CN114065875A - 基于大数据的电力电网故障识别系统 - Google Patents

基于大数据的电力电网故障识别系统 Download PDF

Info

Publication number
CN114065875A
CN114065875A CN202111454918.XA CN202111454918A CN114065875A CN 114065875 A CN114065875 A CN 114065875A CN 202111454918 A CN202111454918 A CN 202111454918A CN 114065875 A CN114065875 A CN 114065875A
Authority
CN
China
Prior art keywords
value
fault
signal
power grid
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.)
Granted
Application number
CN202111454918.XA
Other languages
English (en)
Other versions
CN114065875B (zh
Inventor
杨扬
崔巍
刘道杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Bangding Smart Technology Co ltd
Original Assignee
Shengli College China University of Petroleum
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shengli College China University of Petroleum filed Critical Shengli College China University of Petroleum
Priority to CN202111454918.XA priority Critical patent/CN114065875B/zh
Publication of CN114065875A publication Critical patent/CN114065875A/zh
Application granted granted Critical
Publication of CN114065875B publication Critical patent/CN114065875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
    • G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力电网技术领域中的一种基于大数据的电力电网故障识别系统，用于解决现有的在电力电网的故障管控分析中，往往仅通过单一、零散的数据进行故障识别，且难以对电网产生的故障进行快速准确的判断分析，故电网故障识别的方式存在较大的误差性和不准确性的问题。本发明包括数据采集单元、初步故障识别单元、精细故障识别单元、融合分析单元、故障预警单元和显示终端。通过比对分析、符号标定、矩阵输出以及公式化处理的方式对运行数据分别进行表征分析挖掘和客观论证，再将两者进行数据整合分析，从而在提高电力电网故障识别准确性的同时，也保障了电力电网运行的安全性。

