：
步骤1，获取输电线路的故障信息源：故障录波信息、气象环境信息、重合闸信息；
步骤2，从获取的故障信息源中提取故障特征，由所有故障特征构建故障特征向量；
步骤3，将故障特征向量输入至预训练好的故障诊断模型，得到输电线路的故障类型：雷击、外破、鸟害或者山火。
2.根据权利要求1所述的方法，其特征在于，所述故障录波信息包括故障相电流和零序电流，从获取的故障信息源中提取故障特征包括：计算故障相电流的若干个谐波分量、零序电流的若干谐波分量、零序电流的谐波含量、零序电流的直流含量；根据故障相电流的波形确定故障接地性质；对气象环境信息进行分类编码和对重合闸信息进行分类编码。
3.根据权利要求2所述的方法，其特征在于，选择天气因素作为有效的气象环境信息，天气状况可以为晴朗、雷雨、阴天、细雨或者大雾；在分类编码时，将阴天、细雨和大雾天气均归为阴雨天气，从而将气象环境分为以下三类：雷雨、阴雨和晴天。
4.根据权利要求2所述的方法，其特征在于，零序电流的谐波含量，是指零序电流提取到的所有谐波分量之和在零序电流中的占比；零序电流的直流含量，是指零序电流的直流分量在零序电流中的占比。
5.根据权利要求2所述的方法，其特征在于，在分别计算故障相流电流和零序电流的小波包子频带能量时，对故障相流电流和零序电流均进行三层小波包分解，相应各自得到8个谐波分量。
6.根据权利要求1所述的方法，其特征在于，所述预训练好的故障诊断模型，其结构采用BP神经网络模型，包括输入层、隐含层和输出层，输入层节点的数量与故障特征向量中的故障特征数量相同，输出层的节点数量与输电线路的故障类型总数相同。
7.一种基于多源信息融合的输电线路故障快速诊断装置，其特征在于，包括：
信息获取模块，用于：获取输电线路的故障信息源：故障录波信息、气象环境信息、重合闸信息；
特征提取模块，用于：从获取的故障信息源中提取故障特征，由所有故障特征构建故障特征向量；
故障诊断模块，用于：将故障特征向量输入至预训练好的故障诊断模型，得到输电线路的故障类型：雷击、外破、鸟害或者山火。
8.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～6中任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111374661.7A CN113960417A (zh) | 2021-11-19 | 2021-11-19 | 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111374661.7A CN113960417A (zh) | 2021-11-19 | 2021-11-19 | 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113960417A true CN113960417A (zh) | 2022-01-21 |
Family
ID=79471167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111374661.7A Pending CN113960417A (zh) | 2021-11-19 | 2021-11-19 | 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113960417A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115932477A (zh) * | 2022-12-28 | 2023-04-07 | 国网湖北省电力有限公司电力科学研究院 | 一种融合多源信息的架空输电线路故障原因诊断方法及系统 |
| CN117216485A (zh) * | 2023-11-09 | 2023-12-12 | 国网山东省电力公司电力科学研究院 | 一种基于客观赋权的输电录波鸟害故障判别方法及系统 |
| CN117743944A (zh) * | 2024-01-04 | 2024-03-22 | 重庆大学 | 基于多源数据的输电线路故障辨识方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102654553A (zh) * | 2012-05-07 | 2012-09-05 | 河南省电力公司南阳供电公司 | 一种选线定位方法 |
| CN109270407A (zh) * | 2018-11-16 | 2019-01-25 | 国网山东省电力公司电力科学研究院 | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 |
| CN111880046A (zh) * | 2020-07-22 | 2020-11-03 | 国网河北省电力有限公司 | 一种快速识别线路故障原因的装置及方法 |
| CN111898729A (zh) * | 2020-06-10 | 2020-11-06 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障原因识别方法及系统 |
| CN113092899A (zh) * | 2021-03-25 | 2021-07-09 | 国网湖南省电力有限公司 | 一种基于多源信息融合的变压器电气故障识别方法、系统、终端以及可读存储介质 |
-
2021
- 2021-11-19 CN CN202111374661.7A patent/CN113960417A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102654553A (zh) * | 2012-05-07 | 2012-09-05 | 河南省电力公司南阳供电公司 | 一种选线定位方法 |
| CN109270407A (zh) * | 2018-11-16 | 2019-01-25 | 国网山东省电力公司电力科学研究院 | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 |
| CN111898729A (zh) * | 2020-06-10 | 2020-11-06 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路故障原因识别方法及系统 |
| CN111880046A (zh) * | 2020-07-22 | 2020-11-03 | 国网河北省电力有限公司 | 一种快速识别线路故障原因的装置及方法 |
| CN113092899A (zh) * | 2021-03-25 | 2021-07-09 | 国网湖南省电力有限公司 | 一种基于多源信息融合的变压器电气故障识别方法、系统、终端以及可读存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| 吴昊 等: "小波能量谱和神经网络法识别雷击与短路故障", 《高电压技术》, pages 64 - 68 * |
