CN114994464B - 一种基于生成对抗网络的配网隐患识别方法 - Google Patents
一种基于生成对抗网络的配网隐患识别方法 Download PDFInfo
- Publication number
- CN114994464B CN114994464B CN202210914938.9A CN202210914938A CN114994464B CN 114994464 B CN114994464 B CN 114994464B CN 202210914938 A CN202210914938 A CN 202210914938A CN 114994464 B CN114994464 B CN 114994464B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- hidden danger
- traveling wave
- network
- 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.)
- Active
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及配网隐患识别技术领域,公开了一种基于生成对抗网络的配网隐患识别方法,包括以下步骤:步骤S1:采集配网隐患行波;步骤S2:对配网隐患行波进行定位;步骤S3:通过生成对抗网络学习配网隐患行波的波形特征,并形成典型的配网隐患行波识别库;将当前的配网隐患行波的波形特征与典型的配网隐患行波识别库进行比较,从而识别配网隐患的类型。本发明采用无监督学习方式训练生成对抗网络,可解决监督学习中人工标注配网隐患行波样本的问题,该方法在识别速度、准确性和工程应用能力方面具有优势,用于解决配网隐患发现不及时和识别准确率低的问题。
Description
技术领域
本发明涉及配网隐患识别技术领域,具体地说,是一种基于生成对抗网络的配网隐患识别方法,用于解决配网隐患发现不及时和识别准确率低的问题。
背景技术
配网隐患识别主要分为配网图像识别和隐患放电特征分析两类。
配网图像识别分析通过摄像头识别配网线路的树木阻碍、鸟类危害等隐患;通过兴趣学习区域算法识别配电线路异常图像数据,识别配电线路上的树木阻碍、鸟类危害等隐患。但上述配网图像识别研究对不能从图片上判断配网设备老化、T接点氧化等缺陷,因此其适用性不够强。
在隐患放电特征分析中,通过配网量测装置采集配网隐患行波放电数据,通过特征波形的分析,识别配网隐患类型。比如通过移相与小波变换提取鸟类隐患造成的配电线路行波电流特征,实现配网线路鸟类隐患的识别。比如通过对各频谱下电缆脉冲的偏移与距离变化等特征,对配电电缆刀具划痕隐患进行识别。比如通过对复合绝缘子放电特征进行分析,识别绝缘子导通性缺陷。由此可见,配网隐患放电特征分析方法多样。但上述研究中,均采用人工分析配网隐患行波形状识别隐患类型,分析准确率依赖于人工经验值,发现及时率低,不利于规模化应用。
综上所述,配网隐患查找方式依赖人工巡视,而巡视人员很难从外观上发现配网线路T接点氧化、设备老化等隐患。为了解决配网隐患发现不及时和识别准确率低的问题,本发明提出了一种基于生成对抗网络的配网隐患识别方法。
发明内容
本发明的目的在于提供一种基于生成对抗网络的配网隐患识别方法,采用无监督学习方式训练生成对抗网络,可解决监督学习中人工标注配网隐患行波样本的问题,该方法在识别速度、准确性和工程应用能力方面具有优势,用于解决配网隐患发现不及时和识别准确率低的问题。
本发明通过下述技术方案实现:一种基于生成对抗网络的配网隐患识别方法,括以下步骤:
步骤S1:采集配网隐患行波;
步骤S2:对配网隐患行波进行定位;
步骤S3:通过生成对抗网络学习配网隐患行波的波形特征,并形成典型的配网隐患行波识别库;将当前的配网隐患行波的波形特征与典型的配网隐患行波识别库进行比较,从而识别配网隐患的类型。
为了更好地实现本发明,进一步地,步骤S1包括:
步骤S11:通过部署在配网不同分段位置的配电行波量测装置对配网电流进行监测,当监测到电流发生异常变化时,启动配网上所有的行波量测装置进行检测;
步骤S12:配网行波量测装置采用改进小波变换提取配网隐患首波的波形并记录抵达装置的时间,从而完成配网隐患行波的提取。
为了更好地实现本发明,进一步地,步骤S2包括:
建立配网下所有行波量测装置的首波抵达时间矩阵;
计算出最早接收到配网隐患行波首波的两个行波量测装置,即为距离配网隐患点最近的两个装置;
采用改进双端行波定位法,计算配网隐患行波到达配网行波量测装置的时间差,并根据行波传输速度,计算出配网隐患点的位置。
为了更好地实现本发明,进一步地,步骤S3包括:
步骤S31:对配网隐患行波的波形进行聚类,并提取典型的配网隐患行波特征;
步骤S32:通过生成对抗网络学习配网隐患行波的波形特征;
步骤S33:判断配网隐患行波的波形特征的类别是否为新隐患类型,如果是,增加至隐患行波识别库中,如果否对隐患结果进行告警。