Description

基于大数据的电力电网故障识别系统
技术领域
本发明涉及电力电网技术领域，具体为基于大数据的电力电网故障识别系统。
背景技术
进入新世纪以来，人类社会全面进入知识经济时代、网络时代，在当下，人们很难想象到离开电能的生活，因此，电力电网的事业建设对社会的发展至关重要；
而随着智能电网建设的深入，电网数据表现出多维度、强耦合、高随机性的特征，在电力电网的故障管控分析中，由于电力电网庞大的数据体系，难以对其产生的故障进行快速准确的判断分析，故极大的影响电力电网的可靠运行。
且现有的对力电网故障的管控分析往往仅通过单一、零散的数据进行故障识别，其判断电网故障的方式存在较大的误差性和不准确性，也进一步阻碍了电力电网的安全运行。
发明内容
本发明的目的就在于为了解决现有的在电力电网的故障管控分析中，往往仅通过单一、零散的数据进行故障识别，且难以对电网产生的故障进行快速准确的判断分析，故电网故障识别的方式存在较大的误差性和不准确性，极大的影响电力电网的发展的问题，通过比对分析、符号标定、矩阵输出以及公式化处理的方式对运行数据分别进行表征分析挖掘和客观论证，再将两者进行数据整合分析，从而在提高电力电网故障识别准确性的同时，也保障了电力电网运行的安全性，而提出基于大数据的电力电网故障识别系统。
本发明的目的可以通过以下技术方案实现：
基于大数据的电力电网故障识别系统，包括数据采集单元、初步故障识别单元、精细故障识别单元、融合分析单元、故障预警单元和显示终端；
所述数据采集单元用于采集单位时间段的电力电网中所有配电线路的三相电压样本值以及三相电流样本值，并将其发送至初步故障识别单元；以及用于实时采集电力电网中所有配电线路的线损样本值，并将其发送至精细故障识别单元；
所述初步故障识别单元对接收的三相电压样本值和三相电流样本值进行矩阵故障分析处理，据此生成表征正常信号、表征异常信号和表征考量信号，并将其发送至融合分析单元；
所述精细故障识别单元对接收的线损样本值进行特征挖掘分析处理，据此生成实质正常信号和实质异常信号，并将其发送至融合分析单元；
所述融合分析单元用于对接收的电力电网中的表征类型信号数据和实质类型信号数据进行数据价值分析处理，据此生成安全稳定信号、故障危险信号以及摆动故障信号，并将其发送至故障预警单元；
所述故障预警单元用于对接收的安全稳定信号、故障危险信号以及摆动故障信号进行预警反馈分析处理，据此生成零级故障信号、一级故障信号和二级故障信号，并分别生成对应的文字样本发送至显示终端进行输出说明。
进一步的，三相电压样本值和三相电流样本值的采集过程如下：
三相电压样本值用于表示单位时间段的各线路多个关键点的电压值，通过采集单位时间段的三相电压样本值，并将其标定为
Figure 728670DEST_PATH_IMAGE001
，其中，i={1,2,3...n}，j={1,2,3...m}，i表示为线路个数，j表示一条线路上的若干关键点，并将电压值
Figure 775123DEST_PATH_IMAGE002
代入额定电压阈值
Figure 104604DEST_PATH_IMAGE003
内进行比对分析，若电压值
Figure 476680DEST_PATH_IMAGE004
处于额定电压阈值
Figure 970240DEST_PATH_IMAGE005
之内，则表示电压运行正常，若电压值
Figure 85964DEST_PATH_IMAGE006
处于额定电压阈值
Figure 191323DEST_PATH_IMAGE007
之外，则表示电压运行异常，并将电压运行正常标定为符号G-1，将电压运行异常标定为符号G-2；
三相电流样本值用于表示单位时间段的各线路不同状态下的电流值，通过采集单位时间段的三相电流样本值，并将其标定为
Figure 91890DEST_PATH_IMAGE008
，其中，i={1,2,3...n}，k={1,2,3...o}，i表示为线路个数，k表示一条线路不同状态表现，并将电流值
Figure 649910DEST_PATH_IMAGE009
代入预设电流阈值
Figure 647953DEST_PATH_IMAGE010
内进行比对分析，若电流值
Figure 404556DEST_PATH_IMAGE011
处于预设电流阈值
Figure 72429DEST_PATH_IMAGE012
之内，则表示电流运行正常，若电流值
Figure 445642DEST_PATH_IMAGE013
处于预设电流阈值
Figure 106430DEST_PATH_IMAGE014
之外，则表示电流运行异常，并将电流运行正常标定为符号H-1，将电流运行异常标定为符号H-2。
进一步的，线损样本值的采集过程如下：
线损样本值用于表示实时采集电力电网环境中从供电的初始端到用电的末端之间整个过程中电能的损耗情况的表现数据，且线损样本值包括路损值和器损值，其中，路损值用于表示电力电网用电网线路的损耗值，且路损值等于流经线路初始端电能值减去流经线路末端电能值差的绝对值与电能总流转值之间的比值，将流经线路初始端电能值标定为
Figure 730922DEST_PATH_IMAGE015
，将流经线路末端电能值标定为
Figure 84543DEST_PATH_IMAGE016
，将电能总流转值标定为
Figure 164626DEST_PATH_IMAGE017
，依据公式
Figure 691422DEST_PATH_IMAGE018
，求得路损值
Figure 360301DEST_PATH_IMAGE019
；
而器损值用于表示电力电网用电设备器件的损耗值，且器损值等于流入设备电能值减去流出设备电能值的绝对值与设备电能总流转值之间的比值，将流入设备电能值标定为
Figure 697872DEST_PATH_IMAGE020
，将流出设备电能值标定为
Figure 717781DEST_PATH_IMAGE021
，将设备电能总流转值标定为
Figure 267842DEST_PATH_IMAGE022
，依据公式
Figure 384703DEST_PATH_IMAGE023
，求得器损值
Figure 624667DEST_PATH_IMAGE024
。
进一步的，所述矩阵故障分析处理的步骤如下：
S1：获取单位时间段的若干三相电压样本值
Figure 928609DEST_PATH_IMAGE025
和若干三相电流样本值
Figure 688886DEST_PATH_IMAGE026
的符号值G-1或G-2和H-1或H-2，并将其进行Excel表格统计，将三相电流符号值项设定为行，将三相电压符号值项设定为列，且取符号值G-1或G-2和H-1或H-2的样本个数量均不小于等于100个；
S2：将统计后的三相电流电压样本数据的Excel表格进行原始矩阵输出，将样本数据的Excel表格的行项和列项分别导入原始矩阵进行输出，且原始矩阵中的行表示是三相电流的故障状态情况，列表示是三相电压的故障状态情况；
