CN114252716A - 一种电网故障诊断方法与装置、存储介质 - Google Patents

一种电网故障诊断方法与装置、存储介质 Download PDF

Info

Publication number
CN114252716A
CN114252716A CN202111481530.9A CN202111481530A CN114252716A CN 114252716 A CN114252716 A CN 114252716A CN 202111481530 A CN202111481530 A CN 202111481530A CN 114252716 A CN114252716 A CN 114252716A
Authority
CN
China
Prior art keywords
power grid
data set
fault
fault diagnosis
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.)
Pending
Application number
CN202111481530.9A
Other languages
English (en)
Inventor
田启东
林志贤
郑炜楠
何蓝图
李腾飞
于兆一
林欣慰
李志�
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202111481530.9A priority Critical patent/CN114252716A/zh
Publication of CN114252716A publication Critical patent/CN114252716A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Power Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及一种电网故障诊断方法与装置、存储介质，包括：获取电网的告警信息；获取所述告警信息的小波包时频谱灰度图；调用预设的故障诊断模型对所述小波包时频谱灰度图进行特征识别得到电网故障类型；其中，所述故障诊断模型为CNN‑SVM融合模型；将所述电网故障类型推送给维修终端进行可视化显示；通过本发明，能够解决传统电网故障诊断效率低，不能及时处理电网故障的技术问题。

