CN114415056A - 一种分布式电源孤岛故障的检测方法 - Google Patents
一种分布式电源孤岛故障的检测方法 Download PDFInfo
- Publication number
- CN114415056A CN114415056A CN202210048803.9A CN202210048803A CN114415056A CN 114415056 A CN114415056 A CN 114415056A CN 202210048803 A CN202210048803 A CN 202210048803A CN 114415056 A CN114415056 A CN 114415056A
- Authority
- CN
- China
- Prior art keywords
- signal
- island
- modal
- phase
- decomposition
- 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
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于变分模态分解、Teager能量算子和一维卷积神经网络的智能分布式电源孤岛检测方法,利用变分模态分解表征三相PCC点电压和变流器输出电流的特征,同时为了准确追踪特征信号本征模态函数分量IMF1的瞬时变化,引入了Teager能量算子以突出孤岛故障特征,并将Teager能量算子特征与本征模态函数IMF2分量特征、本征模态函数IMF3分量特征组成的特征向量空间作为一维卷积神经网络的输入,能够在不向系统注入扰动信号,不需设定阈值,不进行参数整定的条件下,快速准确的分类和识别孤岛事件和非孤岛事件。
Description
技术领域
本发明涉及分布式电源孤岛故障检测技术领域,具体涉及一种基于自适应VMD-Teager能量算子的分布式电源孤岛故障的检测方法。
背景技术
随着分布式电源系统与传统电网的整合,能源效率和可靠性提高,减少新建输电线路,避免线路损耗等问题,电力系统已逐步向低碳化发展。然而,分布式电源稳态和动态特性给控制和保护带来了技术挑战,对电力系统的可靠性构成潜在的威胁,孤岛故障是这一背景下主要问题之一。孤岛故障是指当电网因检修或意外故障而停止工作时,与电网并网的分布式发电系统无法及时检测出故障,无法脱离电网,导致分布式电源独自向负载供电的现象。这种故障下会造成电力恢复复杂化,电力质量下降等问题,甚至会危及工作人员的生命安全。根据现行标准GB/T33593-2017的规定:“分布式电源应具备快速监测孤岛且立即断开与电网连接的能力,防孤岛保护动作时间不大于2s”。因此,快速准确的检测分布式电源发生孤岛故障具有重要意义。
当前,孤岛故障的检测方法可分为三类:主动法、被动法和远程法。主动法通过引入扰动信号使孤岛发生后电压或频率偏移出正常值来判断孤岛状态,如频移法、功率扰动法、阻抗测量法等,然而该方法会降低分布式电源电能质量。被动法根据测量异常的电压或频率来判断孤岛,如过/欠电压检测法、过/欠频率检测法和电压谐波检测法等,该方法在功率匹配,即分布式电网内负载所需功率全部由分布式电源提供时,存在较大的检测盲区,并且很难选择合适的检测阈值。远程法通过信号采集和通讯技术实现检测,该方法缺点是检测成本高,难以推广应用。
发明内容
本发明所要解决的技术问题在于提供一种基于变分模态分解(VMD)、Teager能量算子和一维卷积神经网络的智能分布式电源孤岛检测方法,能够在不向系统注入扰动信号,不需设定阈值,不进行参数整定的条件下,快速准确的判断是否发生孤岛事件。仿真结果表明,该检测方法步骤简单,分类准确,并具有较强的抗噪性。
本发明通过下述技术方案实现:
一种分布式电源孤岛故障的检测方法,如图1所示,包括:
S1:在分布式电源非孤岛故障工况和不同的孤岛故障工况条件下,提取公共耦合点(PCC)电压信号模态分量和变流器输出电流信号模态分量;
S2:采用变分模态分解参数对S1所采集的电压信号模态分量和电流信号模态分量进行变分模态分解,进行Teager能量算子解调,得到孤岛故障特征信号特征向量空间;
S3:将S2得到的信号特征向量空间划分为训练集和测试集,分别作为神经网络模型的输入信号,训练集用于孤岛故障状态神经网络识别模型训练,测试集用于验证孤岛故障状态神经网络识别模型的分类性能。