S3：将原始矩阵进行状态数据的转换，若原始矩阵中的列和行交叉处的表现数值为0，即
Figure 775701DEST_PATH_IMAGE027
，则表示该时刻的三相电流和三相电压均为无故障状态；若原始矩阵中的列和行交叉处的表现数值为1，即
Figure 438763DEST_PATH_IMAGE028
，则表示该时刻的三相电流为无故障状态，且三相电压为故障状态；若原始矩阵中的列和行交叉处的表现数值为2，即
Figure 43051DEST_PATH_IMAGE029
，则表示该时刻的三相电流为故障状态，且三相电压为无故障状态；若原始矩阵中的列和行交叉处的表现数值为3，即
Figure 387445DEST_PATH_IMAGE030
，则表示该时刻的三相电流与三相电压均为故障状态；
S4：对状态转换矩阵中的表现数值0、1、2、3进行分别求和统计，并将表现数值为0的求和结果标定为
Figure 964051DEST_PATH_IMAGE031
，将表现数值为1的求和结果标定为
Figure 735698DEST_PATH_IMAGE032
，将表现数值为2的求和结果标定为
Figure 296123DEST_PATH_IMAGE033
，将表现数值为3的求和结果标定为
Figure 240945DEST_PATH_IMAGE034
，若
Figure 403549DEST_PATH_IMAGE035
，则输出表征正常信号，若
Figure 673993DEST_PATH_IMAGE036
，则输出表征异常信号，若
Figure 128239DEST_PATH_IMAGE037
，则输出表征考量信号。
进一步的，所述特征挖掘分析处理的步骤如下：
获取实时的线损样本值中的路损值和器损值，并将其标定为
Figure 876753DEST_PATH_IMAGE038
，求得特征值
Figure 614901DEST_PATH_IMAGE039
，其中，
Figure 275821DEST_PATH_IMAGE040
和
Figure 528948DEST_PATH_IMAGE041
分别为路损值
Figure 769567DEST_PATH_IMAGE042
和器损值
Figure 158961DEST_PATH_IMAGE043
的预设权重因子，为修正系数，且
Figure 519010DEST_PATH_IMAGE044
，
Figure 993854DEST_PATH_IMAGE045
，将
Figure 631640DEST_PATH_IMAGE046
赋值为0.231；
将特征值
Figure 78802DEST_PATH_IMAGE047
代入对应的预设阈值
Figure 815945DEST_PATH_IMAGE048
内进行比对分析，当特征值
Figure 778084DEST_PATH_IMAGE049
处于预设阈值
Figure 688403DEST_PATH_IMAGE050
之内时，则生成实质正常信号，当特征值
Figure 862508DEST_PATH_IMAGE051
处于预设阈值
Figure 239393DEST_PATH_IMAGE052
之外时，则生成实质异常信号。
进一步的，所述数据价值分析处理的步骤如下：
随机捕捉某个时间节点实时的实质类型信号数据，并据此获取对应时间节点单位时间段的表征类型信号数据，将两者进行集合判定，若获取的信号为表征正常信号和实质正常信号，则输出安全稳定信号，若获取的信号为表征异常信号和实质异常信号或表征考量信号和实质异常信号，则均输出故障危险信号，若获取的信号为表征考量信号和实质正常信号，则输出摆动故障信号。
进一步的，所述预警反馈分析处理的步骤如下：
当获取到的数据为故障危险信号时，则据此生成一级故障信号，当获取到的数据为摆动故障信号时，则据此生成二级故障信号，当获取到的数据为安全稳定信号时，则输出零级故障信号，并分别生成对应的文字样本发送至显示终端进行输出说明。
与现有技术相比，本发明的有益效果是：
1、 本发明利用大数据技术获取单位时间段的电力电网运行数据信息，并通过比对分析、符号标定以及矩阵的方式对运行数据进行表征分析挖掘，并通过符号化的标定、公式化的处理以及信号化的输出，对变电站的电力电网运行进行了客观论证说明，从而提高了对变电站的电力电网运行故障的可靠评估分析；
2、 本发明通过随机抓取实时的实质类型信号数据和调取与之时间节点对应的表征类型信号数据，将两者进行数据整合分析，实现了对变电站中电力电网故障信息的双重判断，从而提高了电力电网故障识别的准确性，也保障了电力电网运行的安全性。
附图说明
图1为本发明的系统总框图。
具体实施方式
下面将结合实施例对本发明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。
如图1所示，基于大数据的电力电网故障识别系统，包括数据采集单元、初步故障识别单元、精细故障识别单元、融合分析单元、故障预警单元和显示终端；
数据采集单元用于采集单位时间段的电力电网中所有配电线路的三相电压样本值以及三相电流样本值，并将其发送至初步故障识别单元；
需要说明的是，三相电压样本值和三相电流样本值的采集过程如下：
三相电压样本值用于表示单位时间段的各线路多个关键点的电压值，通过采集单位时间段的三相电压样本值，并将其标定为
Figure 892092DEST_PATH_IMAGE053
，其中，i={1,2,3...n}，j={1,2,3...m}，i表示为线路个数，j表示一条线路上的若干关键点，并将电压值
Figure 809363DEST_PATH_IMAGE054
代入额定电压阈值
Figure 293434DEST_PATH_IMAGE055
内进行比对分析，若电压值
Figure 635029DEST_PATH_IMAGE056
处于额定电压阈值
Figure 571761DEST_PATH_IMAGE057
之内，则表示电压运行正常，若电压值
Figure 10833DEST_PATH_IMAGE058
处于额定电压阈值
Figure 834563DEST_PATH_IMAGE059
之外，则表示电压运行异常，并将电压运行正常标定为符号G-1，将电压运行异常标定为符号G-2；
三相电流样本值用于表示单位时间段的各线路不同状态下的电流值，通过采集单位时间段的三相电流样本值，并将其标定为
Figure 130416DEST_PATH_IMAGE060
，其中，i={1,2,3...n}，k={1,2,3...o}，i表示为线路个数，k表示一条线路不同状态表现，并将电流值
Figure 242859DEST_PATH_IMAGE061
代入预设电流阈值
Figure 16780DEST_PATH_IMAGE062
