CN114595746A - 配电网故障原因的分类方法、装置、设备及存储介质 - Google Patents
配电网故障原因的分类方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114595746A CN114595746A CN202210153601.0A CN202210153601A CN114595746A CN 114595746 A CN114595746 A CN 114595746A CN 202210153601 A CN202210153601 A CN 202210153601A CN 114595746 A CN114595746 A CN 114595746A
- Authority
- CN
- China
- Prior art keywords
- waveform data
- feature vector
- fault
- distribution network
- power distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 154
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000013145 classification model Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 79
- 230000015654 memory Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种配电网故障原因的分类方法、装置、设备及存储介质。其中,该方法包括:获取不同故障类型的配电网故障的零序电流波形数据;基于从零序电流波形数据中选取的目标波形数据,确定训练集和测试集;分别对训练集和测试集进行分解处理得到第一特征向量和第二特征向量;将第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型;将第二特征向量进行归一化处理后输入至训练后的故障原因分类模型,得到配电网故障的故障原因分类结果。本发明解决了由于现有技术中采用人工巡线方式对配电网故障原因进行分类识别,造成的人力成本投入大且识别准确率低的技术问题。
Description
技术领域
本发明涉及电力系统技术领域,具体而言,涉及一种配电网故障原因的分类方法、装置、设备及存储介质。
背景技术
配电网作为国民经济和社会发展的重要公共基础设施,与广大电力用户直接相连,是电能传输链条的重要环节,配电网故障会影响电力系统的安全稳定运行及供电可靠性。
由于配电网地理位置分散且操作环境复杂,极易受到各种因素的影响导致故障的发生,如树线矛盾故障、绝缘击穿故障等。我国配电网大多采用小电流接地方式,即中性点不接地或经消弧线圈接地,小电流接地系统的故障80%以上为单相接地故障。为此,对于配电网单相接地故障,其故障原因的准确快速识别对于故障清除和供电恢复至关重要。
目前,配电网单相接地故障的原因识别与分类方法主要依靠“人工巡线”,由操作人员沿线路巡视查找故障原因,不仅耗费大量的人力物力资源,延长停电时间,而且易产生误判,识别准确率较低。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种配电网故障原因的分类方法、装置、设备及存储介质,以至少解决由于现有技术中采用人工巡线方式对配电网故障原因进行分类识别,造成的人力成本投入大且识别准确率低的技术问题。
根据本发明实施例的一个方面,提供了一种配电网故障原因的分类方法,包括:获取不同故障类型的配电网故障的零序电流波形数据;基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,其中,上述目标波形数据包括:在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,上述初始故障原因分类模型为基于长短期记忆网络构建得到的;将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果。
可选的,基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,包括:从上述零序电流波形数据中选取在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;将上述第一预定时间段内的零序电流波形数据和上述第二预定时间段内的零序电流波形数据进行数据增强处理,得到上述训练集和上述测试集。
可选的,分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的多个本征模态函数分量,对应得到第一特征向量和第二特征向量,包括:采用经验模态分解算法,按照不同的时间尺度对上述训练集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;采用经验模态分解算法,按照不同的时间尺度对上述测试集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;组合上述训练集对应的多个上述本征模态函数分量,得到第一特征向量,以及组合上述测试集对应的多个上述本征模态函数分量,得到第二特征向量。
可选的,将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,包括:将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到上述配电网故障的第一输出特征向量;将上述第一输出特征向量输入至分类器,并由上述分类器将上述第一输出特征向量映射为每个故障原因的第一概率分布值;采用每个上述故障原因的上述第一概率分布值与预定标签分布构建损失函数对上述初始故障原因分类模型进行训练,直至满足预定停止条件,得到上述训练后的故障原因分类模型,其中,上述预定停止条件包括以下至少之一:初始故障原因分类模型收敛、满足预定训练次数。
