CN114720819A - 一种基于自校验学习的故障区段二分定位方法 - Google Patents
一种基于自校验学习的故障区段二分定位方法 Download PDFInfo
- Publication number
- CN114720819A CN114720819A CN202210339107.3A CN202210339107A CN114720819A CN 114720819 A CN114720819 A CN 114720819A CN 202210339107 A CN202210339107 A CN 202210339107A CN 114720819 A CN114720819 A CN 114720819A
- Authority
- CN
- China
- Prior art keywords
- fault
- node
- nodes
- line
- current
- 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
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Locating Faults (AREA)
Abstract
本发明属于电力系统自动化技术领域,具体是公开了一种基于自校验学习的故障区段二分定位方法,故障发生后,采集终端将实测信号上传给主站,先利用小波变换完成波形的时序同步和检测装置的极性校验,并引入孪生神经网络完成故障点上下游暂态零序电流的相似性判断,实现故障区段定位,最终在系统网络拓扑的基础上,使用二分搜索法快速确定最小故障区段。该方法能有效排除通信设备的传输时延和电流互感器反接的操作失误带来的干扰,孪生神经网络的自适应学习能揭示数据的潜在关系,提高不同接地位置、接地时刻、过渡电阻等条件下的故障检测能力,结合快速搜索算法,能充分体现神经网络的泛化性,又可以减少主站的计算量,提高了定位效率。
Description
技术领域
本申请属于电力系统自动化技术领域,是一种中压配电网单相接地故障的区段定位方法,适用于3~60kV中性点非有效接地系统,能够在单相接地故障发生时,准确并快速地定位故障区段。
背景技术
电力一直是人们赖以生存的能源,为保证人民正常生活,需要加强电网工程建设,并提供更加可靠的电力保障。因此,当配电网发生故障时,迅速准确的排除故障依然是亟需完成的重要任务。其中,中压配电网广泛应用于我国的城市和农村配电,它是连接终端电力用户和大电网的桥梁,直接关系到用户的电能质量和供电可靠性。在所有故障中,单相接地故障的发生几率最大,占比在80%以上。由于我国的配电网大多数采用中性点非有效接地系统,其产生的故障电流往往十分微弱,难以分析,因此各国对于系统故障的正确诊断迄今为止尚未得到很好的解决。
目前,关于单相接地故障的选线和定位技术依然是国内外研究的重点。经过几十年的发展,选线问题已经得到了很好的解决,技术成熟,现有装置可靠性高。选出故障线路后,需要进一步找出故障点所在的区段,也就是区段定位问题。现有中性点非有效接地系统故障定位的方法亦可分为主动式和被动式两大类,主动式定位方法是指在故障后,向故障线路注入一些特定信号,通过追寻这一信号判断故障位置。被动式故障定位,无需附加信号,通过故障前后电流、电压等特征量,进行定位判断。而主流的配电网故障定位技术主要包括区段定位和故障测距。快速区段定位有助于快速隔离故障区域和恢复非故障区域供电,但现有成果中针对故障特征微弱的接地电流研究较少,且受制于现场环境及网络结构,多存在定位盲区。精确故障测距有利于及时修复线路和缩短停电时间,但目前尚处于理论研究阶段,多分支结构下基于暂态信息的定位方法和基于有限测点信息的定位方法是其主要难点。
随着现代通信技术的发展和终端硬件平台的工作能力不断增强,基于故障点上下游暂态零序电流相似性的配电线路故障区段定位技术得到广泛应用。针对传统线性相关法存在的,易受系统中性点接地方式、故障点距离和过渡电阻大小等环境因素,以及电流互感器极性未知或智能电表错误安装等人为因素所导致的定位不准确问题。本发明公开了一种基于自校验学习的故障区段二分定位方法,引入孪生神经网络对两个信号进行相似性匹配,用特征向量之间距离度量表示信号的差异性,经训练的模型可以准确定位故障区段。
发明内容
有鉴于此,本发明的目的在于提出一种在复杂网络情况下,即配电网中存在大量运行状态未知的待检测节点,并且存在各种因素带来的故障定位盲区,使用基于电流互感器(CT)工频极性校验的孪生神经网络(SNN)实现异常点或伪相似点的识别,同时结合二分搜索法(BS)克服主站集中式管理因顺序轮询判断带来的搜索效率低下的问题。