内进行比对分析，若电流值
Figure 695017DEST_PATH_IMAGE063
处于预设电流阈值
Figure 161771DEST_PATH_IMAGE064
之内，则表示电流运行正常，若电流值
Figure 352056DEST_PATH_IMAGE065
处于预设电流阈值
Figure 680400DEST_PATH_IMAGE066
之外，则表示电流运行异常，并将电流运行正常标定为符号H-1，将电流运行异常标定为符号H-2；
数据采集单元还用于实时采集电力电网中所有配电线路的线损样本值，并将其发送至精细故障识别单元；
需要说明的是，线损样本值的采集过程如下：
线损样本值用于表示实时采集电力电网环境中从供电的初始端到用电的末端之间整个过程中电能的损耗情况的表现数据，且线损样本值包括路损值和器损值，其中，路损值用于表示电力电网用电网线路的损耗值，且路损值等于流经线路初始端电能值减去流经线路末端电能值差的绝对值与电能总流转值之间的比值，将流经线路初始端电能值标定为
Figure 931253DEST_PATH_IMAGE067
，将流经线路末端电能值标定为
Figure 568908DEST_PATH_IMAGE068
，将电能总流转值标定为
Figure 655944DEST_PATH_IMAGE069
，依据公式
Figure 37246DEST_PATH_IMAGE070
，求得路损值
Figure 142606DEST_PATH_IMAGE071
；
而器损值用于表示电力电网用电设备器件的损耗值，且器损值等于流入设备电能值减去流出设备电能值的绝对值与设备电能总流转值之间的比值，将流入设备电能值标定为
Figure 436315DEST_PATH_IMAGE072
，将流出设备电能值标定为
Figure 259914DEST_PATH_IMAGE073
，将设备电能总流转值标定为
Figure 192711DEST_PATH_IMAGE074
，依据公式
Figure 152577DEST_PATH_IMAGE075
，求得器损值
Figure 132034DEST_PATH_IMAGE076
；
初步故障识别单元对接收的三相电压样本值和三相电流样本值进行矩阵故障分析处理，具的体操作步骤如下：
S1：获取单位时间段的若干三相电压样本值
Figure 193662DEST_PATH_IMAGE077
和若干三相电流样本值
Figure 447926DEST_PATH_IMAGE078
的符号值G-1或G-2和H-1或H-2，并将其进行Excel表格统计，将三相电流符号值项设定为行，将三相电压符号值项设定为列，且取符号值G-1或G-2和H-1或H-2的样本个数量均不小于等于100个；
S2：将统计后的三相电流电压样本数据的Excel表格进行原始矩阵输出，将样本数据的Excel表格的行项和列项分别导入原始矩阵进行输出，且原始矩阵中的行表示是三相电流的故障状态情况，列表示是三相电压的故障状态情况；
S3：将原始矩阵进行状态数据的转换，若原始矩阵中的列和行交叉处的表现数值为0，即
Figure 278610DEST_PATH_IMAGE079
，则表示该时刻的三相电流和三相电压均为无故障状态；若原始矩阵中的列和行交叉处的表现数值为1，即
Figure 632231DEST_PATH_IMAGE080
，则表示该时刻的三相电流为无故障状态，且三相电压为故障状态；若原始矩阵中的列和行交叉处的表现数值为2，即
Figure 227160DEST_PATH_IMAGE081
，则表示该时刻的三相电流为故障状态，且三相电压为无故障状态；若原始矩阵中的列和行交叉处的表现数值为3，即
Figure 176793DEST_PATH_IMAGE082
，则表示该时刻的三相电流与三相电压均为故障状态；
S4：对状态转换矩阵中的表现数值0、1、2、3进行分别求和统计，并将表现数值为0的求和结果标定为
Figure 173567DEST_PATH_IMAGE083
，将表现数值为1的求和结果标定为
Figure 242630DEST_PATH_IMAGE084
，将表现数值为2的求和结果标定为
Figure 996960DEST_PATH_IMAGE085
，将表现数值为3的求和结果标定为
Figure 327447DEST_PATH_IMAGE086
，若
Figure 132723DEST_PATH_IMAGE087
，则输出表征正常信号，若
Figure 359305DEST_PATH_IMAGE088
，则输出表征异常信号，若
Figure 866509DEST_PATH_IMAGE089
，则输出表征考量信号；
S5：并将生成的表征正常信号、表征异常信号和表征考量信号均发送至融合分析单元；
精细故障识别单元对接收的线损样本值进行特征挖掘分析处理，具体的操作步骤如下：
获取实时的线损样本值中的路损值和器损值，并将其标定为
Figure 485841DEST_PATH_IMAGE090
，求得特征值
Figure 660470DEST_PATH_IMAGE091
，其中，
Figure 74265DEST_PATH_IMAGE092
和
Figure 599924DEST_PATH_IMAGE093
分别为路损值
Figure 43454DEST_PATH_IMAGE094
和器损值
Figure 603749DEST_PATH_IMAGE095
的预设权重因子，
Figure 391707DEST_PATH_IMAGE096
为修正系数，且
Figure 670242DEST_PATH_IMAGE097
，
Figure 818326DEST_PATH_IMAGE098
，将
Figure 452701DEST_PATH_IMAGE099
赋值为0.231，其中预设权重因子用于平衡在公式计算中各项参数占比权重的大小；
将特征值
Figure 457566DEST_PATH_IMAGE100
代入对应的预设阈值
Figure 161080DEST_PATH_IMAGE101
内进行比对分析，当特征值
Figure 925905DEST_PATH_IMAGE102
处于预设阈值
Figure 208594DEST_PATH_IMAGE103
之内时，则生成实质正常信号，当特征值
Figure 853202DEST_PATH_IMAGE104
处于预设阈值
Figure 106329DEST_PATH_IMAGE105
之外时，则生成实质异常信号，并将生成的实质正常信号和实质异常信号均发送至融合分析单元；
融合分析单元用于对接收的电力电网中的表征类型信号数据和实质类型信号数据进行数据价值分析处理，具体的操作步骤如下：