可选的,将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果,包括:将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的第二输出特征向量;将上述第二输出特征向量输入至分类器,并由上述分类器将上述第二输出特征向量映射为每个故障原因的第二概率分布值;确定每个上述故障原因的上述第二概率分布值中的最大概率分布值;基于每个上述故障原因的上述最大概率分布值分别确定对应的上述故障原因分类结果。
根据本发明实施例的另一方面,还提供了一种配电网故障原因的分类装置,包括:获取模块,用于获取不同故障类型的配电网故障的零序电流波形数据;确定模块,用于基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,其中,上述目标波形数据包括:在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;第一处理模块,用于分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;训练模块,用于将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,上述初始故障原因分类模型为基于长短期记忆网络构建得到的;第二处理模块,用于将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果。
可选的,上述确定模块,包括:选取单元,用于从上述零序电流波形数据中选取在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;第一处理单元,用于将上述第一预定时间段内的零序电流波形数据和上述第二预定时间段内的零序电流波形数据进行数据增强处理,得到上述训练集和上述测试集。
可选的,上述第一处理模块,包括:第二处理单元,用于采用经验模态分解算法,按照不同的时间尺度对上述训练集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;第三处理单元,用于采用经验模态分解算法,按照不同的时间尺度对上述测试集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;组合单元,用于组合上述训练集对应的多个上述本征模态函数分量,得到第一特征向量,以及组合上述测试集对应的多个上述本征模态函数分量,得到第二特征向量。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,上述计算机可读存储介质存储有多条指令,上述指令适于由处理器加载并执行任意一项上述的配电网故障原因的分类方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为运行上述计算机程序以执行任意一项上述的配电网故障原因的分类方法。
在本发明实施例中,采用配电网故障原因的分类的方式,通过获取不同故障类型的配电网故障的零序电流波形数据;基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,其中,上述目标波形数据包括:在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,上述初始故障原因分类模型为基于长短期记忆网络构建得到的;将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果,达到了自动对配电网故障原因进行分类的目的,从而实现了提高配电网故障原因分类识别效率和识别准确率,降低人力成本的技术效果,进而解决了由于现有技术中采用人工巡线方式对配电网故障原因进行分类识别,造成的人力成本投入大且识别准确率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种配电网故障原因的分类方法的流程图;
图2是根据本发明实施例的一种可选的基于LSTM网络的初始故障原因分类模型构建原理示意图;
图3是根据本发明实施例的一种可选的本征模态函数分量与残差分量的输出结果示意图;
图4是根据本发明实施例的一种可选的配电网故障原因的分类方法的流程图;
图5是根据本发明实施例的一种可选的故障原因分类结果的二维可视化示意图;
图6是根据本发明实施例的一种配电网故障原因的分类装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“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。
实施例1
根据本发明实施例,提供了一种配电网故障原因的分类的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种配电网故障原因的分类方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取不同故障类型的配电网故障的零序电流波形数据;
步骤S104,基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集;
步骤S106,分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;
步骤S108,将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,上述初始故障原因分类模型为基于长短期记忆网络构建得到的;
步骤S110,将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果。
可选的,上述故障类型包括如下至少之一:变压器柔性电缆烧毁、变压器肘型头绝缘击穿以及树线矛盾。
可选的,上述目标波形数据包括:在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据,例如,截取上述配电网故障发生前N1秒以及故障发生后N2秒的零序电流波形数据作为上述目标波形数据。
可选的,采用经验模态分解(EMD)算法对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量。
可选的,上述第一特征向量用于对上述初始故障原因分类模型进行训练,得到训练后的故障原因分类模型;上述第二特征向量作为测试数据输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果。
