CN114252727A - 一种基于人工智能技术的电网故障快速诊断方法 - Google Patents
一种基于人工智能技术的电网故障快速诊断方法 Download PDFInfo
- Publication number
- CN114252727A CN114252727A CN202111341632.0A CN202111341632A CN114252727A CN 114252727 A CN114252727 A CN 114252727A CN 202111341632 A CN202111341632 A CN 202111341632A CN 114252727 A CN114252727 A CN 114252727A
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- power grid
- petri network
- fault diagnosis
- 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
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人工智能技术的电网故障快速诊断方法,包括以下步骤:构建多层Petri网络故障诊断模型;当电网发生故障,由SCADA系统采集故障信息;输入采集到的故障信息至多层Petri网络故障诊断模型,得到故障诊断结果,并对保护和断路器的动作行为进行评价。本发明从大量的电气信息中,提取可以用于基于数模混合驱动的电网异常状态辨识和故障诊断的模型所需要的信息。就需要对时序信息进行初步筛选,充分利用时标偏差与信息准确程度之间的关联性,进行数据信息挖掘。
Description
技术领域
本发明涉及故障诊断技术领域,特别涉及一种基于人工智能技术的电网故障快速诊断方法。
背景技术
虽然现代电力系统的理论和技术一直在不断发展,但电力系统故障仍然无法避免。准确而迅速地判断故障元件和故障类型,辅助调度人员快速处理故障,可有效缩短事故处理时间,并防止事故扩大。国内外已经提出了多种电力系统故障诊断方法,主要包括基于专家系统、解析模型、Petri网模型等方法。现有的电力系统故障诊断模型在利用多渠道、多方位的测控信息方面,大多采用决策级别的信息融合,在信息冲突或不完整时有可能导致误判;对时序信息的利用一般局限于对信息的初步筛选,未能充分利用时标偏差与信息准确程度之间的关联性。
如何选择适合实际电力系统的故障诊断方法既可以处理冗杂繁多的电气信息,又可以兼顾故障诊断和异常状态检测的速度是当前的重点和难点。
发明内容
针对现有技术无法兼顾处理效率和准确性的问题,本发明提供了一种基于人工智能技术的电网故障快速诊断方法,通过构建多层Petri网络故障诊断模型,对海量信息进行智能分析,准确快速地判断出故障发生的原因和故障位置,为进一步的故障隔离和电网自愈恢复提供依据。
以下是本发明的技术方案。
一种基于人工智能技术的电网故障快速诊断方法,包括以下步骤:
构建多层Petri网络故障诊断模型;
当电网发生故障,由SCADA系统采集故障信息;
输入采集到的故障信息至多层Petri网络故障诊断模型,得到故障诊断结果,并对保护和断路器的动作行为进行评价。
本发明从大量的电气信息中,提取可以用于基于数模混合驱动的电网异常状态辨识和故障诊断的模型所需要的信息。就需要对时序信息进行初步筛选,充分利用时标偏差与信息准确程度之间的关联性,进行数据信息挖掘。
作为优选,所述构建多层Petri网络故障诊断模型,包括:在第1层中,利用电气量信息和SCADA信息,搜索停电元件,构建可疑元件集合;在第2层中,对每个可疑元件建立加权模糊时序Petri网故障诊断模型;在第3层中,根据警报信号和电气量的时序信息,进行多源信息融合,计算初始置信度矩阵,并对Petri网模型进行求解,获得故障元件概率;在第4层中,根据故障诊断结果,对保护和断路器的动作行为进行评价。
对于Petri网来说,其结构本身是静态的,它的动态特性是以节点中token数的变化以及变迁来体现的。Petri网中的token数由输入函数来确定,如果变迁满足条件,则被激活,那么token就根据加权弧的条件由输入位置转移至输出位置,这个过程就是Petri网的状态变化。如果网络中变迁均不能够激活,说明Petri网已经进入了稳定的状态。在Petri网中,初始状态用token表示,网络动态特性用token数目的变化和变迁来描述。变迁激活(点火),又称变迁使能,其基本条件是:当某个变迁相连结点位置中token数量大于或等于相连有向弧的权值,在变迁使能的情况下,如果又满足特定的评价函数,则变迁就被激活,又称变迁点火。如果不存在与此相关的评价函数,那么只要变迁满足基本条件便能够实现点火在点火过程中,Petri网的token从输入位置节点移动到变迁对应的输出节点。当网络中再没有可以激活的变迁时,网络即进入最终稳定状态。