为了解决上述问题,达到上述目的,本发明提供如下技术方案:
一种基于自校验学习的故障区段二分定位方法,该方法包括以下步骤:
S1:安装在线路多个位置的终端实时检测安装位置处的暂态零序电流;
S2:当某一故障指示器检测的零序电压幅值超过预设的启动值后,所有节点立刻采集零序电压超过启动值前1个周期和超过启动值后2个周期的暂态零序电流信号;
S3:各馈线终端进行故障信息上传,配电网子站管理和收集各区域信息并传输给主站实现信息汇总;
S4:主站接收到各终端传来的暂态零序电流信号后,进行信号同步和极性校验;
S5:主站基于零序电流的原始波形,提取相同线路上节点的暂态信号构成数据集,并确定SNN的网络结构和参数;
S6:训练SNN,改变单相接地故障下的过渡电阻大小、初始相位以及故障位置等多种条件,并将同一线路上的节点两两组合,得到暂态零序电流数据作为神经网络的两个输入,最后设置收敛条件和最大训练次数,完成离线训练;
S7:将现场实际的故障特征数据作为实际输入样本,用训练后的SNN模型进行定位,网络的输出结果表示故障点上下游的暂态零序电流的相似性;
S8:将模型判断的结果用于故障区段二分搜索法,逐次判断每一条线路;
S9:若当前检测节点为相邻节点,即可以结束二分法,并确定其为最小故障区段。
进一步,所述步骤S1具体为:在实际工程中,监测节点的应用主要是由智能化的故障指示器与带有通信功能的馈线终端单元构成,故障指示器有数据采集和报警功能,并结合无线通信模块,能做到信息传输,而且在设置节点前,需要优化配电网监测节点网络的拓扑结构,以节约成本。
进一步,所述步骤S2具体为:当发生单相接地故障时,其中性点的瞬时电压U0大于额定相电压最大值Um的15%,此时故障指示器响应,并启动通信模块进行故障上报。
进一步,所述步骤S3具体为:用于通信的终端包括馈线终端(FTU)和远程终端(RTU),除开采集和处理故障信息外,RTU还可以控制变电站出线处的开关,通信网络主要由光纤和无线通信等方式组成,用于各类信息的传输,主站将根据各子站所上传的信息,结合配电网结构与特征信息构建故障判别矩阵,并通过检测算法确定最终区段。
进一步,所述步骤S4具体为:利用小波变换对零序电流进行预处理,计算高频细节信号的小波模极大值,将峰值作为故障时刻,实现节点之间的零序电流同步,而将低频的近似信号代替工频分量,通过判断相关系数的正负,实现CT反接的极性校验。
进一步,所述步骤S5具体为:根据不同的采样频率,提取一个工频周期的时间序列,神经网络的输入节点个数即为样本长度,孪生神经网络的构成主要由一维卷积神经网络组成,模型结构的建立包括卷积层、池化层和全连接层,输出层为单神经元,代表了故障点上下游暂态零序电流的距离,数值越大即波形差异越大,存在接地故障。
进一步,所述步骤S6具体为:利用电磁暂态仿真软件,建立实际线路的等效模型,改变故障初始相角和故障位置(包括故障相和故障点到母线距离),模拟金属性接地、低阻性接地、高阻性接地和电弧性接地等多种接地故障,获取故障数据,并使用PC对模型进行训练拟合。
进一步,所述步骤S7具体为:在实际线路上发生单相接地故障后,在不进行故障选线的前提下,需要对每条线路进行判断,采集当前线路上所有节点的暂态零序电流,从线路两端开始,从远到近,利用模型输出结果判断波形差异。
进一步,所述步骤S8具体为:由于采集节点的位置固定,认为其为有序节点,从两端的节点开始,如果两端的节点波形不相似,即需要定位的最小区段存在于当前节点之间,则取中间节点进行折半查找,将其与上游节点继续进行比较,如果相似则认为故障点存在于中点下游,反之继续缩小搜索范围,每次缩小范围为一半。
进一步,所述步骤S9具体为:如果当前指针所指的节点编号相邻,则认为该搜索范围无法继续折半,即当前区段为最终定位的故障最小区段。
本发明的有益效果在于:本发明利用暂态量定位相比传统稳态分量,故障特征明显,且可以有效克服中性点接地方式带来的影响;训练样本选取考虑不同位置不同时刻发生的多种故障情况,包括金属性接地、低阻性接地、高阻性接地、经不同过渡电阻的弧光接地等,目的是使训练后的孪生神经网络能适用于所有的接地故障情况,提高区段定位鲁棒性;利用小波变换的多尺度特性,结合其奇异性理论实现了时序同步,减少了通信时延带来的干扰,同时利用低频信号实现CT极性校验,避免了设备错误安装或极性未知带来的误判;SNN作为距离比较法的延伸,结合本身的自适应学习特性,相比传统的线性相关法,对于某些定位盲区也有很好的识别率;采用“二分法”逐级搜索,从干路到支路,直到找到最小故障区段,可以极大地提高主站的搜索和分析效率。