随机捕捉某个时间节点实时的实质类型信号数据，并据此获取对应时间节点单位时间段的表征类型信号数据，将两者进行集合判定，若获取的信号为表征正常信号和实质正常信号，则输出安全稳定信号，若获取的信号为表征异常信号和实质异常信号或表征考量信号和实质异常信号，则均输出故障危险信号，若获取的信号为表征考量信号和实质正常信号，则输出摆动故障信号；
并将生成的安全稳定信号、故障危险信号以及摆动故障信号均发送至故障预警单元；
故障预警单元用于对接收的安全稳定信号、故障危险信号以及摆动故障信号进行预警反馈分析处理，具体的操作步骤如下：
当故障预警单元接收到安全稳定信号、故障危险信号以及摆动故障信号时，据此进行预警反馈分析处理，具体的操作步骤如下：
当获取到的数据为故障危险信号时，则据此生成一级故障信号，并对应生成文字样本“该变电站的电力电网存在严重的故障问题，需要进行故障解决”发送至显示终端进行输出说明；
当获取到的数据为摆动故障信号时，则据此生成二级故障信号，并对应生成文字样本“该变电站的电力电网存在轻微的故障问题，需要进行故障观察”发送至显示终端进行输出说明；
当获取到的数据为安全稳定信号时，则输出零级故障信号，并对应生成文字样本“该变电站的电力电网运行良好，无需进行任何操作”发送至显示终端进行输出说明。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式，公式中的系数是由本领域技术人员根据实际情况进行设置；
如公式：
Figure 346949DEST_PATH_IMAGE106
；
由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的预设权重因子；将设定的预设权重因子和采集的样本数据代入公式，任意两个公式构成二元一次方程组，将计算得到的系数进行筛选并取均值，得到
Figure 1921DEST_PATH_IMAGE107
和
Figure 551851DEST_PATH_IMAGE108
取值分别为3.2691和6.0309，
Figure 777427DEST_PATH_IMAGE109
取值为0.231；
系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的预设权重因子；只要不影响参数与量化后数值的比例关系即可。
本发明在使用时，通过采集变电站中电力电网单位时间段运行的三相电压电流数据信息，并对其先进行比对分析和符号标定处理，再进行Excel表格统计的统计，并将统计后的Excel表格进行原始矩阵转换，进而实现了原始数据矩阵的操作过程，利用矩阵的方式对运行数据进行表征分析挖掘；
将原始矩阵中的三相电压电流故障状态表现进行数据矩阵的转化、赋值标定、求和统计以及分项比较，从而对变电站的电力电网运行进行了客观论证说明，也进一步促进了对电力电网故障分析的准确性；
通过实时采集变电站中电力电网的线损信息，并进行符号化的标定、公式化的处理以及信号化的输出，从而提高了对变电站的电力电网运行故障的可靠评估分析；
并通过随机抓取实时的实质类型信号数据和调取与之时间节点对应的表征类型信号数据，将两者进行数据整合分析，实现了对变电站中电力电网故障信息的双重判断，从而提高了电力电网故障识别的准确性，也保障了电力电网运行的安全性。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.基于大数据的电力电网故障识别系统，其特征在于，包括数据采集单元、初步故障识别单元、精细故障识别单元、融合分析单元、故障预警单元和显示终端；
所述数据采集单元用于采集单位时间段的电力电网中所有配电线路的三相电压样本值以及三相电流样本值，并将其发送至初步故障识别单元；以及用于实时采集电力电网中所有配电线路的线损样本值，并将其发送至精细故障识别单元；
所述初步故障识别单元对接收的三相电压样本值和三相电流样本值进行矩阵故障分析处理，据此生成表征正常信号、表征异常信号和表征考量信号，并将其发送至融合分析单元；
所述精细故障识别单元对接收的线损样本值进行特征挖掘分析处理，据此生成实质正常信号和实质异常信号，并将其发送至融合分析单元；
所述融合分析单元用于对接收的电力电网中的表征类型信号数据和实质类型信号数据进行数据价值分析处理，据此生成安全稳定信号、故障危险信号以及摆动故障信号，并将其发送至故障预警单元；
所述故障预警单元用于对接收的安全稳定信号、故障危险信号以及摆动故障信号进行预警反馈分析处理，据此生成零级故障信号、一级故障信号和二级故障信号，并分别生成对应的文字样本发送至显示终端进行输出说明。
2.根据权利要求1所述的基于大数据的电力电网故障识别系统，其特征在于，三相电压样本值和三相电流样本值的采集过程如下：
三相电压样本值用于表示单位时间段的各线路多个关键点的电压值，通过采集单位时间段的三相电压样本值，并将其标定为
Figure DEST_PATH_IMAGE001
，其中，i={1,2,3...n}，j={1,2,3...m}，i表示为线路个数，j表示一条线路上的若干关键点，并将电压值
Figure 752066DEST_PATH_IMAGE002
代入额定电压阈值
Figure DEST_PATH_IMAGE003
内进行比对分析，若电压值
Figure 87976DEST_PATH_IMAGE004
处于额定电压阈值
Figure DEST_PATH_IMAGE005
之内，则表示电压运行正常，若电压值
Figure 402283DEST_PATH_IMAGE006
处于额定电压阈值
Figure DEST_PATH_IMAGE007
之外，则表示电压运行异常，并将电压运行正常标定为符号G-1，将电压运行异常标定为符号G-2；
三相电流样本值用于表示单位时间段的各线路不同状态下的电流值，通过采集单位时间段的三相电流样本值，并将其标定为
Figure 911892DEST_PATH_IMAGE008
，其中，i={1,2,3...n}，k={1,2,3...o}，i表示为线路个数，k表示一条线路不同状态表现，并将电流值
Figure DEST_PATH_IMAGE009
代入预设电流阈值
Figure 822211DEST_PATH_IMAGE010
内进行比对分析，若电流值
Figure DEST_PATH_IMAGE011
处于预设电流阈值
Figure 202508DEST_PATH_IMAGE012
之内，则表示电流运行正常，若电流值
Figure DEST_PATH_IMAGE013
处于预设电流阈值
Figure 169939DEST_PATH_IMAGE014
之外，则表示电流运行异常，并将电流运行正常标定为符号H-1，将电流运行异常标定为符号H-2。
3.根据权利要求1所述的基于大数据的电力电网故障识别系统，其特征在于，线损样本值的采集过程如下：
线损样本值用于表示实时采集电力电网环境中从供电的初始端到用电的末端之间整个过程中电能的损耗情况的表现数据，且线损样本值包括路损值和器损值，其中，路损值用于表示电力电网用电网线路的损耗值，且路损值等于流经线路初始端电能值减去流经线路末端电能值差的绝对值与电能总流转值之间的比值，将流经线路初始端电能值标定为