针对中国配网隐患发现不及时,识别准确率低的问题,本发明介绍了一种基于生成对抗网络的配网隐患识别方法。采用模块化设计,包括隐患行波采集、隐患定位和隐患类型识别三部分。隐患行波采集部分采用小波变换提取隐患首波的波形并记录抵达装置的时间。隐患定位部分通过改进双端行波定位方法确定隐患位置,提高隐患定位精度。隐患类型识别部分采用近邻传播对隐患行波进行聚类,获取隐患行波的分类特征,然后通过生成对抗网络识别配网隐患。
为了更好地实现本发明,进一步地,步骤S12包括:
改进小波变换通过频率-时间窗口进行信号处理;
改进小波变换通过提取时域和频域信号的局部细节,实现突变信号的识别;
设改进小波变换的尺度为ka,平移量为oa,初始信号为g(t),配网隐患行波采样的间隔为δ,小波基函数为λ,则小波变换后的配网隐患行波值G(t)为:
通过改进小波变换,提取配网隐患行波的首波波形并记录抵达装置的时间,从而完成配网隐患行波的提取。
为了更好地实现本发明,进一步地,根据配网的网架结构,建立配网隐患行波定位拓扑结构;
提取配网隐患行波矩阵中时间最早的两个点ba和bb,这两个点即为距离隐患位置最近的两个配网行波量测装置的时间点;
将距离隐患位置最近配网行波量测装置的时间点代入改进双端行波定位方法计算故障的位置;
为了更好地实现本发明,进一步地,步骤S31包括:
采用改进AP聚类处理配网隐患行波曲线数据时,通过优化偏置函数提高聚类运行速度;
设配网隐患行波曲线ua和ub的相似特征个数为nb,最小特征点uab取值为:
通过对配网隐患行波曲线聚类的偏置函数调优。
为了更好地实现本发明,进一步地,步骤S32包括:
采用生成对抗网络对配网隐患波形进行学习,对配网隐患类型进行自动识别;
生成对抗网络包括生成模块Ra和判别模块Za,其中,生成模块Ra用于提取配网隐患行波数据,判别模块Za用于判别输入的配网行波隐患数据与训练数据相似的概率,校准生成模块Ra;
为了更好地实现本发明,进一步地,生成模块Ra提取配网隐患行波数据的方法包括:
所述生成模块Ra先采用卷积神经网络CNN提取配网隐患行波标准样本的特征;
再结合校准信息进行样本重构;
最后通过卷积神经网络CNN生成标准样本数据。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明提供一种基于生成对抗网络的配网隐患识别方法,采用无监督学习方式训练生成对抗网络,可解决监督学习中人工标注配网隐患行波样本的问题,该方法在识别速度、准确性和工程应用能力方面具有优势;
(2)本发明提供一种基于生成对抗网络的配网隐患识别方法,用于解决配网隐患发现不及时和识别准确率低的问题。
附图说明
本发明结合下面附图和实施例做进一步说明,本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的一种基于生成对抗网络的配网隐患识别方法的流程示意图。
图2为本发明提供的一种基于生成对抗网络的配网隐患识别方法中配网隐患行波曲线AP聚类示意图。
图3为本发明提供的一种基于生成对抗网络的配网隐患识别方法中配网隐患识别生成对抗网络示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
名词解释:
生成对抗网络,生成式对抗网络(GAN, Generative Adversarial Networks )是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。原始 GAN 理论中,并不要求 G 和 D 都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和D 。一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出不理想。
行波,沿配电线路传播的电压、电流波,其中沿参考方向传播的行波称为正向行波(或前行波),沿参考方向的相反方向传播的行波称为反向行波(或反行波)。行波过程由建立在分布参数线路模型基础上的电报方程来描述。
配网隐患,中国配网线路网架结构复杂,线路长、分支多,易受运行环境、设备老化、树竹隐患、外力破坏等因素影响,造成配网隐患。
实施例1:
本实施例的一种基于生成对抗网络的配网隐患识别方法的流程示意图,如图1所示,在隐患行波采集环节,首先通过部署在配网不同分段位置的配电行波量测装置对配网电流进行监测,当监测到电流发生异常变化时,启动配网上所有的行波量测装置进行检测。然后配网行波量测装置采用小波变换提取配网隐患首波的波形并记录抵达装置的时间,从而完成配网隐患行波的提取。在隐患定位环节,首先建立该配网下所有行波量测装置的首波抵达时间矩阵,然后计算出最早接收到配网隐患行波首波的两个行波量测装置,即为距离配网隐患点最近的两个装置。其次,采用改进双端行波定位法,计算配网隐患行波到达配网行波量测装置的时间差,并根据行波传输速度,计算出配网隐患点的位置。在隐患类型识别环节,首先对配网隐患行波的波形进行聚类,并提取典型的配网隐患行波特征,然后,采用生成对抗网络识别配网隐患行波类型,并建立配网隐患行波识别库。
生成对抗网络是一种非监督学习的深度学习人工智能算法模型,其基本工作原理为:首先通过生成对抗网络学习配网隐患行波特征,并形成典型的配网隐患行波识别库。然后将当前的配网隐患行波的波形特征通过与该库典型值比较,从而识别配网隐患的类型。该方法采用无监督学习方式训练生成对抗网络,可解决监督学习中人工标注配网隐患行波样本的问题,该方法在识别速度、准确性和工程应用能力方面具有优势。