附图说明
图1为孪生神经网络的结构示意图
图2为二分搜索法原理图
图3为中性点非有效接地系统的极性校验原理
图4为基于自校验孪生神经网络的故障区段二分法定位流程图
具体实施方式
为使本发明的目的、技术方案和优点表达得更加清楚明白,下面结合附图及具体实施例对本发明作进一步详细的说明。
本发明对于故障点上下游暂态零序电流的相似性判断基于图1的结构示意图,孪生神经网络由两个分支网络构成,两个子网络的结构和权值参数共享,其特征向量最后通过一个相似性度量模块输出:
X1和X2为待比较的两个时间序列,分别输入到两个共享权值W的神经网络Network中。原序列Xi和Xj通过Network的非线性映射得到新的向量Net(w,Xi)和Net(w,Xj),w为网络共享参数。
设Network有K层神经网络,第k层网络存在p(k)个神经元,输入向量Xi(x1,x2,…,xd)在第k层的输出为z(k)=s(w(k)z(k-1)+b(k)),其中w(k)为p(k)×d的权值矩阵;b(k)为长度p(k)的偏置向量;s为激活函数。该网络在新特征空间上的映射为:
Net(w,Xi)=z(K)=s(w(K)z(K-1)+b(K))
相似性度量模块将计算映射的距离,作为两个子网络输出向量间的相似度:
Ew(Xi,Xj)=||Net(w,Xi)-Net(w,Xj)||2
为保证两特征向量在相似时距离度量尽可能小,差异较大时距离度量尽可能大,这里选取二进制交叉熵损失函数,其表达式为:
图2为本发明所述二分搜索法原理图,如图所示,本发明所述方法具体包括以下步骤:
1、将Left与Right分别设置为当前线路的起始节点0与size-1,计算它们暂态零序电流的差异,若为1(实际要求大于0.5),表示当前故障点存在于Left与Right之间;
2、在循环的每次迭代过程中,将Middle设置为Left与Right之间区域的中间值,并计算Left与Middle所指节点的波形差异,若为0(实际要求小于0.5),表示当前故障点存在于Middle与Right之间;
3、将当前Middle作为新的Left继续进行判断,并重复步骤1和2;
4、随着搜索不断进行,当Left与Right所指编号之差等于1时,即认为当前Left与Right所包含区域为故障最小区段,并结束搜索。
图3为本发明所述中性点非有效接地系统的极性校验原理,如图所示,本发明所述方法具体包括以下步骤:
1、计算各检测点小波变换第1层细节分量的模极大值,进而确定奇异点位置,即故障发生时刻,实现波形同步;
2、在使用故障选线法的基础上,区分故障线路与正常线路;
3、在中性点不接地系统的健全线路,或者中性点经消弧线圈接地的故障线路上,从母线开始依次得到相邻节点a、b和c的暂态零序电流,并使用步骤1中小波变换后的低频近似信号作为工频分量进行相关分析。
4、当ρab>0时,认为当前两个节点a与b的设备安装正确,无需进行校验;当ρab<0时,认为节点a与b之间存在设备安装错误的问题,若a节点为线路的起始节点,则计算节点b与c的相关系数,ρbc<0,则故障设备为b,需要进行校验,而ρbc>0就认为起始节点a为故障。在已知先前节点为正常的情况下只需再计算一次相关性即可。
图4为本发明所述基于自校验孪生神经网络的故障区段二分法定位流程图,如图所示,本发明的具体实施流程包括信号检测与预处理、SNN网络训练和故障区段二分法定位三个环节。
Claims (10)
1.一种基于自校验学习的故障区段二分定位方法,其特征在于,包括以下步骤:
S1:安装在线路多个位置的终端实时检测安装位置处的暂态零序电流;
S2:当某一故障指示器检测的零序电压幅值超过预设的启动值后,所有节点立刻采集零序电压超过启动值前1个周期和超过启动值后2个周期的暂态零序电流信号;
S3:各馈线终端进行故障信息上传,配电网子站管理和收集各区域信息并传输给主站实现信息汇总;
S4:主站接收到各终端传来的暂态零序电流信号后,进行信号同步和极性校验;
S5:主站基于零序电流的原始波形,提取相同线路上节点的暂态信号构成数据集,并确定SNN的网络结构和参数;
S6:训练SNN,改变单相接地故障下的过渡电阻大小、初始相位以及故障位置等多种条件,并将同一线路上的节点两两组合,得到暂态零序电流数据作为神经网络的两个输入,最后设置收敛条件和最大训练次数,完成离线训练;
S7:将现场实际的故障特征数据作为实际输入样本,用训练后的SNN模型进行定位,网络的输出结果表示故障点上下游的暂态零序电流的相似性;
S8:将模型判断的结果用于故障区段二分搜索法,逐次判断每一条线路;
S9:若当前检测节点为相邻节点,即可以结束二分法,并确定其为最小故障区段。
