CN114124721B - 一种基于电力载波的拓扑自动识别方法 - Google Patents
一种基于电力载波的拓扑自动识别方法 Download PDFInfo
- Publication number
- CN114124721B CN114124721B CN202111361789.XA CN202111361789A CN114124721B CN 114124721 B CN114124721 B CN 114124721B CN 202111361789 A CN202111361789 A CN 202111361789A CN 114124721 B CN114124721 B CN 114124721B
- Authority
- CN
- China
- Prior art keywords
- power
- power carrier
- time reference
- clustering
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000000969 carrier Substances 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000006073 displacement reaction Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013209 evaluation strategy Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种基于电力载波的拓扑自动识别方法,包括:实时获取电力载波集中器的时间基准数据集;基于电力载波所在的分支进行随机上电,所述随机上电时间间隔大于预设阈值;利用所述电力载波集中器接收所述电力载波上电时刻及所有分支合闸完成后的时间基准及其对应的位移编码;基于深度神经网络对所述时间基准数据集进行分类,并计算每个类别中时间基准数据集进行处理得到强干扰项;剔除所述强干扰项,将剔除干扰项后的电力载波集合作为分支形成网络拓扑结构。本发明在无需增加任何外部设备的条件下,仅仅依赖载波通信模块即可实现拓扑识别,且本发明提出的拓扑识别方法,准确率高,操作简单,不增加成本,不增加运维难度,具有强鲁棒性。
Description
技术领域
本发明涉及电力载波通信的技术领域,尤其涉及一种基于电力载波的拓扑自动识别方法。
背景技术
现有技术中的拓扑识别方法均需要依赖在分支上安装的外部设备,如电流脉冲发生器、分支电流检测器、晶闸管等外部设备,这种技术增加了拓扑识别的成本,增加了系统的复杂度,增加了电网故障发生的概率,同时由于需要外部增加设备,给电网的运维也带来了更大的困难。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有技术增加了拓扑识别的成本,增加了系统的复杂度,增加了电网故障发生的概率,同时由于需要外部增加设备,给电网的运维也带来了更大的困难。
为解决上述技术问题,本发明提供如下技术方案:实时获取电力载波集中器的时间基准数据集;基于电力载波所在的分支进行随机上电,所述随机上电时间间隔大于预设阈值;利用所述电力载波集中器接收所述电力载波上电时刻及所有分支合闸完成后的时间基准及其对应的位移编码;基于深度神经网络对所述时间基准数据集进行分类,并计算每个类别中时间基准数据集进行处理得到强干扰项;剔除所述强干扰项,将剔除干扰项后的电力载波集合作为分支形成网络拓扑结构。
作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案,其中:当所述电力载波处于未上电状态时对系统进行初始化。
作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案,其中:定义所述电力载波所在分支上电时间间隔大于T,所述时间间隔T为100毫秒。
作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案,其中:所述时间基准数据集包括所述集中器运行后实时获取的时间基准、所述集中器在收到所述电力载波集中器上电接入时刻的时间基准以及所有所述分支合闸完成后所述集中器所获得的所有电力载波上电的时间基准值。
作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案,其中:所述深度神经网络包括聚类算法。
作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案,其中:基于所述聚类算法对所述时间基准数据集进行分类包括,利用不同的聚类算法对数据集进行聚类;基于有效性评估策略对所述聚类结果进行评价,根据所述评价结果构建相关性矩阵;计算所述相关性矩阵的权重值,根据所述权重值计算结果选择最优聚类算法。
作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案,其中:所述利用不同的聚类算法对数据集进行聚类包括,获取所述基准数据集,判断其是否有类标签;若有,则选择相似数据集作为训练数据集;若没有,则选择所述基准数据集的原始数据集作为训练数据集;利用所述不同的聚类算法分别对所述训练数据集进行聚类,得到所述聚类结果。
作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案,其中:所述相关性矩阵的构建方法包括,计算所述聚类结果的有效性评价指标;基于所述有效性评价指标构建所述相关性矩阵。
作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案,其中:所述相关性矩阵的权重计算公式包括,
其中,TF(w,d)表示相关性矩阵每个点值数据与其他数据的偏差,j表示,行数,W表示网络训练参数,p表示数值出现概率值,F(w)表示线性函数,N表示常数系数。
作为本发明所述的基于电力载波的拓扑自动识别方法的一种优选方案,其中:所述计算每个类别中时间基准数据集进行处理得到强干扰项包括,计算所有电力载波的时间基准平均值以及其均方差;计算所述聚类结果中元素的期望,若所述元素大于所述期望的两倍,则定义其为强干扰项,并进行剔除。
本发明的有益效果:本发明在无需增加任何外部设备的条件下,仅仅依赖载波通信模块即可实现拓扑识别,且本发明提出的拓扑识别方法,准确率高,操作简单,不增加成本,不增加运维难度,具有强鲁棒性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于电力载波的拓扑自动识别方法的基本流程示意图;
图2为本发明一个实施例提供的一种基于电力载波的拓扑自动识别方法的网络拓扑结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~2,为本发明的一个实施例,提供了一种基于电力载波的拓扑自动识别方法,包括:
S1:实时获取电力载波集中器的时间基准数据集.