实施例2:
本实施例在实施例1的基础上做进一步优化,在本实施例中,配网隐患的主要产生原因包括:树竹、鸟类等接触配电线路引发的单相接地;雨水、鸟粪等引起的配网T接点氧化、绝缘子表面污秽闪络。因树竹、鸟类等单相接地可通过人工巡线、视频识别、局放检测等多种方式检测,所以本申请中重点分析了人工巡线过程中不易发现的绝缘隐患放电行波识别问题。当配网T接点氧化、绝缘子受潮或绝缘导线外皮破损后,都会产生局部放电特征的配网隐患行波信号,并通过配电线路向两侧传输。隐患行波采集主要是在配网发生隐患后,监测配网隐患行波信号,然后进行定位与类型识别,从而实现配网隐患的预警。
在配网隐患行波提取时,国家电网有限公司于2021年开始应用配网行波量测装置,根据配电线路的长度及分支线的数量布置若干套装置。该装置的工频信号采样率为12.8KHz,配网行波信号的采样率为2MHz,可满足不同类型的配网隐患行波数据采集。
配网行波量测装置首先监测配网工频信号,当监测到电流发生异常变化时,启动配网上所有的行波量测装置进行隐患行波检测。由于隐患行波电流最低为毫安级,和上百安的正常电流相比较小,采用傅里叶变换不能从中提取隐患行波分量,因此,本申请中采用改进小波变换提取配网隐患首波。
改进小波变换继承了傅里叶变换的思想,通过频率-时间窗口进行信号处理。该变换可提取时域和频域信号的局部细节,实现突变信号的识别。
设改进小波变换的尺度为ka,平移量为oa,初始信号为g(t),配网隐患行波采样的间隔为δ,小波基函数为λ,则小波变换后的配网隐患行波值G(t)为:
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1或2的基础上做进一步优化,在配网发生隐患后,柱上断路器不动作。行波量测装置记录该配网下隐患行波首波的抵达时间,并建立配网隐患行波矩阵。然后计算出隐患行波抵达时间最早的两个配网行波量测装置,最后采用改进双端行波定位方法,计算配网隐患点位置,步骤如下:
首先,根据配网的网架结构,建立配网隐患行波定位拓扑结构。
其次,根据配网隐患发生后,该配网上安装的行波量测装置采集隐患行波首波到达时间。设配网行波量测装置有na个,隐患行波首波抵达量测装置的时间用a表示,则配网隐患行波矩阵A为:
然后,提取配网隐患行波矩阵中时间最早的两个点ba和bb,这两个点即为距离隐患位置最近的两个配网行波量测装置的时间点。
再然后,将距离隐患位置最近配网行波量测装置的时间点代入改进双端行波定位方法计算故障的位置。设两个配网行波量测装置之间的距离长度为J,从配网隐患点传输到第一个终端的时间为c1,到第二个终端的传输时间为c2,配网隐患行波传输的速度为ea,则隐患点到配网行波量测装置的距离为d为:
再依据其它配电量测装置的两端组合,计算配电隐患行波距离矩阵。
最后,根据配电隐患行波距离矩阵的定位平均值,对配网隐患点位置进行修正。设其它配网行波量测装置到离隐患位置最近的量测装置的距离为dai,到隐患点的位置为dci,则隐患点到配网行波量测装置的距离修正为:
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上做进一步优化,如图2所示,近邻传播聚类(Affinity propagation, AP)在多个配网隐患行波曲线之间进行相似程度聚类,通过欧式距离构建配网隐患行波曲线的相似程度矩阵,并找出配网隐患行波曲线的聚类中心。该方法具有无需指定配网隐患行波曲线数量,聚类的结果误差小的特点。本申请中采用改进AP聚类处理配网隐患行波曲线数据时,通过优化偏置函数,从而提高聚类运行速度。设uab、uac为配网隐患行波曲线ua和ub的特征值和特征值的欧式距离,配网隐患行波的特征权重为Ψ,改进的AP聚类偏置函数Ecd为:;设配网隐患行波曲线ua和ub的相似特征个数为nb,最小特征点uab取值为:;其中,uai是不同的配网隐患行波曲线ua与ub相似特征数据;ubi是不同的配网隐患行波曲线ub与ua相似特征数据;
通过对配网隐患行波曲线聚类的偏置函数调优,可以减少AP聚类迭代的次数,提高精度。
配网隐患行波曲线AP聚类的结果如图2所示。根据图2的配网隐患类型,提取典型的配网隐患行波特征。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
实施例5:
本实施例在上述实施例1-4任一项基础上做进一步优化,供电公司当前在配网隐患识别过程中,选用经验丰富的运维人员人工分析隐患行波的形状来判断隐患类型,但该方式对配网运维人员要求高,处理速度慢,不能满足配网隐患查找及时性的要求。本申请中所提方法采用生成对抗网络对配网隐患波形进行学习,从而实现配网隐患类型的自动识别。
如图3所示,在配网隐患识别生成对抗网络包括生成模块Ra和判别模块Za,其中,生成模块Ra用于提取配网隐患行波数据,判别模块Za用于判别输入的配网行波隐患数据与训练数据相似的概率。