在本发明实施例中,采用配电网故障原因的分类的方式,通过获取不同故障类型的配电网故障的零序电流波形数据;基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,其中,上述目标波形数据包括:在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,上述初始故障原因分类模型为基于长短期记忆网络构建得到的;将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果,达到了自动对配电网故障原因进行分类的目的,从而实现了提高配电网故障原因分类识别效率和识别准确率,降低人力成本的技术效果,进而解决了由于现有技术中采用人工巡线方式对配电网故障原因进行分类识别,造成的人力成本投入大且识别准确率低的技术问题。
可选的,本发明实施例中初始故障原因分类模型为基于长短期记忆网络(即LSTM网络)构建得到的,基于LSTM网络构建的初始故障原因分类模型包括:依次连接的若干单元结构,如图2所示,每一单元结构包括:遗忘门ft、输入门it和输出门ot,对单元状态进行增加或删除信息。遗忘门决定了上一时刻的单元状态ct-1有多少保留到当前时刻状态ct,输入门决定了当前时刻网络的输入IMFt'有多少保存到单元状态ct,输出门控制单元状态ct有多少输出到LSTM的当前时刻输出值ht。计算过程表示为:
ft=σ(Wf·[ht-1,IMFt']+bf)
it=σ(Wi·[ht-1,IMFt']+bi)
ot=σ(Wo·[ht-1,IMFt']+bo)
通过遗忘门ft和输入门it对上一时刻的单元状态ct-1进行更新,得到新的单元状态ct,利用新的单元状态ct:计算当前时刻故障的输出特征向量ht,表示为:
ht=ot*tanh(ct)
其中,为当前输入的单元状态,Wf,Wi,Wo和Wc分别为ft、it、ot以及的权重矩阵,bi,bf,bo和bc为对应的偏置;σ和tanh分别为Sigmoid激活函数和双曲正切激活函数;*表示矩阵相乘;t、t-1分别表示当前时刻、上一时刻。
需要说明的是,本发明实施例中,基于LSTM网络构建故障原因分类模型,并利用从包含丰富故障信息的波形数据中提取的特征向量进行模型训练,相较于传统方法,能够快速、准确地对实际配电网的故障原因进行分类,实现电力系统动态行为的实时监测。
在一种可选的实施例中,基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,包括:
步骤S202,从上述零序电流波形数据中选取在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;
步骤S204,将上述第一预定时间段内的零序电流波形数据和上述第二预定时间段内的零序电流波形数据进行数据增强处理,得到上述训练集和上述测试集。
可选的,在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据,例如,截取上述配电网故障发生前N1秒以及故障发生后N2秒的零序电流波形数据作为上述目标波形数据,并对上述目标波形数据进行数据增强处理,得到上述训练集和上述测试集。
可选的,采用故障录波装置记录配电网故障的零序电流波形数据,示例性的,将上述第一预定时间段和把上述第一预定时间段分别设置为N1=0.1,N2=0.3,则共截取0.04秒的零序电流波形数据作为上述目标波形数据,该波形区段包含丰富的故障信息。此外,对于故障发生前和故障发生后的零序电流波形数据,采样频率可分别设置为4096Hz、12800Hz。
在一种可选的实施例中,分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的多个本征模态函数分量,对应得到第一特征向量和第二特征向量,包括:
步骤S302,采用经验模态分解算法,按照不同的时间尺度对上述训练集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;
步骤S304,采用经验模态分解算法,按照不同的时间尺度对上述测试集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;
步骤S306,组合上述训练集对应的多个上述本征模态函数分量,得到第一特征向量,以及组合上述测试集对应的多个上述本征模态函数分量,得到第二特征向量。
可以理解,上述采用经验模态分解算法,按照不同的时间尺度对上述训练集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量的方式与上述采用经验模态分解算法,按照不同的时间尺度对上述测试集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量的算法过程相同,以采用经验模态分解算法对上述训练集中的每一个零序电流波形数据进行分解处理为例,该方法包括如下步骤:
步骤S311,确定上述训练集中的每一个零序电流波形数据x(t)中的所有局部极大值点和局部极小值点;
步骤S312,对所有的上述局部极大值点和上述局部极小值点分别进行三次样条函数插值处理,得到上包络线和下包络线;
步骤S313,计算上述上包络线和上述下包络线之间的平均值m(t),以及上述零序电流波形数据x(t)与上述平均值m(t)之间的差值c(t)=x(t)-m(t);
步骤S314,判断上述差值c(t)是否满足本征模态函数的成立条件,其中,上述成立条件包括:第一成立条件和第二成立条件,上述第一成立条件为上述差值c(t)中极点数量和零点数量之差小于或等于第一预设值(如将上述第一预设值设定为1),上述第二成立条件为上述上包络线和上述下包络线的平均值为0;
步骤S315,若上述差值c(t)同时满足上述第一成立条件和上述第二成立条件,则将上述差值c(t)作为第一个本征模态函数分量,并得到残余函数r(t)=x(t)-c(t);
步骤S316,若上述差值c(t)不同时满足上述第一成立条件和上述第二成立条件,则将上述差值c(t)作为原始信号,并返回至上述步骤S311;
步骤S317,重复上述步骤S311至上述步骤S316,直至上述残余函数r(t)的极值点数(即r(t)的极大值和极小值总数)小于或等于第二预设值(例如,将上述第二预设值设定为2),则分解结束,记最后的残余函数r(t)为残差分量res,最终得到的本征模态函数分量与残差分量的输出结果如图3所示。