通过对所有变迁节点激活过程的跟踪,便能得到所求问题的解答。在电力系统的运行过程中,如果元件发生了故障,那么可以按照如下步骤消除故障:
1)电力系统中的线路或母线等原件出现故障,产生较大的短路电流;
2)保护装置检测到短路电流,判断短路电流值是否超过整定值;
3)符合动作条件则保护装置动作,跳开相应的开关元件;
4)故障元件被退出。
不难看出,这几个步骤是时序顺次发生的,所以Petri网的顺次触发机制能够实现此过程。通过构建多层Petri网络故障诊断模型,对海量信息进行智能分析,准确快速地判断出故障发生的原因和故障位置,为进一步的故障隔离和电网自愈恢复提供依据。
作为优选,上述构建多层Petri网络故障诊断模型完成后,还包括对Petri网络进行模糊化,得到模糊Petri网络。
作为优选,所述模糊Petri网络,包括库所、变迁、置信度、阈值及权值五个模块。
作为优选,所述模糊Petri网络的构建过程包括:将库所对应的区间[0,1]的数值作为token值,每个变迁对应一个确定因子,并设定输入矩阵和输出矩阵;利用正向模糊推理算法或反向模糊推理算法计算得到模糊Petri网络。
作为优选,所述正向模糊推理算法的推理过程为:建立发生故障的库所集,判断变迁是否使能;如果变迁使能,激活所有可激活的变迁,把结果放入相应的结果库中。
针对网络拓扑变化对模型的适应性造成影响,考虑建立模糊Petri网(FuzzyPetri Net,FPN)。在基本Petri网基础上模糊化,其库所对应的区间[0,1]的数值作为其token值,每个变迁对应一个确定因子(Certain Factor,CF),还规定了输入输出矩阵。模糊Petri网是由Petri网的三元组扩展而来,包括库所、变迁、置信度、阈值及权值五个模块。基于模糊Petri网的模糊推理算法有以下几种:
1)把模糊Petri网和矩阵运算结合起来,在模糊推理过程中实现形式化的推理算法;
2)基于模糊产生式规则的推理算法,推理过程中运用最大代数相关基础理论;
3)在模糊Petri网的推理过程中,采用基于查询的原理;
4)运用反向推理方法。
通常来说,在故障诊断模型的建立过程中,依托模糊Petri网推理算法推断故障原因,可用正向或反向模糊推理算法实现。正向推理算法的推理过程为:首先建立发生故障的库所集,判断变迁是否使能。如果变迁使能,判断变迁是否能够被点燃,然后点燃所有可点燃的变迁,把结果放入相应的结果库中。反向推理算法旨在为正向推理算法做准备,它可以抽取与结果命题有关联的、涵盖整个知识系统的规则。最后,通过正向和反向推理基于系统拓扑分析形成元件、保护和断路器的拓扑关联矩阵,以此为基本图元构建信息融合诊断模型,并依据保护原理和出口方式建立网络拓扑映射规则及完整的信息融合推理流程。
考虑到电网故障诊断模型的特点是推理模型及映射转换规则完全基于系统网络拓扑。因此当网络拓扑变化时,模型可以跟随网络拓扑变化进行自适应调整,无需改变推理规则,便可实现网络拓扑变化后的正确推理。另外,基于网络拓扑构建的诊断推理模型有利于连锁故障的正确诊断。这是因为传统故障诊断系统难以实时反映连锁故障演变过程中的网络拓扑变化,从而只能将连锁故障作为多重故障看待,容易导致真实故障元件置信概率降低,甚至出现误判。因此,考虑在连锁故障发展过程中实时调整网络拓扑结构,有条件将连锁故障作为相继发生的单重故障分别诊断,从而消除不同阶段告警信息的相互干扰,提高诊断结果的准确度。
本发明的实质性效果包括:通过构建多层Petri网络故障诊断模型,对海量信息进行智能分析,准确快速地判断出故障发生的原因和故障位置,为进一步的故障隔离和电网自愈恢复提供依据。
附图说明
图1是本发明实施例的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例,对本技术方案进行清楚、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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例:
一种基于人工智能技术的电网故障快速诊断方法,包括如图1所示的以下步骤:
构建多层Petri网络故障诊断模型。
本实施例中,构建多层Petri网络故障诊断模型,包括:在第1层中,利用电气量信息和SCADA信息,搜索停电元件,构建可疑元件集合;在第2层中,对每个可疑元件建立加权模糊时序Petri网故障诊断模型;在第3层中,根据警报信号和电气量的时序信息,进行多源信息融合,计算初始置信度矩阵,并对Petri网模型进行求解,获得故障元件概率;在第4层中,根据故障诊断结果,对保护和断路器的动作行为进行评价。