需要说明的是,时间基准数据集包括集中器运行后实时获取的时间基准、集中器在收到电力载波集中器上电接入时刻的时间基准以及所有分支合闸完成后集中器所获得的所有电力载波上电的时间基准值。
S2:基于电力载波所在的分支进行随机上电,随机上电时间间隔大于预设阈值。
S3:利用电力载波集中器接收电力载波上电时刻及所有分支合闸完成后的时间基准及其对应的位移编码。
需要说明的是,S1~S3步骤具体包括:
(1)初始化,各个分支的载波模块STA均处于未上电状况;
(2)集中器CCO上电,CCO运行后实时获取CCO的NTB值(NTB为CCO的时间基准);
(3)STA所在的分支随机上电,各个STA所在的分支上电时间间隔大于T,T一般为100毫秒;
(4)集中器CCO在收到STA上电接入的时刻记录当下NTB值,以及对应的STA唯一编码;
(5)直到所有分支全部合闸完成,集中器CCO即可获得所有STA上电的NTB时刻以及其对应的唯一编号。
S4:基于深度神经网络对时间基准数据集进行分类,并计算每个类别中时间基准数据集进行处理得到强干扰项。
需要说明的是,深度神经网络包括聚类算法。
具体的,基于聚类算法对时间基准数据集进行分类包括:
利用不同的聚类算法对数据集进行聚类;
基于有效性评估策略对聚类结果进行评价,根据评价结果构建相关性矩阵;
计算相关性矩阵的权重值,根据权重值计算结果选择最优聚类算法。
其中,利用不同的聚类算法对数据集进行聚类包括:
获取基准数据集,判断其是否有类标签;
若有,则选择相似数据集作为训练数据集;
若没有,则选择基准数据集的原始数据集作为训练数据集;
利用不同的聚类算法分别对训练数据集进行聚类,得到聚类结果。
更加具体的,相关性矩阵的构建方法包括:
计算聚类结果的有效性评价指标;
基于有效性评价指标构建相关性矩阵。
进一步的,相关性矩阵的权重计算公式包括:
其中,TF(w,d)表示相关性矩阵每个点值数据与其他数据的偏差,j表示,行数,W表示网络训练参数,p表示数值出现概率值,F(w)表示线性函数,N表示常数系数。
S5:剔除强干扰项,将剔除干扰项后的电力载波集合作为分支形成网络拓扑结构。
需要说明的是,计算每个类别中时间基准数据集进行处理得到强干扰项包括:
计算所有电力载波的时间基准平均值以及其均方差;
计算聚类结果中元素的期望,若元素大于期望的两倍,则定义其为强干扰项,并进行剔除。
具体的,采用聚类算法将所有STA的NTB进行分类,所有的STA一共有N个,通过聚类算法根据NTB进行分类可以分为K类,每个类分别有J1,J2,…JK个;
在一个类中,计算所有STA的NTB的均值,为M1,M2…MK,计算每个STA的NTB的均方差,在J1中有{e1,e2…ej1},在J2中有{e1,e2…ej2}……在Jk中有{e1,e2…ejk}
对于每J中的元素e,计算期望Ej,如果元素e大于期望Ej的两倍,则视为强干扰项,剔除这个集合;
经过干扰剔除后,每个集合中的STA则作为一个分支,至此,所有的网络拓扑已经计算完成。
当整个电力网络完成合闸后,CCO即可收集完所有的STA信标的NTB时刻以及相应的STA唯一编码,即可将同一NTB值的STA归为同一分支,即可获得整个网络的分支拓扑关系。
本发明在无需增加任何外部设备的条件下,仅仅依赖载波通信模块即可实现拓扑识别,且提出的拓扑识别方法,准确率高,操作简单,不增加成本,不增加运维难度,具有强鲁棒性。
实施例2
该实施例为本发明另一个实施例,该实施例不同于第一个实施例的是,提供了一种基于电力载波的拓扑自动识别方法的验证测试,为对本方法中采用的技术效果加以验证说明,本实施例采用传统技术方案与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
传统的技术方案:高成本,运维难度高以及识别准确率低,为验证本方法相对传统方法具有较强的鲁棒性。本实施例中将采用传统拓扑识别方法和本方法分别对仿真电力系统的拓扑识别效率进行实时测量对比。
测试环境:在仿真平台模拟运行电力系统并模拟不同的拓扑结构,分别利用传统方法和本方法,开启自动化测试设备并运用MATLB软件编程实现两种方法的仿真测试,根据实验结果得到仿真数据,结果如下表所示。
从上表可以看出,相较于传统方法,本发明方法具有较强的鲁棒性。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于电力载波的拓扑自动识别方法,其特征在于,包括:
实时获取电力载波集中器的时间基准数据集;
基于电力载波所在的分支进行随机上电,随机上电时间间隔大于预设阈值;
利用电力载波集中器接收电力载波上电时刻及所有分支合闸完成后的时间基准及其对应的位移编码;
基于深度神经网络对时间基准数据集进行分类,并计算每个类别中时间基准数据集进行处理得到强干扰项;
剔除强干扰项,将剔除干扰项后的电力载波集合作为分支形成网络拓扑结构;