可选的,上述训练集中的每一个零序电流波形数据进行本征模态分解处理后,得到的多个上述本征模态函数分量可以表示为:
其中,IMFj为经验模态分解后的第j个本征模态函数分量;res为残差分量;n为分解的本征模态函数分量总数。
在一种可选的实施例中,将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,包括:
步骤S402,将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到上述配电网故障的第一输出特征向量;
步骤S404,将上述第一输出特征向量输入至分类器,并由上述分类器将上述第一输出特征向量映射为每个故障原因的第一概率分布值;
步骤S406,采用每个上述故障原因的上述第一概率分布值与预定标签分布构建损失函数对上述初始故障原因分类模型进行训练,直至满足预定停止条件,得到上述训练后的故障原因分类模型,其中,上述预定停止条件包括以下至少之一:初始故障原因分类模型收敛、满足预定训练次数。
可选的,上述分类器可以但不限于为Softmax分类器。
需要说明的是,上述第一特征向量包括多个本征模态函数分量,由于本征模态函数分量的幅值波动较大,影响故障原因分类模型的分类性能,因此,对上述第一特征向量中的每一个本征模态函数分量进行归一化处理,将幅值变换到[0,1]内,以提高故障原因分类模型的分类效果。
可选的,上述归一化处理的公式可以为:其中,IMFj'表示归一化后的本征模态函数分量(IMF分量),IMFjmax、IMFjmin分别为所有特征向量中第j个本征模态函数分量中的最大值、最小值。经EMD分解和归一化后,得到特征向量,记作IMF'=[IMF1',IMF1',...,IMFn']。其中,n为经EMD分解后得到的IMF分量个数。
可选的,对上述训练集对应的上述第一特征向量进行归一化处理,得到归一化处理后的第一特征向量IMF';将上述归一化处理后的第一次特征向量输入至上述训练后的故障原因分类模型,得到上述配电网故障的第一输出特征向量ht;将上述第一输出特征向量ht输入至Softmax分类器,由上述Softmax分类器将上述第一输出特征向量ht映射为每个故障原因的第一概率分布值p,公式表示为:
p=Softmax(Wht+b)
其中,p为每个故障原因的第一概率分布值,W,b分别为Softmax分类器的权重和偏置。
可选的,在模型训练阶段,每个故障原因的第一概率分布值p与预设损失函数对初始故障原因分类模型进行训练,直至满足预定停止条件,其中,上述预设损失函数为基于给定的标签分布构建得到的损失函数,上述预定停止条件包括以下至少之一:初始故障原因分类模型收敛、满足预定训练次数。
在一种可选的实施例,图4是根据本发明实施例的一种可选的配电网故障原因的分类方法的流程图,如图4所示,将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果,包括:
步骤S502,将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的第二输出特征向量;
步骤S504,将上述第二输出特征向量输入至分类器,并由上述分类器将上述第二输出特征向量映射为每个故障原因的第二概率分布值;
步骤S506,确定每个上述故障原因的上述第二概率分布值中的最大概率分布值;
步骤S508,基于每个上述故障原因的上述最大概率分布值分别确定对应的上述故障原因分类结果。
可选的,上述分类器可以但不限于为Softmax分类器。
需要说明的是,上述第二特征向量包括多个本征模态函数分量,由于本征模态函数分量的幅值波动较大,影响故障原因分类模型的分类性能,因此,对上述第二特征向量中的每一个本征模态函数分量进行归一化处理,将幅值变换到[0,1]内,以提高故障原因分类模型的分类效果。
可选的,对上述测试集对应的上述第二特征向量进行归一化处理,得到归一化处理后的第二特征向量;将上述归一化处理后的第二次特征向量输入至上述训练后的故障原因分类模型,得到上述配电网故障的第二输出特征向量;将上述第二输出特征向量输入至Softmax分类器,并由上述Softmax分类器将上述第二输出特征向量映射为每个故障原因的第二概率分布值;选择最大概率分布值对应的故障类型作为上述故障原因分类结果,从而实现故障原因的准确分类,图5是根据本发明实施例的一种可选的故障原因分类结果的二维可视化示意图,可以看出,该故障原因分类方法具有较好的分类效果。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例上述的方法。
实施例2
在本实施例中还提供了一种配电网故障原因的分类装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
根据本发明实施例,还提供了一种用于实施上述配电网故障原因的分类方法的装置实施例,图6是根据本发明实施例的一种配电网故障原因的分类装置的结构示意图,如图6所示,上述配电网故障原因的分类装置,包括:获取模块40、确定模块42、第一处理模块44、训练模块46、第二处理模块48,其中:
获取模块40,用于获取不同故障类型的配电网故障的零序电流波形数据;
确定模块42,用于基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,其中,上述目标波形数据包括:在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;
第一处理模块44,用于分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;
训练模块46,用于将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,上述初始故障原因分类模型为基于长短期记忆网络构建得到的;
第二处理模块48,用于将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述获取模块40、确定模块42、第一处理模块44、训练模块46、第二处理模块48对应于实施例1中的步骤S102至步骤S110,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