Figure DEST_PATH_IMAGE015
，将流经线路末端电能值标定为
Figure 229162DEST_PATH_IMAGE016
，将电能总流转值标定为
Figure DEST_PATH_IMAGE017
，依据公式
Figure 208750DEST_PATH_IMAGE018
，求得路损值
Figure DEST_PATH_IMAGE019
；
而器损值用于表示电力电网用电设备器件的损耗值，且器损值等于流入设备电能值减去流出设备电能值的绝对值与设备电能总流转值之间的比值，将流入设备电能值标定为
Figure 709133DEST_PATH_IMAGE020
，将流出设备电能值标定为
Figure DEST_PATH_IMAGE021
，将设备电能总流转值标定为
Figure 909783DEST_PATH_IMAGE022
，依据公式
Figure DEST_PATH_IMAGE023
，求得器损值
Figure 659564DEST_PATH_IMAGE024
。
4.根据权利要求1所述的基于大数据的电力电网故障识别系统，其特征在于，所述矩阵故障分析处理的步骤如下：
S1：获取单位时间段的若干三相电压样本值
Figure DEST_PATH_IMAGE025
和若干三相电流样本值
Figure 239581DEST_PATH_IMAGE026
的符号值G-1或G-2和H-1或H-2，并将其进行Excel表格统计，将三相电流符号值项设定为行，将三相电压符号值项设定为列，且取符号值G-1或G-2和H-1或H-2的样本个数量均不小于等于100个；
S2：将统计后的三相电流电压样本数据的Excel表格进行原始矩阵输出，将样本数据的Excel表格的行项和列项分别导入原始矩阵进行输出，且原始矩阵中的行表示是三相电流的故障状态情况，列表示是三相电压的故障状态情况；
S3：将原始矩阵进行状态数据的转换，若原始矩阵中的列和行交叉处的表现数值为0，即
Figure DEST_PATH_IMAGE027
，则表示该时刻的三相电流和三相电压均为无故障状态；若原始矩阵中的列和行交叉处的表现数值为1，即
Figure 328891DEST_PATH_IMAGE028
，则表示该时刻的三相电流为无故障状态，且三相电压为故障状态；若原始矩阵中的列和行交叉处的表现数值为2，即
Figure DEST_PATH_IMAGE029
，则表示该时刻的三相电流为故障状态，且三相电压为无故障状态；若原始矩阵中的列和行交叉处的表现数值为3，即
Figure 638125DEST_PATH_IMAGE030
，则表示该时刻的三相电流与三相电压均为故障状态；
S4：对状态转换矩阵中的表现数值0、1、2、3进行分别求和统计，并将表现数值为0的求和结果标定为
Figure DEST_PATH_IMAGE031
，将表现数值为1的求和结果标定为
Figure 609623DEST_PATH_IMAGE032
，将表现数值为2的求和结果标定为
Figure DEST_PATH_IMAGE033
，将表现数值为3的求和结果标定为
Figure 462173DEST_PATH_IMAGE034
，若
Figure DEST_PATH_IMAGE035
，则输出表征正常信号，若
Figure 937148DEST_PATH_IMAGE036
，则输出表征异常信号，若
Figure DEST_PATH_IMAGE037
，则输出表征考量信号。
5.根据权利要求3所述的基于大数据的电力电网故障识别系统，其特征在于，所述特征挖掘分析处理的步骤如下：
获取实时的线损样本值中的路损值和器损值，并将其标定为
Figure 669480DEST_PATH_IMAGE038
，求得特征值
Figure DEST_PATH_IMAGE039
，其中，
Figure 63028DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE041
分别为路损值
Figure 188110DEST_PATH_IMAGE042
和器损值
Figure DEST_PATH_IMAGE043
的预设权重因子，
Figure 517591DEST_PATH_IMAGE044
为修正系数，且
Figure DEST_PATH_IMAGE045
，
Figure 437137DEST_PATH_IMAGE046
，将
Figure DEST_PATH_IMAGE047
赋值为0.231；
将特征值
Figure 101336DEST_PATH_IMAGE048
代入对应的预设阈值
Figure DEST_PATH_IMAGE049
内进行比对分析，当特征值
Figure 496021DEST_PATH_IMAGE050
处于预设阈值
Figure DEST_PATH_IMAGE051
之内时，则生成实质正常信号，当特征值
Figure 680009DEST_PATH_IMAGE052
处于预设阈值
Figure DEST_PATH_IMAGE053
之外时，则生成实质异常信号。
6.根据权利要求1所述的基于大数据的电力电网故障识别系统，其特征在于，所述数据价值分析处理的步骤如下：
随机捕捉某个时间节点实时的实质类型信号数据，并据此获取对应时间节点单位时间段的表征类型信号数据，将两者进行集合判定，若获取的信号为表征正常信号和实质正常信号，则输出安全稳定信号，若获取的信号为表征异常信号和实质异常信号或表征考量信号和实质异常信号，则均输出故障危险信号，若获取的信号为表征考量信号和实质正常信号，则输出摆动故障信号。
7.根据权利要求6所述的基于大数据的电力电网故障识别系统，其特征在于，所述预警反馈分析处理的步骤如下：
当获取到的数据为故障危险信号时，则据此生成一级故障信号，当获取到的数据为摆动故障信号时，则据此生成二级故障信号，当获取到的数据为安全稳定信号时，则输出零级故障信号，并分别生成对应的文字样本发送至显示终端进行输出说明。
CN202111454918.XA 2021-12-02 2021-12-02 基于大数据的电力电网故障识别系统 Active CN114065875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111454918.XA CN114065875B (zh) 2021-12-02 2021-12-02 基于大数据的电力电网故障识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111454918.XA CN114065875B (zh) 2021-12-02 2021-12-02 基于大数据的电力电网故障识别系统