Description

一种电网故障诊断方法与装置、存储介质
技术领域
本发明涉及电网技术领域，具体涉及一种电网故障诊断方法与装置、存储介质。
背景技术
随着电网规模的迅速扩大，电网负荷也持续走高，其安全性、可靠性和抗外界干扰能力降低。电网随时都可能出现故障，如果不及时恢复，很容易造成连锁故障从而导致大规模的停电事故。
目前，为监测电网的工作状况，采用大量的传感监测设备采集电网的告警信息。配电室接收到告警信息后，传统做法需根据运行经验人工对告警信息中的信息进行判别，技能要求高、耗时需要5分钟，完成判别后，还需分析处置步骤，电话通知相关人员，整个过程耗时长，导致电网故障停电时间长，不能及时处理电网故障。
发明内容
本发明的目的在于提出一种电网故障诊断方法与装置、存储介质，以解决传统电网故障诊断效率低，不能及时处理电网故障的技术问题。
为实现上述目的，本发明的实施例提出一种基于人工智能电网故障诊断方法，包括以下步骤：
获取电网的告警信息；
获取所述告警信息的小波包时频谱灰度图；
调用预设的故障诊断模型对所述小波包时频谱灰度图进行特征识别得到电网故障类型；其中，所述故障诊断模型为CNN-SVM融合模型；
将所述电网故障类型推送给维修终端进行可视化显示。
优选地，所述告警信息至少包括以下数据中的一种：
开关分/合闸数据、保护动作数据、电流变化数据、电压变化数据和温度变化数据。
优选地，所述故障诊断模型采用以下方法得到：
获取历史告警信息，并根据所述历史告警信息构建训练数据集和测试数据集；
将所述训练数据集训练数据集中的数据输入神经网络模型对所述神经网络模型进行训练，得到训练后的神经网络模型；
将所述测试数据集中的数据输入训练后的神经网络模型获取诊断数据集；
将所述诊断数据集与测试数据集进行对比，计算诊断准确率；
若所述诊断准确率大于等于预设的阈值，将训练后的神经网络模型作为故障诊断模型。
优选地，若所述诊断准确率小于预设的阈值，扩充训练数据集，采用扩充后的训练数据集重新对训练后的神经网络模型进行训练。
优选地，所述训练数据集包括一一对应的第一告警信息和第一故障类型数据；所述测试数据集包括一一对应的第二告警信息和第二故障类型数据。
优选地，将所述诊断数据集与测试数据集进行对比，计算诊断准确率，具体包括：
将所述诊断数据集与所述测试数据集中的第二故障类型数据一一进行对比，统计正确诊断数据个数；
根据正确诊断数据个数与诊断数据集的数据总数计算诊断准确率。
优选地，所述电网故障类型包括短路故障、开路故障和自然灾害故障中的一种。
本发明的实施例还提出一种电网故障诊断装置，可以用于实现上述的电网故障诊断方法，包括：
信息获取模块，用于获取电网的告警信息；
灰度图获取模块，用于获取所述告警信息的小波包时频谱灰度图；
故障识别模块，用于调用预设的故障诊断模型对所述小波包时频谱灰度图进行特征识别得到电网故障类型；其中，所述故障诊断模型为CNN-SVM融合模型；
显示模块，用于将所述电网故障类型推送给维修终端进行可视化显示。
本发明的实施例还一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述的电网故障诊断方法。
本发明的实施例基于人工智能的电网故障诊断方法、装置能够有效减轻监控分析工作量，自动完成对电网故障的智能判别，将故障信息实时、完整地推送给相关人员，为现场抢修、故障恢复提供全面的数据支撑，并提供多种方式的智能辅助处置手段，实现了电网运行监控全过程智能化，为电网稳定运行提供了技术保障。
本发明实施例的其它特征和优点将在随后的说明书中阐述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种电网故障诊断方法的流程示意图。
图2为本发明实施例中一种电网故障诊断装置的框架示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。另外，为了更好的说明本发明，在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的手段未作详细描述，以便于凸显本发明的主旨。
本发明一实施例提出一种电网故障诊断方法，其可以通过一个服务器作为主体来执行，包括以下步骤S1-S4；
S1：获取电网的告警信息；
具体而言，电网的告警信息通过设置在电网各处的电力监测装置获取，电力监测装置采集到电网相应位置的告警信息后上传到服务器中；所述告警信息至少包括以下数据中的一种：开关分/合闸数据、保护动作数据、电流变化数据、电压变化数据和温度变化数据；
S2：获取所述告警信息的小波包时频谱灰度图；
S3：调用预设的故障诊断模型对所述小波包时频谱灰度图进行特征识别得到电网故障类型；其中，所述故障诊断模型为CNN-SVM融合模型；
具体而言，服务器接收到电力监测装置上传的告警信息后，调用预设的故障诊断模型对告警信息进行识别，获取电网告警运行特征，根据电网告警运行特征确认得到电网故障类型；
本实施例中，所述电网故障类型包括短路故障、开路故障和自然灾害故障中的一种；其中，短路故障有单相接地短路、两相短路、两相接地短路、三相短路；开路故障有一相断线和两相断线；自然灾害故障有泥石流、洪水或冻雨等造成的电网故障；