可选的,上述确定模块,包括:选取单元,用于从上述零序电流波形数据中选取在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;第一处理单元,用于将上述第一预定时间段内的零序电流波形数据和上述第二预定时间段内的零序电流波形数据进行数据增强处理,得到上述训练集和上述测试集。
可选的,上述第一处理模块,包括:第二处理单元,用于采用经验模态分解算法,按照不同的时间尺度对上述训练集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;第三处理单元,用于采用经验模态分解算法,按照不同的时间尺度对上述测试集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;组合单元,用于组合上述训练集对应的多个上述本征模态函数分量,得到第一特征向量,以及组合上述测试集对应的多个上述本征模态函数分量,得到第二特征向量。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例1中的相关描述,此处不再赘述。
上述的配电网故障原因的分类装置还可以包括处理器和存储器,上述获取模块40、确定模块42、第一处理模块44、训练模块46、第二处理模块48等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元,上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本申请实施例,还提供了一种非易失性存储介质的实施例。可选的,在本实施例中,上述非易失性存储介质包括存储的程序,其中,在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种配电网故障原因的分类方法。
可选的,在本实施例中,上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中,上述非易失性存储介质包括存储的程序。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:获取不同故障类型的配电网故障的零序电流波形数据;基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,其中,上述目标波形数据包括:在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,上述初始故障原因分类模型为基于长短期记忆网络构建得到的;将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:从上述零序电流波形数据中选取在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;将上述第一预定时间段内的零序电流波形数据和上述第二预定时间段内的零序电流波形数据进行数据增强处理,得到上述训练集和上述测试集。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:采用经验模态分解算法,按照不同的时间尺度对上述训练集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;采用经验模态分解算法,按照不同的时间尺度对上述测试集中的每一个零序电流波形数据进行分解处理,得到多个上述本征模态函数分量;组合上述训练集对应的多个上述本征模态函数分量,得到第一特征向量,以及组合上述测试集对应的多个上述本征模态函数分量,得到第二特征向量。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到上述配电网故障的第一输出特征向量;将上述第一输出特征向量输入至分类器,并由上述分类器将上述第一输出特征向量映射为每个故障原因的第一概率分布值;采用每个上述故障原因的上述第一概率分布值与预定标签分布构建损失函数对上述初始故障原因分类模型进行训练,直至满足预定停止条件,得到上述训练后的故障原因分类模型,其中,上述预定停止条件包括以下至少之一:初始故障原因分类模型收敛、满足预定训练次数。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的第二输出特征向量;将上述第二输出特征向量输入至分类器,并由上述分类器将上述第二输出特征向量映射为每个故障原因的第二概率分布值;确定每个上述故障原因的上述第二概率分布值中的最大概率分布值;基于每个上述故障原因的上述最大概率分布值分别确定对应的上述故障原因分类结果。
根据本申请实施例,还提供了一种处理器的实施例。可选的,在本实施例中,上述处理器用于运行程序,其中,上述程序运行时执行上述任意一种配电网故障原因的分类方法。
根据本申请实施例,还提供了一种计算机程序产品的实施例,当在数据处理设备上执行时,适于执行初始化有上述任意一种的配电网故障原因的分类方法步骤的程序。
可选的,上述计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取不同故障类型的配电网故障的零序电流波形数据;基于从上述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,其中,上述目标波形数据包括:在发生上述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生上述配电网故障之后的第二预定时间段内的零序电流波形数据;分别对上述训练集和上述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;将上述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,上述初始故障原因分类模型为基于长短期记忆网络构建得到的;将上述第二特征向量进行归一化处理后输入至上述训练后的故障原因分类模型,得到上述配电网故障的故障原因分类结果。