Publications (2)

Publication Number Publication Date
CN114065875A true CN114065875A (zh) 2022-02-18
CN114065875B CN114065875B (zh) 2022-11-11

Family

ID=80228538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111454918.XA Active CN114065875B (zh) 2021-12-02 2021-12-02 基于大数据的电力电网故障识别系统

Country Status (1)

Country Link
CN (1) CN114065875B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114977483A (zh) * 2022-04-21 2022-08-30 南京师范大学 一种智能电网调控控制设备故障诊断系统
CN116089782A (zh) * 2022-11-23 2023-05-09 国网甘肃省电力公司临夏供电公司 一种多导向匹配的配电网精细化线损数据系统及其应用
CN117347791A (zh) * 2023-11-01 2024-01-05 国网河南省电力公司濮阳供电公司 基于大数据的电力电网故障在线识别系统及方法
CN117347791B (zh) * 2023-11-01 2024-05-03 国网河南省电力公司濮阳供电公司 基于大数据的电力电网故障在线识别系统及方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6718271B1 (en) * 1997-08-28 2004-04-06 Electricity Supply Board Fault detection apparatus and method of detecting faults in an electrical distribution network
CN101266279A (zh) * 2008-05-09 2008-09-17 东北大学 一种电网故障诊断装置及方法
CN102565572A (zh) * 2011-12-04 2012-07-11 江苏省电力公司南京供电公司 配用电网故障研判平台及研判方法
CN103472351A (zh) * 2013-09-12 2013-12-25 国家电网公司 配网线路异常监控方法及装置
CN103618383A (zh) * 2013-11-28 2014-03-05 国家电网公司 配电网监测管理系统
CN104462779A (zh) * 2014-11-16 2015-03-25 贵州大学 采用快速建模与数据质量分析的理论线损在线计算方法
CN104778550A (zh) * 2015-04-15 2015-07-15 国网湖南省电力公司 一种基于实时运行数据的电网质量分析方法
CN105093033A (zh) * 2015-09-01 2015-11-25 华中电网有限公司 一种基于电网多源信息的故障综合分析系统及分析方法
CN105486917A (zh) * 2015-12-23 2016-04-13 万进 一种节能型输电线损耗和故障检测方法
CN106253486A (zh) * 2016-09-28 2016-12-21 国网山东省电力公司梁山县供电公司 一种供电系统故障智能辅助分析系统
CN106682818A (zh) * 2016-12-12 2017-05-17 国网北京市电力公司 配电网信息处理方法和装置
CN107015123A (zh) * 2017-06-06 2017-08-04 云南电网有限责任公司 一种基于录波数据的输电线路故障精确判定方法
CN107991525A (zh) * 2017-11-21 2018-05-04 武汉大学 一种绿色产业园区供用电能效监测与故障责任识别方法及系统
CN108132425A (zh) * 2017-12-18 2018-06-08 云南电网有限责任公司电力科学研究院 电网配电线路故障在线监测方法及系统
CN108573330A (zh) * 2017-03-10 2018-09-25 国网甘肃省电力公司电力科学研究院 配电网降损方法及装置
CN110610212A (zh) * 2019-09-20 2019-12-24 云南电网有限责任公司电力科学研究院 一种配电网的变压器的故障分类方法和故障分类装置
CN110826740A (zh) * 2019-12-03 2020-02-21 杭州绿安智能电网技术有限公司 一种电力电网线路设备故障检测分析系统
CN112348697A (zh) * 2020-10-21 2021-02-09 国网天津市电力公司 基于大数据的电网运行状态综合评估方法及装置
CN113131515A (zh) * 2021-04-07 2021-07-16 沈阳工业大学 智能微电网ai故障检测及网络优化重构系统及方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6718271B1 (en) * 1997-08-28 2004-04-06 Electricity Supply Board Fault detection apparatus and method of detecting faults in an electrical distribution network
CN101266279A (zh) * 2008-05-09 2008-09-17 东北大学 一种电网故障诊断装置及方法
CN102565572A (zh) * 2011-12-04 2012-07-11 江苏省电力公司南京供电公司 配用电网故障研判平台及研判方法
CN103472351A (zh) * 2013-09-12 2013-12-25 国家电网公司 配网线路异常监控方法及装置
CN103618383A (zh) * 2013-11-28 2014-03-05 国家电网公司 配电网监测管理系统
CN104462779A (zh) * 2014-11-16 2015-03-25 贵州大学 采用快速建模与数据质量分析的理论线损在线计算方法
CN104778550A (zh) * 2015-04-15 2015-07-15 国网湖南省电力公司 一种基于实时运行数据的电网质量分析方法
CN105093033A (zh) * 2015-09-01 2015-11-25 华中电网有限公司 一种基于电网多源信息的故障综合分析系统及分析方法
CN105486917A (zh) * 2015-12-23 2016-04-13 万进 一种节能型输电线损耗和故障检测方法
CN106253486A (zh) * 2016-09-28 2016-12-21 国网山东省电力公司梁山县供电公司 一种供电系统故障智能辅助分析系统
CN106682818A (zh) * 2016-12-12 2017-05-17 国网北京市电力公司 配电网信息处理方法和装置
CN108573330A (zh) * 2017-03-10 2018-09-25 国网甘肃省电力公司电力科学研究院 配电网降损方法及装置
CN107015123A (zh) * 2017-06-06 2017-08-04 云南电网有限责任公司 一种基于录波数据的输电线路故障精确判定方法
CN107991525A (zh) * 2017-11-21 2018-05-04 武汉大学 一种绿色产业园区供用电能效监测与故障责任识别方法及系统
CN108132425A (zh) * 2017-12-18 2018-06-08 云南电网有限责任公司电力科学研究院 电网配电线路故障在线监测方法及系统
CN110610212A (zh) * 2019-09-20 2019-12-24 云南电网有限责任公司电力科学研究院 一种配电网的变压器的故障分类方法和故障分类装置
CN110826740A (zh) * 2019-12-03 2020-02-21 杭州绿安智能电网技术有限公司 一种电力电网线路设备故障检测分析系统
CN112348697A (zh) * 2020-10-21 2021-02-09 国网天津市电力公司 基于大数据的电网运行状态综合评估方法及装置
CN113131515A (zh) * 2021-04-07 2021-07-16 沈阳工业大学 智能微电网ai故障检测及网络优化重构系统及方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
JIANPING WU 等: "Sensors Information Fusion System with Fault Detection Based on Multi-Manifold Regularization Neighborhood Preserving Embedding", 《SENSORS》 *
W.P.D.R. PERERA 等: "Fault Detection in Distribution Lines Using Artificial Neural Networks", 《RESEARCHGATE》 *
YANG YANG : "Research on Health Evaluation and Operation and Maintenance Decision of Intelligent Distribution Network Based on Health Index Theory", 《RESEARCH SQUARE》 *
ZUOXUN WANG 等: "Fault Detection of the Power System Based on the Chaotic Neural Network and Wavelet Transform", 《COMPLEXITY》 *
张宇翔: "基于多数据源融合的实时电网故障分析与实现", 《自动化应用》 *
张珵 等: "计及继电保护装置可靠性评估的电网故障诊断方法", 《现代电力》 *
杨扬: "胜利油田110 kV输电线路在线监测系统的研制与应用", 《电子设计工程》 *
江秀臣 等: "电力设备状态大数据分析的研究和应用", 《高电压技术》 *
王伟亮 等: "基于多参数数据融合的电网早期预警系统设计", 《电子设计工程》 *
高森: "大气环境下高压电网输电线路故障识别方法", 《环境技术》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114977483A (zh) * 2022-04-21 2022-08-30 南京师范大学 一种智能电网调控控制设备故障诊断系统
CN114977483B (zh) * 2022-04-21 2024-03-29 南京师范大学 一种智能电网调控控制设备故障诊断系统
CN116089782A (zh) * 2022-11-23 2023-05-09 国网甘肃省电力公司临夏供电公司 一种多导向匹配的配电网精细化线损数据系统及其应用
CN116089782B (zh) * 2022-11-23 2023-11-21 国网甘肃省电力公司临夏供电公司 一种多导向匹配的配电网精细化线损数据系统
CN117347791A (zh) * 2023-11-01 2024-01-05 国网河南省电力公司濮阳供电公司 基于大数据的电力电网故障在线识别系统及方法
CN117347791B (zh) * 2023-11-01 2024-05-03 国网河南省电力公司濮阳供电公司 基于大数据的电力电网故障在线识别系统及方法