对于Petri网来说,其结构本身是静态的,它的动态特性是以节点中token数的变化以及变迁来体现的。Petri网中的token数由输入函数来确定,如果变迁满足条件,则被激活,那么token就根据加权弧的条件由输入位置转移至输出位置,这个过程就是Petri网的状态变化。如果网络中变迁均不能够激活,说明Petri网已经进入了稳定的状态。在Petri网中,初始状态用token表示,网络动态特性用token数目的变化和变迁来描述。变迁激活(点火),又称变迁使能,其基本条件是:当某个变迁相连结点位置中token数量大于或等于相连有向弧的权值,在变迁使能的情况下,如果又满足特定的评价函数,则变迁就被激活,又称变迁点火。如果不存在与此相关的评价函数,那么只要变迁满足基本条件便能够实现点火在点火过程中,Petri网的token从输入位置节点移动到变迁对应的输出节点。当网络中再没有可以激活的变迁时,网络即进入最终稳定状态。
通过对所有变迁节点激活过程的跟踪,便能得到所求问题的解答。在电力系统的运行过程中,如果元件发生了故障,那么可以按照如下步骤消除故障:
1)电力系统中的线路或母线等原件出现故障,产生较大的短路电流;
2)保护装置检测到短路电流,判断短路电流值是否超过整定值;
3)符合动作条件则保护装置动作,跳开相应的开关元件;
4)故障元件被退出。
不难看出,这几个步骤是时序顺次发生的,所以Petri网的顺次触发机制能够实现此过程。通过构建多层Petri网络故障诊断模型,对海量信息进行智能分析,准确快速地判断出故障发生的原因和故障位置,为进一步的故障隔离和电网自愈恢复提供依据。
当电网发生故障,由SCADA系统采集故障信息。
输入采集到的故障信息至多层Petri网络故障诊断模型,得到故障诊断结果,并对保护和断路器的动作行为进行评价。
本实施例从大量的电气信息中,提取可以用于基于数模混合驱动的电网异常状态辨识和故障诊断的模型所需要的信息。就需要对时序信息进行初步筛选,充分利用时标偏差与信息准确程度之间的关联性,进行数据信息挖掘。
上述构建多层Petri网络故障诊断模型完成后,还包括对Petri网络进行模糊化,得到模糊Petri网络。
针对网络拓扑变化对模型的适应性造成影响,考虑建立模糊Petri网(FuzzyPetri Net,FPN)。在基本Petri网基础上模糊化,其库所对应的区间[0,1]的数值作为其token值,每个变迁对应一个确定因子(Certain Factor,CF),还规定了输入输出矩阵。模糊Petri网是由Petri网的三元组扩展而来,包括库所、变迁、置信度、阈值及权值五个模块。基于模糊Petri网的模糊推理算法有以下几种:
1)把模糊Petri网和矩阵运算结合起来,在模糊推理过程中实现形式化的推理算法;
2)基于模糊产生式规则的推理算法,推理过程中运用最大代数相关基础理论;
3)在模糊Petri网的推理过程中,采用基于查询的原理;
4)运用反向推理方法。
通常来说,在故障诊断模型的建立过程中,依托模糊Petri网推理算法推断故障原因,可用正向或反向模糊推理算法实现。正向推理算法的推理过程为:首先建立发生故障的库所集,判断变迁是否使能。如果变迁使能,判断变迁是否能够被点燃,然后点燃所有可点燃的变迁,把结果放入相应的结果库中。反向推理算法旨在为正向推理算法做准备,它可以抽取与结果命题有关联的、涵盖整个知识系统的规则。最后,通过正向和反向推理基于系统拓扑分析形成元件、保护和断路器的拓扑关联矩阵,以此为基本图元构建信息融合诊断模型,并依据保护原理和出口方式建立网络拓扑映射规则及完整的信息融合推理流程。
考虑到电网故障诊断模型的特点是推理模型及映射转换规则完全基于系统网络拓扑。因此当网络拓扑变化时,模型可以跟随网络拓扑变化进行自适应调整,无需改变推理规则,便可实现网络拓扑变化后的正确推理。另外,基于网络拓扑构建的诊断推理模型有利于连锁故障的正确诊断。这是因为传统故障诊断系统难以实时反映连锁故障演变过程中的网络拓扑变化,从而只能将连锁故障作为多重故障看待,容易导致真实故障元件置信概率降低,甚至出现误判。因此,考虑在连锁故障发展过程中实时调整网络拓扑结构,有条件将连锁故障作为相继发生的单重故障分别诊断,从而消除不同阶段告警信息的相互干扰,提高诊断结果的准确度。
该方法面对电力系统网络中包含的线路、变压器以及母线三种元件运用改进型模型建立故障诊断模型,模型建立的时候是按照以三种元件相邻元件为通路方向进行建立,由这三种元件自身的主保护、近后备保护以及相邻元件分别构成的远后备保护形成整个诊断模型体系。针对电力系统网络中的线路元件,可以分别建立线路沿着相邻线路通路方向的故障诊断模型和线路沿着相邻变压器通路方向的故障诊断模型;针对电力系统网络中的变压器元件,可以分别建立变压器沿着相邻线路通路方向的故障诊断模型和变压器沿着相邻变压器通路方向的故障诊断模型;针对电力系统网络中的母线元件,可以分别建立母线元件沿着相邻线路通路方向的故障诊断模型和母线元件沿着相邻变压器元件通路方向的故障诊断模型。当电力系统网络中某个元件沿着各个相邻元件通路方向的诊断模型都建立完成后,可以获得各个通路方向上的诊断结果(故障概率值),将这各个通路方向上的诊断结果求均值便可以得到该元件最终的故障诊断结果(故障概率值)。此处在模型建立上加以改进。