如图3所示,Ra的目的是为了输出更标准的配网隐患行波样本,首先采用卷积神经网络(Convolutional Neural Networks, CNN) 提取配网隐患行波标准样本的特征,然后,结合校准信息进行样本重构,最后,通过CNN生成标准样本数据。Za用于判别目标配网隐患行波数据来源于Ra训练集的概率,可校准Ra的校验。
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (7)
1.一种基于生成对抗网络的配网隐患识别方法,其特征在于,包括以下步骤: 步骤S1:采集配网隐患行波; 步骤S2:对配网隐患行波进行定位,所述进行定位的方法具体包括:
根据配网的网架结构,建立配网隐患行波定位拓扑结构;
配网隐患发生后,配网上安装的行波量测装置采集隐患行波首波到达时间,设配网行波量测装置有na个,隐患行波首波抵达量测装置的时间用a表示,则配网隐患行波矩阵A为:
提取配网隐患行波矩阵中时间最早的两个点ba和bb,这两个点即为距离隐患位置最近的两个配网行波量测装置的时间点;
将距离隐患位置最近配网行波量测装置的时间点代入改进双端行波定位方法计算故障的位置;
步骤S3:通过生成对抗网络学习配网隐患行波的波形特征,并形成典型的配网隐患行波识别库;将当前的配网隐患行波的波形特征与典型的配网隐患行波识别库进行比较,从而识别配网隐患的类型。
2.根据权利要求1所述的一种基于生成对抗网络的配网隐患识别方法,其特征在于,所述步骤S1包括: 步骤S11:通过部署在配网不同分段位置的配电行波量测装置对配网电流进行监测,当监测到电流发生异常变化时,启动配网上所有的行波量测装置进行检测; 步骤S12:配网行波量测装置采用改进小波变换提取配网隐患首波的波形并记录抵达装置的时间,从而完成配网隐患行波的提取。
3.根据权利要求1所述的一种基于生成对抗网络的配网隐患识别方法,其特征在于,所述步骤S3包括: 步骤S31:对配网隐患行波的波形进行聚类,并提取典型的配网隐患行波特征; 步骤S32:通过生成对抗网络学习配网隐患行波的波形特征; 步骤S33:判断配网隐患行波的波形特征的类别是否为新隐患类型,如果是,增加至隐患行波识别库中,如果否对隐患结果进行告警。
7.根据权利要求6所述的一种基于生成对抗网络的配网隐患识别方法,其特征在于,所述生成模块Ra提取配网隐患行波数据的方法包括: 所述生成模块Ra先采用卷积神经网络CNN提取配网隐患行波标准样本的特征; 再结合校准信息进行样本重构; 最后通过卷积神经网络CNN生成标准样本数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914938.9A CN114994464B (zh) | 2022-08-01 | 2022-08-01 | 一种基于生成对抗网络的配网隐患识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914938.9A CN114994464B (zh) | 2022-08-01 | 2022-08-01 | 一种基于生成对抗网络的配网隐患识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994464A CN114994464A (zh) | 2022-09-02 |
CN114994464B true CN114994464B (zh) | 2022-10-25 |
Family
ID=83022425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210914938.9A Active CN114994464B (zh) | 2022-08-01 | 2022-08-01 | 一种基于生成对抗网络的配网隐患识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994464B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
CN113848416A (zh) * | 2021-04-19 | 2021-12-28 | 西安成林电力科技有限公司 | 一种对铁路供电线路故障进行精确定位的方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW475991B (en) * | 1998-12-28 | 2002-02-11 | Nippon Kouatsu Electric Co Ltd | Fault point location system |
CN104237740A (zh) * | 2014-09-23 | 2014-12-24 | 国家电网公司 | 架空线-电缆混合线路分布式故障测距方法 |
CN105988063B (zh) * | 2015-03-16 | 2019-02-05 | 武汉三相电力科技有限公司 | 一种输电线路故障隐患综合在线监测方法及装置 |
JP6714448B2 (ja) * | 2016-06-23 | 2020-06-24 | 株式会社日立産機システム | 電力変換装置および地絡箇所判定方法 |