Also Published As

Publication number Publication date
CN114065875B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
Mohsenian-Rad et al. Distribution synchrophasors: Pairing big data with analytics to create actionable information
CN114065875B (zh) 基于大数据的电力电网故障识别系统
CN113904448A (zh) 一种基于多维监控智能配电运维服务系统
CN113239132B (zh) 一种电压互感器的超差在线辨识方法
CN109284933B (zh) 一种基于数理统计的电子式互感器状态评估系统及方法
CN112485747A (zh) 一种电容式电压互感器误差状态评估方法
CN111025222A (zh) 基于递推主元分析的电子式电压互感器状态监测方法
CN115018139A (zh) 基于相间特征的电流互感器误差状态在线辨识方法及系统
CN110095661B (zh) 一种配电变压器高压侧缺相故障抢修方法
CN105719094A (zh) 一种输电设备状态评估方法
CN112285634B (zh) 一种双母线结构中高压电压互感器测量误差异常识别方法
CN116125361A (zh) 电压互感器误差评估方法、系统、电子设备及存储介质
CN115453267A (zh) 一种电力信息系统故障诊断系统
CN115248402A (zh) 油浸变压器在线监测系统及方法
KR100576511B1 (ko) 시계열 데이터를 이용한 전력계통 실시간 전압안정도위험지수 계산 시스템 및 방법
CN117060409A (zh) 电力线路运行状态自动化检测分析方法及系统
CN109613372B (zh) 一种基于多元电网数据库的电网故障诊断方法
CN110750760B (zh) 一种基于态势感知和控制图的异常理论线损检测方法
CN109784777B (zh) 基于时序信息片段云相似度度量的电网设备状态评估方法
CN111581802A (zh) 一种配电设备实时综合故障率计算方法和系统
CN108596450B (zh) 电网风险预警方法和系统
CN115684829A (zh) 一种电力二次回路故障检测预警方法及系统
Li et al. Real time evaluation algorithm for measurement performance of substation voltage transformer based on artificial neural network
CN111999695B (zh) 一种变电站计量装置状态评估与异常诊断方法
CN114660399A (zh) 一种环网柜设备状态监测及故障诊断方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221026

Address after: 257000 No. two, 271 North Road, Shandong, Dongying

Applicant after: Shandong Institute of petroleum and chemical engineering

Address before: 257000 No. two, 271 North Road, Shandong, Dongying

Applicant before: Shengli College China University of Petroleum

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230718

Address after: Room 4F401-06, Building 1, No. 800 Naxian Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, 201210

Patentee after: Shanghai Bangding Smart Technology Co.,Ltd.

Address before: 257000 No. two, 271 North Road, Shandong, Dongying

Patentee before: Shandong Institute of petroleum and chemical engineering