根据本申请实施例,还提供了一种电子设备的实施例,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为运行上述计算机程序以执行上述任意一种的配电网故障原因的分类方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,可以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系统,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述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或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。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,在本发明各个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。
所述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,可以存储在一个计算机可读取非易失性存储介质中。基于这样的理解,本发明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,该计算机软件产品存储在一个非易失性存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的非易失性存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种配电网故障原因的分类方法,其特征在于,包括:
获取不同故障类型的配电网故障的零序电流波形数据;
基于从所述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,其中,所述目标波形数据包括:在发生所述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生所述配电网故障之后的第二预定时间段内的零序电流波形数据;
分别对所述训练集和所述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;
将所述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,所述初始故障原因分类模型为基于长短期记忆网络构建得到的;
将所述第二特征向量进行归一化处理后输入至所述训练后的故障原因分类模型,得到所述配电网故障的故障原因分类结果。
2.根据权利要求1所述的分类方法,其特征在于,基于从所述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,包括:
从所述零序电流波形数据中选取在发生所述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生所述配电网故障之后的第二预定时间段内的零序电流波形数据;
将所述第一预定时间段内的零序电流波形数据和所述第二预定时间段内的零序电流波形数据进行数据增强处理,得到所述训练集和所述测试集。
3.根据权利要求1所述的分类方法,其特征在于,分别对所述训练集和所述测试集进行分解处理得到的具有信号局部特征的多个本征模态函数分量,对应得到第一特征向量和第二特征向量,包括:
采用经验模态分解算法,按照不同的时间尺度对所述训练集中的每一个零序电流波形数据进行分解处理,得到多个所述本征模态函数分量;
采用经验模态分解算法,按照不同的时间尺度对所述测试集中的每一个零序电流波形数据进行分解处理,得到多个所述本征模态函数分量;
组合所述训练集对应的多个所述本征模态函数分量,得到第一特征向量,以及组合所述测试集对应的多个所述本征模态函数分量,得到第二特征向量。
4.根据权利要求1所述的分类方法,其特征在于,将所述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,包括:
将所述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到所述配电网故障的第一输出特征向量;
将所述第一输出特征向量输入至分类器,并由所述分类器将所述第一输出特征向量映射为每个故障原因的第一概率分布值;
采用每个所述故障原因的所述第一概率分布值与预定标签分布构建损失函数对所述初始故障原因分类模型进行训练,直至满足预定停止条件,得到所述训练后的故障原因分类模型,其中,所述预定停止条件包括以下至少之一:初始故障原因分类模型收敛、满足预定训练次数。
5.根据权利要求1所述的分类方法,其特征在于,将所述第二特征向量进行归一化处理后输入至所述训练后的故障原因分类模型,得到所述配电网故障的故障原因分类结果,包括:
将所述第二特征向量进行归一化处理后输入至所述训练后的故障原因分类模型,得到所述配电网故障的第二输出特征向量;
将所述第二输出特征向量输入至分类器,并由所述分类器将所述第二输出特征向量映射为每个故障原因的第二概率分布值;
确定每个所述故障原因的所述第二概率分布值中的最大概率分布值;
基于每个所述故障原因的所述最大概率分布值分别确定对应的所述故障原因分类结果。
6.一种配电网故障原因的分类装置,其特征在于,包括:
获取模块,用于获取不同故障类型的配电网故障的零序电流波形数据;
确定模块,用于基于从所述零序电流波形数据中选取的目标波形数据,确定训练集和测试集,其中,所述目标波形数据包括:在发生所述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生所述配电网故障之后的第二预定时间段内的零序电流波形数据;
第一处理模块,用于分别对所述训练集和所述测试集进行分解处理得到的具有信号局部特征的本征模态函数分量,对应得到第一特征向量和第二特征向量;
训练模块,用于将所述第一特征向量进行归一化处理后输入至初始故障原因分类模型进行训练,得到训练后的故障原因分类模型,其中,所述初始故障原因分类模型为基于长短期记忆网络构建得到的;
第二处理模块,用于将所述第二特征向量进行归一化处理后输入至所述训练后的故障原因分类模型,得到所述配电网故障的故障原因分类结果。
7.根据权利要求6所述的分类装置,其特征在于,所述确定模块,包括:
选取单元,用于从所述零序电流波形数据中选取在发生所述配电网故障之前的第一预定时间段内的零序电流波形数据,以及发生所述配电网故障之后的第二预定时间段内的零序电流波形数据;