本实施例中，调用该故障诊断模型对告警信息进行识别，提炼电网告警运行特征，经过人工进一步校核优化后，组成电网故障类型判断规则；本实施例中，将电网告警运行特征与电网故障一一对应，并通过人工进行校验后，即可形成电网故障类型判断规则；将电网故障类型判断规则导入该故障诊断模型中，故障诊断模型利用该电网故障类型判断规则判断电网故障类型，此处的规则应理解为在训练时，人工给定各类型的正常数据、故障数据以及对应的故障类型，让神经网络学习电网故障类型判断规则，从而能够根据输入数据判断是否故障以及对应故障类型；
具体的，所述故障诊断模型采用以下方法得到：
S31：获取历史告警信息，并根据所述历史告警信息构建训练数据集和测试数据集；
本实施例中，所述训练数据集包括一一对应的第一告警信息和第一故障类型数据，所述测试数据集包括一一对应的第二告警信息和第二故障类型数据；
S32：将所述训练数据集训练数据集中的数据输入神经网络模型对所述神经网络模型进行训练，得到训练后的神经网络模型；
对神经网络模型进行训练时，需要将训练数据集中的第一告警信息和第一故障类型数据全部对应输入到神经网络模型中对神经网络模型进行训练，从而得到训练后的神经网络模型；
S33：将所述测试数据集中的数据输入训练后的神经网络模型获取诊断数据集；
获得训练后的神经网络模型后，需要对训练后的神经网络模型进行测试，以判断训练后的神经网络模型的准确率；做测试时，将测试数据集中的第二告警信息输入训练后的神经网络模型，获取训练后的神经网络模型输出的电网故障类型的判断结果，作为诊断数据集；
S34：将所述诊断数据集与测试数据集进行对比，计算诊断准确率；
具体的，将所述诊断数据集与所述测试数据集中的第二故障类型数据一一进行对比，统计正确诊断数据个数；根据正确诊断数据个数与诊断数据集的数据总数计算诊断准确率，诊断准确率即为正确诊断数据个数与诊断数据集的数据总数的比值；
S35：若所述诊断准确率大于等于预设的阈值，将训练后的神经网络模型作为故障诊断模型；
例如，设定阈值为0.98，训练后的神经网络模型的诊断准确率为0.99，大于设定的阈值，因此，可以将训练后的神经网络模型作为故障诊断模型；
S35：若所述诊断准确率小于预设的阈值，扩充训练数据集，采用扩充后的训练数据集重新对训练后的神经网络模型进行训练；
例如，训练后的神经网络模型的诊断准确率为0.92，小于设定的阈值，因此需要继续对训练后的神经网络模型进行训练，继续训练时，需要扩大训练数据集中的数据数量，使神经网络模型学习到更多更有效的特征，降低噪声对模型的影响,直至训练到神经网络模型的诊断准确率大于等于预设的阈值时，即可将该继续训练后的神经网络模型作为故障诊断模型；
具体的，本实施例中，故障诊断模型采用CNN-SVM融合模型，CNN-SVM融合模型由预先训练得到；
CNN是一种专门处理多维结构数据的前馈神经网络，依靠其强大的学习性能，在语音识别、文本分类和图像辨识等方面发挥了重要作用；CNN主要由卷积层、池化层和全连接层交叉堆叠而成；例如，可以由M个卷积层和H个池化层构成一个卷积块，在N个卷积块后连结K个全连接层；传统CNN中一般选择Softmax分类器作为输出层；
因为CNN通过拟合非线性数据进行分类，且通过梯度下降的方式进行训练，所以激活函数必须为非线性可导函数；本发明实施例选用tanh函数作为激活函数,其数学表达式为：
Figure BDA0003395042790000061
式中：τ为特征子图经卷积运算后像素值的大小；
损失函数又称为代价函数，用来计算预测输出与真实输出之间的误差；针对故障分类问题，本发明实施例使用交叉熵(Cross Entropy,CE)损失函数；
SVM是基于统计学理论的一种机器学习方法；该模型是针对结构风险最小化原则提出的，具有泛化能力强和计算速度快的特点；针对多分类问题，SVM比传统CNN中的Softmax分类器具有更加优越的分类性能；因此，本发明实施例选用SVM代替Softmax分类器作为最终分类器；
训练时，先获取已标记故障类型的故障训练数据，然后采用小波包多尺度分解，构建故障数据的时频谱灰度图；
得到故障数据的时频谱灰度图后，具体按照下述方法训练即可得到CNN-SVM融合模型：
(1)通过CNN模型从小波包时频谱灰度图中抽取故障电气量信号的局部特征，并将局部特征整合形成全局特征，利用所述全局特征和标记的故障类型标签对CNN模型进行训练，得到CNN模型的参数；
(2)迁移CNN模型中输入层到压平Flatten层的参数，利用Flatten层的输出数据和故障类型标签对SVM进行训练；
(3)将传统CNN模型中的Softmax分类器替换为SVM，生成分类性能良好的CNN-SVM融合模型；
本实施例中，通过CNN模型从小波包时频谱灰度图中抽取故障电气量信号的局部特征，并整合形成全局特征，该全局特征即为电网告警运行特征；CNN模型对小波包时频谱灰度图进行处理后，输出故障类型标签；SVM对输出的故障类型标签进行分类确定故障类型；
S4：将所述电网故障类型推送给维修终端进行可视化显示；
服务器调用故障诊断模型对所述告警信息进行识别，得到电网故障类型后，为方便现场的维修人员及时确认电网故障，服务器会自动将电网故障类型通过无线通信的方式推送给维修终端，维修人员通过维修终端接收到电网故障类型后即可快速开始进行维修作业，保证电网快速恢复运行；