所述深度神经网络包括聚类算法,基于所述聚类算法对时间基准数据集进行分类包括,
利用不同的聚类算法对数据集进行聚类;
基于有效性评估策略对聚类结果进行评价,根据评价结果构建相关性矩阵;
计算相关性矩阵的权重值,根据权重值计算结果选择最优聚类算法;
所述利用不同的聚类算法对数据集进行聚类包括,
获取基准数据集,判断其是否有类标签;
若有,则选择相似数据集作为训练数据集;
若没有,则选择基准数据集的原始数据集作为训练数据集;
利用不同的聚类算法分别对训练数据集进行聚类,得到聚类结果;
所述计算每个类别中时间基准数据集进行处理得到强干扰项包括,
计算每个类别中的所有电力载波的时间基准平均值以及其均方差;
计算聚类结果每个类别中元素的期望,若元素大于期望的两倍,则定义其为强干扰项,并进行剔除;
所述相关性矩阵的权重计算公式包括,
其中,w为相关性矩阵中的点值数据,d为相关性矩阵中的其他数据,TF(w,d)表示相关性矩阵每个点值数据与其他数据的偏差,j表示行数,W表示网络训练参数,p表示数值出现概率值,F(w)表示线性函数,N表示常数系数。
2.如权利要求1所述的基于电力载波的拓扑自动识别方法,其特征在于:当所述电力载波处于未上电状态时对系统进行初始化。
3.如权利要求1或2所述的基于电力载波的拓扑自动识别方法,其特征在于:定义所述电力载波所在分支上电时间间隔大于T,时间间隔T为100毫秒。
4.如权利要求1所述的基于电力载波的拓扑自动识别方法,其特征在于:所述时间基准数据集包括集中器运行后实时获取的时间基准,集中器在收到电力载波集中器上电接入时刻的时间基准以及所有分支合闸完成后集中器所获得的所有电力载波上电的时间基准值。
5.如权利要求1所述的基于电力载波的拓扑自动识别方法,其特征在于:所述相关性矩阵的构建方法包括,
计算聚类结果的有效性评价指标;
基于有效性评价指标构建所述相关性矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361789.XA CN114124721B (zh) | 2021-11-17 | 2021-11-17 | 一种基于电力载波的拓扑自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111361789.XA CN114124721B (zh) | 2021-11-17 | 2021-11-17 | 一种基于电力载波的拓扑自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114124721A CN114124721A (zh) | 2022-03-01 |
CN114124721B true CN114124721B (zh) | 2023-12-01 |
Family
ID=80396039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111361789.XA Active CN114124721B (zh) | 2021-11-17 | 2021-11-17 | 一种基于电力载波的拓扑自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114124721B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224867B (zh) * | 2022-11-14 | 2024-03-08 | 江苏工程职业技术学院 | 一种多智能体系统的二分包容控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659693A (zh) * | 2019-09-26 | 2020-01-07 | 国网湖南省电力有限公司 | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 |
CN111245095A (zh) * | 2020-01-16 | 2020-06-05 | 遵义贵华能源科技有限公司 | 一种低压配电网拓扑识别系统的拓扑识别方法 |
CN112510841A (zh) * | 2020-12-09 | 2021-03-16 | 国网北京市电力公司 | 配电自动化的拓扑识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10288667B2 (en) * | 2016-05-19 | 2019-05-14 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method and system for fault detection and faulted line identification in power systems using synchrophasors-based real-time state estimation |