2.如权利要求1所述方法,其特征在于,在所述步骤S1中,监测节点主要是由智能化的故障指示器与带有通信功能的馈线终端单元构成,故障指示器有数据采集和报警功能,并结合无线通信模块,能做到信息传输,而且在设置节点前,需要优化配电网监测节点网络的拓扑结构,以节约成本。
3.如权利要求1所述方法,其特征在于,在所述步骤S2中,当发生单相接地故障时,其中性点的瞬时电压U0大于额定相电压最大值Um的15%,此时故障指示器响应,并启动通信模块进行故障上报。
4.如权利要求1所述方法,其特征在于,在所述步骤S3中,用于通信的终端包括馈线终端(FTU)和远程终端(RTU),除开采集和处理故障信息外,RTU还可以控制变电站出线处的开关,通信网络主要由光纤和无线通信等方式组成,用于各类信息的传输,主站将根据各子站所上传的信息,结合配电网结构与特征信息构建故障判别矩阵,并通过检测算法确定最终区段。
5.如权利要求1所述方法,其特征在于,在所述步骤S4中,主站将利用小波变换对零序电流进行预处理,计算高频细节信号的小波模极大值,将峰值作为故障时刻,实现节点之间的零序电流同步,而将低频的近似信号代替工频分量,通过判断相关系数的正负,实现CT反接的极性校验。
6.如权利要求1所述方法,其特征在于,在所述步骤S5中,根据不同的采样频率,提取一个工频周期的时间序列,神经网络的输入节点个数即为样本长度,孪生神经网络的构成主要由一维卷积神经网络组成,模型结构的建立包括卷积层、池化层和全连接层,输出层为单神经元,代表了故障点上下游暂态零序电流的距离,数值越大即波形差异越大,存在接地故障。
7.如权利要求1所述方法,其特征在于,在所述步骤S6中,利用电磁暂态仿真软件,建立实际线路的等效模型,改变故障初始相角和故障位置(包括故障相和故障点到母线距离),模拟金属性接地、低阻性接地、高阻性接地和电弧性接地等多种接地故障,获取故障数据,并使用PC对模型进行训练拟合。
8.如权利要求1所述方法,其特征在于,在所述步骤S7中,在实际线路上发生单相接地故障后,在不进行故障选线的前提下,需要对每条线路进行判断,采集当前线路上所有节点的暂态零序电流,从线路两端开始,从远到近,利用模型输出结果判断波形差异。
9.如权利要求1所述方法,其特征在于,在所述步骤S8中,由于采集节点的位置固定,认为其为有序节点,从两端的节点开始,如果两端的节点波形不相似,即需要定位的最小区段存在于当前节点之间,则取中间节点进行折半查找,将其与上游节点继续进行比较,如果相似则认为故障点存在于中点下游,反之继续缩小搜索范围,每次缩小范围为一半。
10.如权利要求1所述方法,其特征在于,在所述步骤S9中,如果当前指针所指的节点编号相邻,则认为该搜索范围无法继续折半,即当前区段为最终定位的故障最小区段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339107.3A CN114720819A (zh) | 2022-04-01 | 2022-04-01 | 一种基于自校验学习的故障区段二分定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339107.3A CN114720819A (zh) | 2022-04-01 | 2022-04-01 | 一种基于自校验学习的故障区段二分定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114720819A true CN114720819A (zh) | 2022-07-08 |
Family
ID=82241487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210339107.3A Pending CN114720819A (zh) | 2022-04-01 | 2022-04-01 | 一种基于自校验学习的故障区段二分定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114720819A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966326A (zh) * | 2022-08-01 | 2022-08-30 | 国家电网有限公司 | 基于电流负序故障的单相接地故障区段定位方法及系统 |
CN116990632A (zh) * | 2023-06-21 | 2023-11-03 | 国网山东省电力公司济宁市任城区供电公司 | 一种配电网单相高阻接地故障检测方法及系统 |