本发明的基于人工智能电网故障诊断方法能够有效减轻监控分析工作量，自动完成对电网故障的智能判别，将故障信息实时、完整地推送给相关人员，为现场抢修、故障恢复提供全面的数据支撑，并提供多种方式的智能辅助处置手段，实现了电网运行监控全过程智能化，为电网稳定运行提供了技术保障；
实施本发明的方法能够提供人工智能进行事件实时推送、场景切换、结果校核、闭环优化等功能，实现电网故障后抢修人员、用户的实时感知，同时还能延伸提供负荷转供、精准控制等调控智能辅助故障处置恢复手段和预案，全面应用后预计电网故障停电时间可缩短15％以上；
基于相同的发明构思，本发明的另一实施例还提供了一种电网故障诊断装置，本实施例装置的各个模块可以用于执行上述实施例的方法的各个步骤；如图2所示，本实施例装置可以包括：
信息获取模块1，用于获取电网的告警信息；
灰度图获取模块2，用于获取所述告警信息的小波包时频谱灰度图；
故障识别模块3，用于调用预设的故障诊断模型对所述小波包时频谱灰度图进行特征识别得到电网故障类型；其中，所述故障诊断模型为CNN-SVM融合模型；
显示模块4，用于将所述电网故障类型推送给维修终端进行可视化显示。
本实施例的装置与上述实施例的方法对应，因此，关于本实施例的装置未详述的部分可以参阅上述实施例的方法获得，此处不再赘述。
本发明的实施例还一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述的电网故障诊断方法。
具体而言，所述计算机可读存储介质可以包括：能够携带所述计算机程序指令的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种基于人工智能电网故障诊断方法，其特征在于，包括以下步骤：
获取电网的告警信息；
获取所述告警信息的小波包时频谱灰度图；
调用预设的故障诊断模型对所述小波包时频谱灰度图进行特征识别得到电网故障类型；其中，所述故障诊断模型为CNN-SVM融合模型；
将所述电网故障类型推送给维修终端进行可视化显示。
2.根据权利要求1所述的一种基于人工智能电网故障诊断方法，其特征在于，所述告警信息至少包括以下数据中的一种：
开关分/合闸数据、保护动作数据、电流变化数据、电压变化数据和温度变化数据。
3.根据权利要求1所述的一种基于人工智能电网故障诊断方法，其特征在于，所述故障诊断模型采用以下方法得到：
获取历史告警信息，并根据所述历史告警信息构建训练数据集和测试数据集；
将所述训练数据集训练数据集中的数据输入神经网络模型对所述神经网络模型进行训练，得到训练后的神经网络模型；
将所述测试数据集中的数据输入训练后的神经网络模型获取诊断数据集；
将所述诊断数据集与测试数据集进行对比，计算诊断准确率；
若所述诊断准确率大于等于预设的阈值，将训练后的神经网络模型作为故障诊断模型。
4.根据权利要求3所述的一种基于人工智能电网故障诊断方法，其特征在于，若所述诊断准确率小于预设的阈值，扩充训练数据集，采用扩充后的训练数据集重新对训练后的神经网络模型进行训练。
5.根据权利要求3所述的一种基于人工智能电网故障诊断方法，其特征在于，所述训练数据集包括一一对应的第一告警信息和第一故障类型数据；所述测试数据集包括一一对应的第二告警信息和第二故障类型数据。
6.根据权利要求5所述的一种基于人工智能电网故障诊断方法，其特征在于，将所述诊断数据集与测试数据集进行对比，计算诊断准确率，具体包括：
将所述诊断数据集与所述测试数据集中的第二故障类型数据一一进行对比，统计正确诊断数据个数；
根据正确诊断数据个数与诊断数据集的数据总数计算诊断准确率。
7.根据权利要求1所述的一种基于人工智能电网故障诊断方法，其特征在于，所述电网故障类型包括短路故障、开路故障和自然灾害故障中的一种。
8.一种电网故障诊断装置，其特征在于，包括：
信息获取模块，用于获取电网的告警信息；
灰度图获取模块，用于获取所述告警信息的小波包时频谱灰度图；
故障识别模块，用于调用预设的故障诊断模型对所述小波包时频谱灰度图进行特征识别得到电网故障类型；其中，所述故障诊断模型为CNN-SVM融合模型；
显示模块，用于将所述电网故障类型推送给维修终端进行可视化显示。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7中任一项所述的方法。
CN202111481530.9A 2021-12-06 2021-12-06 一种电网故障诊断方法与装置、存储介质 Pending CN114252716A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111481530.9A CN114252716A (zh) 2021-12-06 2021-12-06 一种电网故障诊断方法与装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111481530.9A CN114252716A (zh) 2021-12-06 2021-12-06 一种电网故障诊断方法与装置、存储介质