第一处理单元,用于将所述第一预定时间段内的零序电流波形数据和所述第二预定时间段内的零序电流波形数据进行数据增强处理,得到所述训练集和所述测试集。
8.根据权利要求6所述的分类装置,其特征在于,所述第一处理模块,包括:
第二处理单元,用于采用经验模态分解算法,按照不同的时间尺度对所述训练集中的每一个零序电流波形数据进行分解处理,得到多个所述本征模态函数分量;
第三处理单元,用于采用经验模态分解算法,按照不同的时间尺度对所述测试集中的每一个零序电流波形数据进行分解处理,得到多个所述本征模态函数分量;
组合单元,用于组合所述训练集对应的多个所述本征模态函数分量,得到第一特征向量,以及组合所述测试集对应的多个所述本征模态函数分量,得到第二特征向量。
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多条指令,所述指令适于由处理器加载并执行权利要求1至5中任意一项所述的配电网故障原因的分类方法。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至5中任意一项所述的配电网故障原因的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210153601.0A CN114595746A (zh) | 2022-02-18 | 2022-02-18 | 配电网故障原因的分类方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210153601.0A CN114595746A (zh) | 2022-02-18 | 2022-02-18 | 配电网故障原因的分类方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114595746A true CN114595746A (zh) | 2022-06-07 |
Family
ID=81806394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210153601.0A Pending CN114595746A (zh) | 2022-02-18 | 2022-02-18 | 配电网故障原因的分类方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595746A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449151A (zh) * | 2023-06-15 | 2023-07-18 | 青岛鼎信通讯股份有限公司 | 一种基于故障指示器的配电网故障定位方法 |
-
2022
- 2022-02-18 CN CN202210153601.0A patent/CN114595746A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449151A (zh) * | 2023-06-15 | 2023-07-18 | 青岛鼎信通讯股份有限公司 | 一种基于故障指示器的配电网故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149554B (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
CN113792495B (zh) | 一种基于在线监测数据的避雷器运行状态识别方法、装置 | |
CN114636900B (zh) | 一种配电网多重故障诊断方法 | |
CN115932484B (zh) | 输电线路故障辨识与故障测距方法、装置和电子设备 | |
CN113850330A (zh) | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 | |
CN110751385A (zh) | 非侵入式负荷识别方法、终端设备及存储介质 | |
CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
CN113447766A (zh) | 一种高阻接地故障的检测方法、装置、设备和存储介质 | |
CN114547816A (zh) | 一种配电网可靠性智能分析方法及装置 | |
CN107909035B (zh) | 一种准实时故障录波文件的读取及分析系统 | |
CN114595746A (zh) | 配电网故障原因的分类方法、装置、设备及存储介质 | |
Núñez et al. | Feature analysis and automatic classification of short‐circuit faults resulting from external causes | |
CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN116703682A (zh) | 一种基于深度学习的政务数据平台 | |
CN111126492A (zh) | 光伏电网的故障类型的确定方法及装置 | |
CN110855522A (zh) | 一种基于层次分析法的电能表通信质量检测方法 | |
CN115420988A (zh) | 异常用电用户的识别方法、装置、设备及存储介质 | |
CN112559947B (zh) | 一种基于设备的实时潮流数据检测方法及相关装置 | |
CN114528695A (zh) | 一种配电网供电半径过长自动判定方法及装置 | |
US20150227639A1 (en) | System data compression system and method thereof | |
CN113256444A (zh) | 一种低压台区户变关系辨识方法和装置 | |
CN113837527A (zh) | 企业评级方法、装置、设备以及存储介质 | |
CN112834863A (zh) | 利用电力线通信中的阻抗估计算法监测电力线故障的方法 | |
CN116662060B (zh) | 传感器信号采集处理系统的数据处理方法及系统 |
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 |