CN118035694A (zh) * | 2024-04-15 | 2024-05-14 | 广东电网有限责任公司湛江供电局 | 一种配电网故障预测方法及其预测系统 |
-
2022
- 2022-04-01 CN CN202210339107.3A patent/CN114720819A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966326A (zh) * | 2022-08-01 | 2022-08-30 | 国家电网有限公司 | 基于电流负序故障的单相接地故障区段定位方法及系统 |
CN116990632A (zh) * | 2023-06-21 | 2023-11-03 | 国网山东省电力公司济宁市任城区供电公司 | 一种配电网单相高阻接地故障检测方法及系统 |
CN118035694A (zh) * | 2024-04-15 | 2024-05-14 | 广东电网有限责任公司湛江供电局 | 一种配电网故障预测方法及其预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114720819A (zh) | 一种基于自校验学习的故障区段二分定位方法 | |
CN103454559B (zh) | 一种配电网单相接地故障区段定位方法及定位装置 | |
CN105044524B (zh) | 一种适用于智能变电站的避雷器监测方法及系统 | |
AU2020103179A4 (en) | A Fault Locating Method of Power Grid Based on Network Theory | |
CN108173263A (zh) | 一种基于ami量测信息的配电网拓扑错误辨识算法 | |
CN108683180B (zh) | 一种三相低压配电网拓扑重建方法 | |
CN111537830A (zh) | 一种基于云边架构和小波神经网络的配电网故障诊断方法 | |
CN108508320A (zh) | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 | |
CN110348114B (zh) | 一种电网完备性状态信息重构的非精确故障识别方法 | |
CN110289613A (zh) | 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法 | |
CN111413589A (zh) | 一种基于灰靶决策的配电网单相短路故障定位方法 | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
CN101499659A (zh) | 基于基尔霍夫电流定律的变电站分布式状态估计方法 | |
CN113376476A (zh) | 一种基于phm的中低压配电网运维系统及方法 | |
CN116298684A (zh) | 一种配电网用故障研判定位系统 | |
CN107462810A (zh) | 一种适用于有源配电网的故障区段定位方法 | |
CN113644748A (zh) | 一种区域内变电站设备模拟监控系统及方法 | |
CN115825656A (zh) | 一种新能源光伏电站配电网的故障监测方法、装置及系统 | |
CN114707789A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法和系统 | |
CN111650469B (zh) | 一种基于d-pmu装置的配电网故障精确定位方法 | |
CN112462195A (zh) | 一种基于故障特征值的小电流故障定位方法 | |
CN113325269A (zh) | 一种配网高阻故障监测方法、系统、设备及存储介质 | |
CN117394311B (zh) | 一种基于多源信息融合的配电网韧性评估及紧急控制方法 | |
Fan et al. | Fault interval judgment of urban distribution grid based on edge computing of distribution Internet of Things | |
CN115078920B (zh) | 多信息融合的有源配电网单相接地故障选线方法与系统 |
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 |