Publications (1)

Publication Number Publication Date
CN114252716A true CN114252716A (zh) 2022-03-29

Family

ID=80794112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111481530.9A Pending CN114252716A (zh) 2021-12-06 2021-12-06 一种电网故障诊断方法与装置、存储介质

Country Status (1)

Country Link
CN (1) CN114252716A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115356599A (zh) * 2022-10-21 2022-11-18 国网天津市电力公司城西供电分公司 一种多模态城市电网故障诊断方法及系统
CN116184124A (zh) * 2023-04-26 2023-05-30 华东交通大学 一种配电网故障类型识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110455537A (zh) * 2019-09-18 2019-11-15 合肥工业大学 一种轴承故障诊断方法及系统
CN111650921A (zh) * 2020-05-20 2020-09-11 国网江苏省电力有限公司泰州供电分公司 一种智能电网调控控制系统设备故障诊断方法及系统
CN112526959A (zh) * 2019-09-19 2021-03-19 北京国双科技有限公司 一种抽油泵故障诊断方法、装置、设备及存储介质
CN112557826A (zh) * 2020-12-08 2021-03-26 上海海事大学 一种船舶电力系统故障诊断方法
CN113049914A (zh) * 2021-03-15 2021-06-29 广东电网有限责任公司清远供电局 一种输电线路故障诊断方法、系统、电子设备和存储介质
CN113155469A (zh) * 2021-03-19 2021-07-23 黑龙江机智通智能科技有限公司 发动机故障诊断报警系统及装置
CN113673630A (zh) * 2021-09-15 2021-11-19 国网能源研究院有限公司 配电网故障分类方法、系统及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110455537A (zh) * 2019-09-18 2019-11-15 合肥工业大学 一种轴承故障诊断方法及系统
CN112526959A (zh) * 2019-09-19 2021-03-19 北京国双科技有限公司 一种抽油泵故障诊断方法、装置、设备及存储介质
CN111650921A (zh) * 2020-05-20 2020-09-11 国网江苏省电力有限公司泰州供电分公司 一种智能电网调控控制系统设备故障诊断方法及系统
CN112557826A (zh) * 2020-12-08 2021-03-26 上海海事大学 一种船舶电力系统故障诊断方法
CN113049914A (zh) * 2021-03-15 2021-06-29 广东电网有限责任公司清远供电局 一种输电线路故障诊断方法、系统、电子设备和存储介质
CN113155469A (zh) * 2021-03-19 2021-07-23 黑龙江机智通智能科技有限公司 发动机故障诊断报警系统及装置
CN113673630A (zh) * 2021-09-15 2021-11-19 国网能源研究院有限公司 配电网故障分类方法、系统及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何正友 等: "智能信息处理在电网故障诊断中的应用", 西南交通大学出版社, pages: 4 - 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115356599A (zh) * 2022-10-21 2022-11-18 国网天津市电力公司城西供电分公司 一种多模态城市电网故障诊断方法及系统
CN116184124A (zh) * 2023-04-26 2023-05-30 华东交通大学 一种配电网故障类型识别方法

Similar Documents

Publication Publication Date Title
CN111368890A (zh) 故障检测方法及装置、信息物理融合系统
CN114252716A (zh) 一种电网故障诊断方法与装置、存储介质
CN112434799B (zh) 基于全卷积神经网络的非侵入式负荷识别方法
CN109630347B (zh) 故障诊断的水电站调速器油压智能控制系统及诊断方法
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及系统
CN112883929B (zh) 在线视频异常行为检测模型训练、异常检测方法及系统
CN109638826B (zh) 一种基于cnn的电网拓扑辨识方法及系统
CN105574669A (zh) 时空联合数据聚类分析的输变电设备状态异常检测方法
CN109061391B (zh) 一种基于计算机视觉潮流图的电网故障诊断方法及系统
CN113033772A (zh) 一种基于联邦学习的多设备状态监测方法
CN116387661A (zh) 一种锂电池安全运维管理系统及锂电池健康状态评估方法
CN117612345A (zh) 一种电力设备状态监测报警系统及方法
CN112924813B (zh) 基于电气数据的配电网短路故障监控方法及装置
CN117036103A (zh) 基于lstm循环神经网络的电力系统运行态势预测方法
Dong et al. Fault diagnosis and classification in photovoltaic systems using scada data
CN104573866A (zh) 一种预测电力设备缺陷的方法和系统
CN115827318A (zh) 数据中心的异常处理方法、装置、电子设备及介质
CN113298840B (zh) 基于带电作业场景下的多模态物体检测方法、系统、装置及存储介质
CN115374211A (zh) 基于物联网的车间设备运行监测方法、装置和计算机设备
CN114821042A (zh) 一种联合局部特征和全局特征的r-fcn刀闸检测方法
CN114791537A (zh) 基于属性自适应的工业设备剩余使用寿命预测方法及系统
CN113541320A (zh) 一种电网停复电可视化监控方法、系统及存储介质
Shan et al. Design and implementation of fault diagnosis system for power communication network based on CNN
CN113052424A (zh) 一种配电网的自动算法
CN117559502B (zh) 一种新能源储能变流升压一体舱

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