对于新投入的电力系统网络分支,只要对应节的诊断模型建立规则,建立新的分通路诊断模型,再将所获得的元件故障诊断概率值和之前各个分通路故障诊断模型计算获得的元件故障诊断概率值一起求平均,即可以得到新拓扑下的元件故障诊断概率值;对于切除的电力系统网络分支,只要在最终将各个分通路故障诊断模型计算获得的元件故障诊断求平均时候去除该分通路进行计算即可。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中可以根据需要而将上述功能分配由不同的功能模块完成,即将具体装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中,应该理解到,所揭露的结构和方法,可以通过其它的方式实现。例如,以上所描述的关于结构的实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个结构,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,结构或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于人工智能技术的电网故障快速诊断方法,其特征在于,包括以下步骤:
构建多层Petri网络故障诊断模型;
当电网发生故障,由SCADA系统采集故障信息;
输入采集到的故障信息至多层Petri网络故障诊断模型,得到故障诊断结果,并对保护和断路器的动作行为进行评价。
2.根据权利要求1所述的一种基于人工智能技术的电网故障快速诊断方法,其特征在于,所述构建多层Petri网络故障诊断模型,包括:在第1层中,利用电气量信息和SCADA信息,搜索停电元件,构建可疑元件集合;在第2层中,对每个可疑元件建立加权模糊时序Petri网故障诊断模型;在第3层中,根据警报信号和电气量的时序信息,进行多源信息融合,计算初始置信度矩阵,并对Petri网模型进行求解,获得故障元件概率;在第4层中,根据故障诊断结果,对保护和断路器的动作行为进行评价。
3.根据权利要求1所述的一种基于人工智能技术的电网故障快速诊断方法,其特征在于,上述构建多层Petri网络故障诊断模型完成后,还包括对Petri网络进行模糊化,得到模糊Petri网络。
4.根据权利要求3所述的一种基于人工智能技术的电网故障快速诊断方法,其特征在于,所述模糊Petri网络,包括库所、变迁、置信度、阈值及权值五个模块。
5.根据权利要求4所述的一种基于人工智能技术的电网故障快速诊断方法,其特征在于,所述模糊Petri网络的构建过程包括:将库所对应的区间[0,1]的数值作为token值,每个变迁对应一个确定因子,并设定输入矩阵和输出矩阵;利用正向模糊推理算法或反向模糊推理算法计算得到模糊Petri网络。
6.根据权利要求5所述的一种基于人工智能技术的电网故障快速诊断方法,其特征在于,所述正向模糊推理算法的推理过程为:建立发生故障的库所集,判断变迁是否使能;如果变迁使能,激活所有可激活的变迁,把结果放入相应的结果库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111341632.0A CN114252727A (zh) | 2021-11-12 | 2021-11-12 | 一种基于人工智能技术的电网故障快速诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111341632.0A CN114252727A (zh) | 2021-11-12 | 2021-11-12 | 一种基于人工智能技术的电网故障快速诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114252727A true CN114252727A (zh) | 2022-03-29 |
Family
ID=80792530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111341632.0A Pending CN114252727A (zh) | 2021-11-12 | 2021-11-12 | 一种基于人工智能技术的电网故障快速诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114252727A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115454614A (zh) * | 2022-11-14 | 2022-12-09 | 安徽大学 | 一种机器人集群能量补给智能调度方法 |
CN117872037A (zh) * | 2024-03-11 | 2024-04-12 | 北京智芯微电子科技有限公司 | 基于智慧开关的故障诊断方法、装置及配电网系统 |
-
2021
- 2021-11-12 CN CN202111341632.0A patent/CN114252727A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115454614A (zh) * | 2022-11-14 | 2022-12-09 | 安徽大学 | 一种机器人集群能量补给智能调度方法 |
CN117872037A (zh) * | 2024-03-11 | 2024-04-12 | 北京智芯微电子科技有限公司 | 基于智慧开关的故障诊断方法、装置及配电网系统 |
CN117872037B (zh) * | 2024-03-11 | 2024-06-07 | 北京智芯微电子科技有限公司 | 基于智慧开关的故障诊断方法、装置及配电网系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103487723B (zh) | 电力系统故障诊断方法及系统 | |
CN114252727A (zh) | 一种基于人工智能技术的电网故障快速诊断方法 | |
CN109633372B (zh) | 一种基于膜系统的电力系统故障自动诊断方法 | |
CN105183952B (zh) | 一种基于分层时间模糊Petri网的输电网故障诊断方法 | |
CN105678337B (zh) | 一种智能变电站故障诊断中的信息融合方法 | |
CN103995215B (zh) | 一种基于多层次反馈调整的智能电网故障诊断方法 | |
CN109557414B (zh) | 综合电力系统故障诊断告警处理系统及方法 | |
CN105974232B (zh) | 一种适用于高压输电网的电网故障诊断方法 | |
CN106771848B (zh) | 一种基于拓扑图元信息融合的电网故障诊断方法 | |
CN104281899A (zh) | 一种新的基于信息融合的故障诊断方法 | |
CN110018390B (zh) | 基于综合变权的分层模糊petri网电网故障诊断方法 | |
CN110646708B (zh) | 基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法 | |
CN104750878A (zh) | 一种基于混合搜索策略的拓扑故障诊断方法 | |
CN103605787A (zh) | 继电保护评价分析方法及系统 | |
Ren et al. | Research on fault location of process-level communication networks in smart substation based on deep neural networks | |
CN114089118B (zh) | 基于门控循环单元网络的智能变电站故障定位方法 | |
CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
CN109697563B (zh) | 一种考虑隐性故障的电力信息物理系统风险保障预警方法 | |
CN109522615B (zh) | 电力系统继电保护的零序涌流耐受能力评估方法及装置 | |
CN110412417A (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN117419829A (zh) | 过热故障的预警方法、装置和电子设备 | |
Yi et al. | An Analytical Fault Diagnosis Method: Component Relation and Event Relationship Description Matrices | |
CN111337792A (zh) | 基于改进型Petri网的电力系统故障诊断方法 | |
CN113484685B (zh) | 一种基于时序组织型p系统的电网故障诊断方法 | |
Salehpour et al. | A supervised early attack detection mechanism for smart grid networks |
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 |