S4:利用训练好的孤岛故障状态神经网络识别模型进行分布式电源孤岛故障检测。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明采用的变分模态分解(VMD)是一种于2014年提出的信号处理技术,其实质是维纳滤波、Hilbert变换和频率混合。它将信号分解为K个离散本征模态函数,以重现输入信号特定的稀疏性。VMD算法理论分析如下:(1)对信号进行Hilbert变换,将其转换为解析信号,得到信号单边频谱。(2)通过估计的中心频率将模态的频谱调制到基频带。(3)使用高斯平滑度估计解调信号带宽。VMD分解过程是基于约束变分优化问题,为了解决约束问题,VMD引入二次惩罚参数和拉格朗日乘子,通过在迭代子优化序列中寻找增广拉格朗函数的鞍点,利用交替方向乘数法求解该优化问题。
变分模态分解(VMD)将信号分解从递归筛选模式转换成非递归、变分模态分解模式,适用于电力系统中非平稳功率振荡信号的特征提取,在迭代筛选过程按频率逐减的规律将信号分解成一系列具有物理意义的模态函数,每个模态函数可以分解出相应幅值和频率,最后通过对模态函数的重组即得到原始信号。Teager能量算子为一种非线性差分算子,能够快速捕捉到信号瞬时变化,而且计算过程简单快速,因此在信号的解调分析中得到广泛应用。
本发明利用变分模态分解表征三相PPC点电压和变流器输出电流特征,同时为了准确追踪特征信号本征模态函数分量(IMF1)的瞬时变化,引入了Teager能量算子以突出孤岛故障特征,并将Teager能量算子特征与IMF2分量特征、IMF3分量特征组成的特征向量空间作为一维卷积神经网络(1D-CNN)的输入,能够在不向系统注入扰动信号,不需设定阈值,不进行参数整定的条件下,快速准确的分类和识别孤岛事件和非孤岛事件。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。在附图中:
图1为本发明实施例提供的一种分布式电源孤岛故障的检测方法流程;
图2为本发明实施例提供的品质因数为1时PCC点断路器跳闸电压特征波形及其VMD分解结果;
图3为本发明实施例提供的品质因数为1时PCC点断路器跳闸电压IMF2的Teager能量算子;
图4为本发明实施例提供的品质因数为2.5时PCC点断路器跳闸电压特征波形及其VMD分解结果;
图5为本发明实施例提供的品质因数为2.5时PCC点断路器跳闸电压IMF2的Teager能量算子。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
本发明的一种分布式电源孤岛故障的检测方法,包括:
T1:在分布式电源非孤岛故障工况和不同的孤岛故障工况条件下,分别提取分布式电源的公共耦合点电压信号模态分量和变流器输出电流信号模态分量,具体包括:
T101:设置品质因数分别为1和2.5条件下,采集发生PCC点断路器跳闸、三相短路和本地负载突变3种不同孤岛故障工况和非孤岛故障工况时的公共耦合点电压信号和变流器输出电流信号。
T102:分别提取PCC输出电压信号模态分量和变流器输出电流信号模态分量。
T2:采用变分模态分解参数对分布式电源的输出电压信号和输出电流信号进行变分模态分解,并利用Teager能量算子进行解调,得到表征孤岛故障特征的信号特征向量空间,具体包括:
T201:为避免变分模态分解出现过分解和不完全分解,预设分解层数为3和惩罚因子为1500,设置分解层数K的范围和步长,计算不同K值所对应的模态分量的相对熵,其中最小相对熵所对应的K值为最佳分解层数。
T202:采用T201获得的最佳分解层数K,设置惩罚因子的范围和步长,计算不同惩罚因子所对应的模态分量的相对熵,其中最小相对熵所对应的惩罚因子为最优惩罚因子。
T203:根据T201和T202步骤中确定的最佳分解层数K和惩罚因子,对PCC点电压信号和变流器输出电流信号中的a,b,c三相分别进行变分模态分解,形成PCC点三相电压信号IMF特征向量和变流器输出的三相电流信号IMF特征向量。
T204:分别对各相IMF特征向量进行Teager能量算子解调,提取出各相信号的瞬时信息,构成表征孤岛故障特征的信号特征向量空间。
T3:将包含表征孤岛故障特征的信号特征向量空间划分为训练集和测试集,分别作为1D-CNN模型的输入信号,具体包括:
T301:构建孤岛故障特征一维卷积神经网络模型,并根据T204步骤中选取的信号特征向量空间数量,设定输入层节点数。
T302:将输出层节点数设定为2个,进行孤岛故障状态和非孤岛故障状态的分类识别。
T303:将T205步骤中选取的信号特征向量空间划分为训练集、测试集。利用训练集对1D-CNN模型进行训练,得到最佳参数,形成孤岛故障状态识别模型。测试集验证利用网络分类性能。
T304:将测试集输入T303形成的1D-CNN模型进行分类性能测试。
T4:利用训练好的孤岛故障状态神经网络识别模型进行分布式电源孤岛故障检测。