| 张虹: "输电线路故障原因综合辨识研究", 中国优秀硕士学位论文全文数据库 电子期刊 工程科技II辑, no. 01, pages 042 - 431 * |
| 彭辉: "基于神经网络的输电线路故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, pages 042 - 2598 * |
| 朱俊敏: "基于小波包分析与神经网络的输电线路故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, pages 042 - 384 * |
| 李东敏等: "基于多小波包和人工神经网络的电力系统故障类型识别方法", 电力自动化设备, vol. 29, no. 1, pages 99 - 103 * |
| 薛太林;侯隽朗;张建新;: "基于GA优化BP神经网络小电流接地系统故障选线方法", 电气自动化, no. 02 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115932477A (zh) * | 2022-12-28 | 2023-04-07 | 国网湖北省电力有限公司电力科学研究院 | 一种融合多源信息的架空输电线路故障原因诊断方法及系统 |
| CN115932477B (zh) * | 2022-12-28 | 2024-01-23 | 国网湖北省电力有限公司电力科学研究院 | 一种融合多源信息的架空输电线路故障原因诊断方法及系统 |
| CN117216485A (zh) * | 2023-11-09 | 2023-12-12 | 国网山东省电力公司电力科学研究院 | 一种基于客观赋权的输电录波鸟害故障判别方法及系统 |
| CN117216485B (zh) * | 2023-11-09 | 2024-01-30 | 国网山东省电力公司电力科学研究院 | 一种基于客观赋权的输电录波鸟害故障判别方法及系统 |
| CN117743944A (zh) * | 2024-01-04 | 2024-03-22 | 重庆大学 | 基于多源数据的输电线路故障辨识方法、装置及电子设备 |
| CN117743944B (zh) * | 2024-01-04 | 2024-06-18 | 重庆大学 | 基于多源数据的输电线路故障辨识方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113960417A (zh) | 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 | |
| CN109270407B (zh) | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 | |
| Huang et al. | Hybrid deep neural model for hourly solar irradiance forecasting | |
| Mandal et al. | Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques | |
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| Huang et al. | Forecasting hourly solar irradiance using hybrid wavelet transformation and Elman model in smart grid | |
| Biswas et al. | State‐of‐the‐art on the protection of FACTS compensated high‐voltage transmission lines: a review | |
| CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
| Rodríguez et al. | Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks | |
| CN104655987B (zh) | 一种基于opgw光偏振态的输电线路雷击点定位新方法 | |
| CN112147462A (zh) | 一种基于深度学习的输电线路故障辨识方法 | |
| CN108663600B (zh) | 一种基于输电网的故障诊断方法、装置及存储介质 | |
| CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
| CN109901020A (zh) | 稀疏自动编码器优化神经网路的输电线路故障识别方法 | |
| CN102087311B (zh) | 一种提高电力互感器测量精度的方法 | |
| CN114545292A (zh) | 基于深度学习的电缆故障类型识别方法 | |
| CN116973683A (zh) | 一种风电场集电线路单相接地故障区段定位方法及系统 | |
| Liang et al. | Transmission line fault-cause identification method for large-scale new energy grid connection scenarios | |
| Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
| CN116611580A (zh) | 一种基于多源数据与深度学习的海洋赤潮预测方法 | |
| Kanwal et al. | Artificial intelligence based faults identification, classification, and localization techniques in transmission lines-a review | |
| Mourad et al. | A hybrid wavelet transform and ANFIS model for short term electric load prediction | |
| Al-Hilfi et al. | Estimating generated power of photovoltaic systems during cloudy days using gene expression programming | |
| CN117833216A (zh) | 基于混合神经网络的光伏电站发电功率预测方法及装置 | |
| CN117556312A (zh) | 一种极端天气下的电网输电线路故障预测方法及系统 |
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 |
Application publication date: 20220121 |