-
2021
- 2021-11-17 CN CN202111361789.XA patent/CN114124721B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659693A (zh) * | 2019-09-26 | 2020-01-07 | 国网湖南省电力有限公司 | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 |
CN111245095A (zh) * | 2020-01-16 | 2020-06-05 | 遵义贵华能源科技有限公司 | 一种低压配电网拓扑识别系统的拓扑识别方法 |
CN112510841A (zh) * | 2020-12-09 | 2021-03-16 | 国网北京市电力公司 | 配电自动化的拓扑识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于数据挖掘的户变拓扑关系辨识算法研究;谷海彤;张远亮;卢翔智;崔卓;杜锦阳;;数字技术与应用(第12期);正文第一节 * |
Also Published As
Publication number | Publication date |
---|---|
CN114124721A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116058B (zh) | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 | |
CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
Parimala et al. | A survey on density based clustering algorithms for mining large spatial databases | |
CN114124721B (zh) | 一种基于电力载波的拓扑自动识别方法 | |
CN113191918B (zh) | 基于时序生成对抗网络的月度风光发电功率场景分析方法 | |
CN114024829B (zh) | 电力通信网络的故障检修方法、装置、设备和存储介质 | |
CN109188211A (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
CN106845562B (zh) | 光伏组件的故障监测系统及数据处理方法 | |
WO2023029654A1 (zh) | 一种故障根因确定方法、装置、存储介质及电子装置 | |
CN111859283B (zh) | 一种考虑多能源荷时序性、相关性的场景生成方法 | |
CN112787591A (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
CN114386538A (zh) | 一种标记监测指标的kpi曲线的波段特征的方法 | |
CN107402859A (zh) | 软件功能验证系统及其验证方法 | |
CN110321555A (zh) | 一种基于循环神经网络模型的电网信号分类方法 | |
CN116011330A (zh) | 一种基于改进随机森林的电力系统电压稳定评估方法 | |
CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
CN112686404B (zh) | 一种基于配电网故障抢修的协同优化方法 | |
CN110458341A (zh) | 一种考虑气象特性的超短期风电预测方法及系统 | |
CN117557415A (zh) | 一种基于智慧物业的社区资源管理方法及系统 | |
CN108846476A (zh) | 一种基于卷积神经网络的智能终端安全等级分类方法 | |
CN116663414A (zh) | 一种用于电力变压器的故障诊断方法及系统 | |
CN116454856A (zh) | 一种基于sc-dtw算法的低压配电网户变拓扑辨识方法 | |
Intriago et al. | Online dictionary learning based fault and cyber attack detection for power systems | |
CN115687902A (zh) | 一种基于maml的新负荷小样本识别方法 | |
CN113466630B (zh) | 一种基于rsspn模型的配电网故障原因分类方法 |
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 |