步骤T102中,由于系统中可能会发生不同类型的故障,因此对系统进行孤岛故障分析时应考虑所有三相信号,同时为了减少每相分析时间和计算机内存,采用式(1)计算出PCC点电压信号和变流器输出电流信号的模态分量。
式中,Im为模态电流,Vm为模态电压,m1为a相电压模态系数,Va为a相电压,m2为b相电压模态系数,Vb为b相电压,m3为c相电压模态系数,Vc为c相电压,n1为a相电流模态系数,Ia为a相电流,n2为b相电流模态系数,Ib为b相电流,n3为c相电流模态系数,Ic为c相电流。
步骤T203中,通过VMD将PCC点电压信号和变流器输出电流信号通过式(2)分解为一系列有限带宽的本征模态函数,而模态函数的幅值和频率是随时间变化的振荡信号。
式中,uk(t)为模态函数,Ak(t)为瞬时幅值,φ(t)为相位。对于一个信号f,其分解过程是一个约束变分问题,可表示为:
式中,δ(t)为狄拉克函数,为二范数的平方,uk={u1,u2..uk}为分解后的IMF分量,wk={w1,w2..wk}为每个分量的中心频率,为梯度运算,*为卷积运算。为了求解式(3),引入二次惩罚因子a和拉格朗日乘法算子λ将约束问题转换为相应的无约束问题如式(4)。
为了求解式(4)中增广拉格朗函数的鞍点,使用交替方向乘子法更新uk,wk和λ,更新式(5)-(7)。
式中,n为迭代次数,τ为保真系数。重复式(5)-(7),直到满足条件式(8)则停止迭代。
式中,ε>0为判别精度。
步骤T201和T202中,通过式(9)计算每个IMF分量的相对熵,确定最小相对熵所对应分解层数和惩罚因子为最优解。
式中,p(xi)为目标概率分布,q(xi)为理论概率分布,N为分布长度,xi为离散随机变量,i为离散随机变量的排列序号。
步骤T204中,Teager能量算子求解一个连续信号s(t)的表达式为:
式中,ψ[s(t)]为连续信号的瞬间变化能量值,和分别为和t为时间,f(t)为连续信号的频率,a(t)为连续信号的幅值。对于连续信号s(t)离散化后得离散信号s(n),对应的Teager能量算子表达式如式(12)。
ψ[s(n)]=s2(n)-s(n+1)s(n-1) (12)
步骤T301中,在1D-CNN的卷积层中,卷积核对输入进行卷积,提取局部区域的特征并利用非线性激活函数构造输出特征。每一层的输出是多个输入特征的卷积结果,卷积核的优点在于可以获得旋转不变性的特征,其数学表达式描述为:
式中,和分别表示l层中第i个卷积核的权重和偏置,xl(j)表示l层中第i个区域,*表示卷积运算,表示xl(j)第j个特征映射。为了增强输入信号的非线性表达能力,使学习到的特征更加清晰,结合反向传播学习方法对参数进行调整,以加快收敛速度,本文在卷积层之后增加一个tanh激活函数。式(14)中,f(·)为激活函数。
池化层通过数据采样,将大矩阵采样为小矩阵,减少神经网络的参数和计算量,从而避免过拟合,在实际应用中,常用的是Max-pooling,其表达式为:
全连接层可以整合卷积层和池化层的局部信息,将上一个池化层的输出构造成一维向量,作为全连接层的输入,其表达式为:
步骤T302中,用多分类的Softmax分类器作为输出层,它是一种Logistic回归的扩展,其表达式为:
式中,zo(j)对输出层第j个神经元的输出进行对数,M表示类别总数。
为了验证所提检测方法在不同工况下的性能,以电压为例说明VMD-Teager能量算子特征提取情况。设置品质因数分别为1和2.5的PCC点断路器跳闸状态,以获得训练和测试数据,同时验证算法性能。
如图2所示为品质因数为1下PCC点断路器跳闸特征波形,在0.8s时刻断路器跳闸时PCC点电压没有明显变化,此时负载品质因数为1,负载谐振频率恰好等于工作频率50Hz,负载所需功率全部由分布式电源系统提供,此时过/欠电压和过/欠频率检测法均不能有效识别孤岛事件,测试系统检测孤岛难度大,条件最苛刻。图2可以看出VMD分解出的模态函数IMF2,IMF3在0.8s跳闸前后发生微小畸变,但模态函数并不能准确表征孤岛特征,为了检测模态函数IMF2的瞬态冲击,利用Teager能量算子得到能量序列如图3所示,能量序列在0.8s明显畸变。改变RLC负载参数改变负载品质因数,图4所示为品质因数为2.5下PCC点断路器跳闸特征波形,如图4在0.8s断路器断开时PCC点电压发生明显变化,呈三相不平衡状态,图5所示VMD-Teager能量算子能够很好的表征孤岛特征。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述事实和方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中,该程序在执行时,包括如下步骤:此时引出相应的方法步骤,所述的存储介质可以是ROM/RAM、磁碟、光盘等等。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种分布式电源孤岛故障的检测方法,其特征在于,包括以下步骤:
S1:在分布式电源非孤岛故障工况和不同的孤岛故障工况条件下,分别提取公共耦合点电压信号模态分量和变流器输出电流信号模态分量;
S2:采用变分模态分解参数对步骤S1中所采集的电压信号模态分量和电流信号模态分量进行变分模态分解,进行Teager能量算子解调,得到孤岛故障特征信号的特征空间;
S3:将步骤S2中得到的信号特征向量空间划分为训练集和测试集,分别作为神经网络模型的输入信号,训练集用于孤岛故障状态神经网络识别模型训练,测试集用于验证孤岛故障状态神经网络识别模型的分类性能;
S4:利用训练好的孤岛故障状态神经网络识别模型进行分布式电源孤岛故障检测。
2.根据权利要求1所述的一种分布式电源孤岛故障的检测方法,其特征在于,步骤S1中,所述的不同的孤岛故障工况包括:公共耦合点断路器跳闸、三相短路和本地负载突变3种故障工况类型。
5.根据权利要求1所述的一种分布式电源孤岛故障的检测方法,其特征在于,步骤S2中,所述的电压信号模态分量和电流信号模态分量进行变分模态分解,具体为对公共耦合点电压信号和变流器输出电流信号中的a,b,c三相分别进行变分模态分解,形成公共耦合点三相电压信号本征模函数特征向量和变流器输出的三相电流信号本征模函数特征向量。
7.根据权利要求1所述的一种分布式电源孤岛故障的检测方法,其特征在于,步骤S2中,所述的变分模态分解参数包括分解层数和惩罚因子,其中分解层数预设值范围在1~6的整数,惩罚因子预设值范围在200~3000。
8.根据权利要求1所述的一种分布式电源孤岛故障的检测方法,其特征在于,步骤S3中,所述的神经网络模型采用一维卷积神经网络。
9.根据权利要求1所述的一种分布式电源孤岛故障的检测方法,其特征在于,步骤S3中,所述的神经网络模型根据选取的信号特征向量空间数量,设定输入层节点数。
10.根据权利要求1所述的一种分布式电源孤岛故障的检测方法,其特征在于,步骤S3中,将输出层节点数设定为2个,进行孤岛故障状态和非孤岛故障状态的分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048803.9A CN114415056A (zh) | 2022-01-17 | 2022-01-17 | 一种分布式电源孤岛故障的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048803.9A CN114415056A (zh) | 2022-01-17 | 2022-01-17 | 一种分布式电源孤岛故障的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114415056A true CN114415056A (zh) | 2022-04-29 |
Family
ID=81273352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210048803.9A Pending CN114415056A (zh) | 2022-01-17 | 2022-01-17 | 一种分布式电源孤岛故障的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415056A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115712818A (zh) * | 2022-11-07 | 2023-02-24 | 齐鲁工业大学 | 面向单通道脑电信号去除多伪迹的vmd参数优化选取方法 |
-
2022
- 2022-01-17 CN CN202210048803.9A patent/CN114415056A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115712818A (zh) * | 2022-11-07 | 2023-02-24 | 齐鲁工业大学 | 面向单通道脑电信号去除多伪迹的vmd参数优化选取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Detection of power grid disturbances and cyber-attacks based on machine learning | |
Fahim et al. | A deep learning based intelligent approach in detection and classification of transmission line faults | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
Tonelli‐Neto et al. | Fuzzy based methodologies comparison for high‐impedance fault diagnosis in radial distribution feeders | |
Jena et al. | Decision tree‐induced fuzzy rule‐based differential relaying for transmission line including unified power flow controller and wind‐farms | |
CN104463706A (zh) | 一种用于电网检测电压暂降事件原因的方法和系统 | |
CN102016607A (zh) | 用于分析电力系统的波形信号的方法和装置 | |
US11656263B2 (en) | Effective feature set-based high impedance fault detection | |
Mishra et al. | A universal high impedance fault detection technique for distribution system using S-transform and pattern recognition | |
Kezunovic | Translational knowledge: From collecting data to making decisions in a smart grid | |
CN113902946A (zh) | 电力系统故障方位判别方法、装置、终端设备及存储介质 | |
Hu et al. | Robust feature extraction and ensemble classification against cyber-physical attacks in the smart grid | |
CN114415056A (zh) | 一种分布式电源孤岛故障的检测方法 | |
CN111881159A (zh) | 一种基于代价敏感极端随机森林的故障检测方法及装置 | |
Qu et al. | Active and passive hybrid detection method for power CPS false data injection attacks with improved AKF and GRU‐CNN | |
CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
Bhuiyan et al. | A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems | |
CN114139436A (zh) | 一种低压配电网用户电能质量扰动溯源方法 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
Kezunovic et al. | Neural network applications to real-time and off-line fault analysis | |
Babayomi et al. | Intelligent fault diagnosis in a power distribution network | |
CN112085043A (zh) | 一种变电站网络安全智能监控方法及系统 | |
Reaz et al. | VHDL modeling for classification of power quality disturbance employing wavelet transform, artificial neural network and fuzzy logic | |
CN115327325A (zh) | 充电桩串联电弧故障检测方法、装置及电子设备 |
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 |