CN205880120U (zh) * | 2016-08-16 | 2017-01-11 | 四川中电启明星信息技术有限公司 | 基于零序电流检测的配电网定位设备 |
CN107315130B (zh) * | 2017-05-31 | 2019-07-16 | 云南电网有限责任公司 | 一种利用线路两端电流行波与电压行波的输电线路故障测距方法 |
CN110542819B (zh) * | 2019-09-25 | 2022-03-22 | 贵州电网有限责任公司 | 一种基于半监督dbnc的变压器故障类型诊断方法 |
CN110658420B (zh) * | 2019-11-01 | 2020-11-24 | 国网江苏省电力有限公司徐州供电分公司 | 一种混合输电线路双端行波故障测距方法 |
CN113920080A (zh) * | 2021-09-30 | 2022-01-11 | 国网浙江省电力有限公司宁波供电公司 | 一种基于生成对抗网络的电网故障定位方法 |
CN114758462A (zh) * | 2022-03-15 | 2022-07-15 | 国网上海市电力公司 | 一种智能低压窃电行为辨识控制系统 |
-
2022
- 2022-08-01 CN CN202210914938.9A patent/CN114994464B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
CN113848416A (zh) * | 2021-04-19 | 2021-12-28 | 西安成林电力科技有限公司 | 一种对铁路供电线路故障进行精确定位的方法及装置 |
Non-Patent Citations (1)
Title |
---|
循环神经网络输电线路双端故障测距方法;余晓 等;《中国测试》;20210930;第47卷(第9期);第119-125页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114994464A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019015311A1 (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN103323749A (zh) | 多分类器信息融合的局部放电诊断方法 | |
CN112147462A (zh) | 一种基于深度学习的输电线路故障辨识方法 | |
CN109444667A (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
CN106770652A (zh) | 基于声波特征的高压变压器健康状态监测装置及监测方法 | |
El-Hag | Application of machine learning in outdoor insulators condition monitoring and diagnostics | |
Paul et al. | Knowledge-based fault diagnosis for a distribution system with high pv penetration | |
CN111008641A (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN115690581A (zh) | 一种输电线通道隐患识别机载智慧终端应用方法及系统 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN114994464B (zh) | 一种基于生成对抗网络的配网隐患识别方法 | |
CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 | |
CN115935264A (zh) | 一种基于时空信息同步学习的电网暂态电压稳定评估方法 | |
Xu | Fault diagnosis method of power system based on neural network | |
CN108983042B (zh) | 一种基于knn的配网接地故障原因识别方法 | |
TW202219788A (zh) | 資料篩選系統、資料選擇方法及應用其之狀態預測系統 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
CN112884720A (zh) | 一种配电线路污闪绝缘子检测方法及系统 | |
Heidari | Combined diagnosis of pd based on the multidimensional parameters | |
CN113702786B (zh) | 一种基于K-means的多参量悬式绝缘子绝缘状态评估方法 | |
CN117216485B (zh) | 一种基于客观赋权的输电录波鸟害故障判别方法及系统 | |
CN109444660A (zh) | 一种输电线路故障与干扰的辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |