CN115389812B - 一种人工神经网络短路电流零点预测方法及预测终端 - Google Patents
一种人工神经网络短路电流零点预测方法及预测终端 Download PDFInfo
- Publication number
- CN115389812B CN115389812B CN202211330498.9A CN202211330498A CN115389812B CN 115389812 B CN115389812 B CN 115389812B CN 202211330498 A CN202211330498 A CN 202211330498A CN 115389812 B CN115389812 B CN 115389812B
- Authority
- CN
- China
- Prior art keywords
- model
- short
- current
- circuit
- prediction
- 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
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/175—Indicating the instants of passage of current or voltage through a given value, e.g. passage through zero
-
- 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
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于故障电流选相控制开断领域,并提供一种人工神经网络短路电流零点预测方法及预测终端,方法步骤为采集电路电流信号判断电路是否发生故障,根据采集的电流数据调用已训练好的人工神经网络模型预测电流过零点,同时人工神经网络模型根据采集的短路电流波形数据进行自学习优化训练,实时更新预测模型之后调用。本发明的优点在于,短路电流零点预测模型可以在投入运行后不断自我优化更新,弥补了投运前模型训练过程中实际故障波形数据不足的问题,模型投运时间愈长零点预测精度愈高。同时,对于电网的规模变化引起的短路电流波形参数变化,该方法也能根据模型自学习不断适应,显著提高短路电流零点预测精度。
Description
技术领域
本发明属于故障电流选相控制开断领域,具体涉及一种人工神经网络短路电流零点预测方法及预测终端。
背景技术
基于快速真空开关的短路电流相控开断技术可以有效缩短电力系统故障切除时间,提升开关设备开断可靠性,增强系统运行的暂态稳定性,降低故障电流对电力设备的动、热稳定冲击。采用相控技术分断短路电流时,控制器需要预测出电流的过零时刻,并在此基础上考虑操动机构及断路器的动作时间,提前向断路器发出控制信号,实现在特定相位的开断,保证最佳燃弧时间。因此,对短路电流过零点进行精准预测是选相控制开断技术的关键。
现有文献“A new algorithm enabling controlled short circuitinterruption”提出了基于“安全点算法”的故障电流过零点预测方法,通过忽略衰减直流分量与谐波成分,计算出短路电流基波分量的零点近似为实际过零点,预测误差为±1ms。现有的专利CN102495962A提出了基于渐消递推最小二乘法的故障电流过零点预测方法,克服了数据饱和现象,降低了旧数据的影响。专利CN106159875A提出了一种采用类-Prony方法对短路电流进行四点滑窗处理,提高了故障电流过零点预测方法的抗噪性和稳定性。
近年来基于人工神经网络的机器学习算法在信号处理、分析控制等领域的应用越来越多,同时神经网络算法在电流预测方面的应用也初见雏形。专利CN114997065A提出了采用随机配置网络(Stochastic Configuration Networks,即SCN)的方法实现对同步发电机励磁电流的预测。文献“A Fast Current Zeroes Estimation Algorithm forControlled Fault Interruption Based on an Improved BP Neural Network”提出了一种基于反向传播神经网络的短路电流过零点预测算法,该算法直接把零点时刻作为网络的输出向量,采样时间为3ms,预测误差为±0.5ms。文献“灰色BP神经网络模型在电力系统短路电流峰值预测中的应用”提出了一种灰色BP神经网络动态预测模型,加速了BP神经网络的训练过程,缩短了预测时间,提高了预测精度。由此可见,基于神经网络的预测算法相对于传统的数学拟合方法在故障预测速度上有明显提升,采样时间及预测误差均有明显改善,在快速真空断路器的相控开断领域具有长远的发展前景。
由于人工神经网络在投入运用前需要采用大量的波形数据对预测模型进行提前训练,而现有的真实网络短路故障波形数据量并不充裕,大多数训练数据是由特定条件下的短路故障电流表达式生成得到的,与实际的电网故障电流存在一定差别,由此训练出的电流预测模型在精度上存在一定的误差。此外,随着电网互联规模的扩大和电网容量的不断提升,电力系统中回路的电抗、电阻等参数也在不断发生变化,导致发生短路故障时电流衰减时间常数Ta及波形参数也在不断变化,导致模型预测的过零点精度完全依赖于投用前特定网络参数下的训练状态,而对于变化的电网参数无法做到适应性预测,影响预测的精度和准确度。
发明内容
为了克服上述现有技术中的不足,本发明提供一种人工神经网络短路电流零点预测方法,方法在投入运行后根据实际的短路电流波形进行不断自学习优化训练,对短路电流零点预测模型进行不断优化与更新;同时,自学习优化后的电流预测模型能够适应不断变化的网络参数与工况,提高人工网络模型的过零点预测精度。
人工神经网络短路电流零点预测方法包括:
步骤1:采样电路电流信号,对所采集的电流信号进行故障识别,判断电路中是否发生短路故障,若发生短路故障,则执行下一步;
若未发生短路故障,则继续对电路电流进行采样检测;
步骤2:当识别到电路中发生短路故障时,将现场所采集到的电流波形进行记录,并输入至已保存的人工神经网络电流预测模型中,得到预测的短路电流过零点时刻,以此为根据控制断路器进行选相分闸动作;
步骤3:当识别到电路中发生短路故障时,将采集到的电流波形用于模型自学习优化更新;将所采集波形进行数据预处理,之后输入到人工神经网络中进行模型训练得到新的电流预测模型;通过对新生成的模型进行误差分析,判断预测误差是否小于预设阈值;
若预测误差小于预设阈值,则保留更新模型以供之后调用;
若预测误差未小于预设阈值,则说明此次电流波形对模型产生了扰动或模型已经达到过拟合状态,此时舍弃更新模型。
进一步需要说明的是,所述模型自学习优化训练过程中的数据预处理包括降噪、滤波和归一化处理。
进一步需要说明的是,模型自学习优化更新训练分析过程包括如下步骤:
将电流波形样本进行数据划分,划分为训练集与测试集;
利用所述测试集数据对已有模型进行进一步训练,生成新的电流预测模型;
利用所述测试集数据对新的电流预测模型进行测试,分析评估新模型的预测误差。
进一步需要说明的是,模型自学习优化训练根据误差分析评估结果进行预测模型优化更新,对旧模型进行保存。
进一步需要说明的是,模型自学习训练网络层数为t,每层的节点数为k 0,k 1,k 2,……,k t 。
进一步需要说明的是,误差分析采用均方根法进行评估,所述误差评估函数为:
本发明还提供一种预测终端,包括:处理控制器、存储器、输入接口和输出接口;存储器用于储存训练生成的电流过零预测模型、电流波形数据以及预先编译的计算机程序;
处理控制器执行所述程序时实现人工神经网络短路电流零点预测方法的步骤,通过输入接口和输出接口与其他器件或设备进行通信。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的人工神经网络短路电流零点预测方法中,可以在模型投入运用之后根据电网中实际短路故障不断对预测模型进行自我优化与更新,弥补了投运前在实际短路故障波形数据不足的问题,随着投运时间增长,模型过零点预测精度越高。同时,模型自学习优化训练能够适应不断变化的电网参数与工况,不断提高短路电流零点的预测精度。基于该方法获得的短路电流零点准确度更高,对电网参数变化适应性更强,对选相分断技术缩短燃弧时间、降低短路电流对设备冲击、提高电力系统稳定性具有重要意义。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为人工神经网络短路电流零点预测方法流程图;
图2为预测终端示意图。
具体实施方式
如图1所示,本发明提供一种人工神经网络短路电流零点预测方法中所提供的图示仅以示意方式说明本发明的基本构想,人工神经网络短路电流零点预测方法可以基于人工智能技术对关联的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
实现本发明的人工神经网络短路电流零点预测方法,可以基于多个电子设备。比如可以包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等。
如图1示出了本发明的人工神经网络短路电流零点预测方法的较佳实施例的流程图。人工神经网络短路电流零点预测方法应用于一个或者多个预测终端中,所述预测终端是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignal Processor,DSP)、嵌入式设备等。
如图2所示,预测终端可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant, PDA)、交互式网络电视(Internet Protocol Television,IPTV)等。
预测终端还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
预测终端可以通过网络采样电路电流信号,预测终端所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
下面将结合图1来详细阐述本发明的人工神经网络短路电流零点预测方法,人工神经网络短路电流零点预测方法例如可应用于电力系统短路电流零点预测分析,分析短路电流零点变化状态,评价电力系统运行是否满足规范,是否存在短路电流,对于提高短路电流零点预测精度有着积极作用。
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。
人工神经网络短路电流零点预测方法包括:
步骤1:采样电路电流信号,对所采集的电流信号进行故障识别,判断电路中是否发生短路故障,若发生短路故障,则执行下一步;
若未发生短路故障,则继续对电路电流进行采样检测;
步骤2:当识别到电路中发生短路故障时,将现场所采集到的电流波形进行记录,并输入至已保存的人工神经网络电流预测模型中,得到预测的短路电流过零点时刻,以此为根据控制断路器进行选相分闸动作;
步骤3:当识别到电路中发生短路故障时,将采集到的电流波形用于模型自学习优化更新;
其中,模型自学习优化更新训练分析过程包括如下步骤:
将电流波形样本进行数据划分,划分为训练集与测试集;利用所述测试集数据对已有模型进行进一步训练,生成新的电流预测模型;利用所述测试集数据对新的电流预测模型进行测试,分析评估新模型的预测误差。
将所采集波形进行数据预处理,之后输入到人工神经网络中进行模型训练得到新的电流预测模型;通过对新生成的模型进行误差分析,判断预测误差是否小于预设阈值;
若预测误差小于预设阈值,则保留更新模型以供之后调用;
若预测误差未小于预设阈值,则说明此次电流波形对模型产生了扰动或模型已经达到过拟合状态,此时舍弃更新模型。
对于本发明的误差分析来讲,误差分析采用均方根法进行评估,所述误差评估函数为:
基于上述方法,可以在投入运行后不断自我优化更新,弥补了投运前模型训练过程中实际故障波形数据不足的问题,模型投运时间愈长零点预测精度愈高。同时,对于电网的规模变化引起的短路电流波形参数变化,该方法也能根据模型自学习不断适应,显著提高短路电流零点预测精度。
应理解,上述实施例中各步骤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。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例中的具体实施过程,提供了另一种人工神经网络短路电流零点预测方法,该方法的相关技术中,例如可以采用机器学习方法、深度学习方法等生成送药路线,不同方法适用的范围不同。
模型自学习的人工神经网络短路电流零点预测方法包括:对电路电流进行实时采样,并所采集的波形数据送入故障识别模块进行判断;
对实时的采样数据进行判别,若系统未发生短路故障,则继续进行采样;若判断出系统发生短路故障,则调用已保存的短路电流零点预测模型对电流过零点进行预测,并根据电流预测零点对断路器进行选相分闸控制;同时对所采集的短路电流波形数据用于电流预测模型的自学习优化训练;
模型自学习优化训练中对新采集到的电流波形进行降噪、滤波、归一化等数据预处理,并对波形数据进行训练集与测试集划分,然后将其输入到人工神经网络中进行模型训练,从而得到新的预测模型;之后根据测试集数据对新生成的模型进行误差评估分析,判断是否进一步提高了预测精度;若精度提高,则保留新的模型进行模型更新优化;若精度降低,则可能是新采集的短路数据对模型产生扰动或模型已经达到过拟合状态,此时模型不再进行更新。
这样,模型自学习优化训练能够适应不断变化的电网参数与工况,不断提高短路电流零点的预测精度。基于该方法获得的短路电流零点准确度更高,对电网参数变化适应性更强,对选相分断技术缩短燃弧时间、降低短路电流对设备冲击、提高电力系统稳定性具有重要意义。
本发明的人工神经网络短路电流零点预测方法是结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属技术领域的技术人员能够理解,本发明的人工神经网络短路电流零点预测方法的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
本发明的人工神经网络短路电流零点预测方法以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种人工神经网络短路电流零点预测方法,其特征在于,方法包括:
步骤1:采样电路电流信号,对所采集的电流信号进行故障识别,判断电路中是否发生短路故障,若发生短路故障,则执行下一步;
若未发生短路故障,则继续对电路电流进行采样检测;
步骤2:当识别到电路中发生短路故障时,将现场所采集到的电流波形进行记录,并输入至已保存的人工神经网络电流预测模型中,得到预测的短路电流过零点时刻,以此为根据控制断路器进行选相分闸动作;
步骤3:当识别到电路中发生短路故障时,将采集到的电流波形用于模型自学习优化更新;将所采集波形进行数据预处理,之后输入到人工神经网络中进行模型训练得到新的电流预测模型;通过对新生成的模型进行误差分析,判断预测误差是否小于预设阈值;
若预测误差小于预设阈值,则保留更新模型以供之后调用;
若预测误差未小于预设阈值,则说明此次电流波形对模型产生了扰动或模型已经达到过拟合状态,此时舍弃更新模型;
方法中,
模型自学习训练网络层数为t,每层的节点数为k 0,k 1,k 2,……,k t ;
误差分析采用均方根法进行评估,所述误差评估函数为:
2.根据权利要求1所述的人工神经网络短路电流零点预测方法,其特征在于,
所述模型自学习优化训练过程中的数据预处理包括降噪、滤波和归一化处理。
3.根据权利要求1所述的人工神经网络短路电流零点预测方法,其特征在于,
模型自学习优化更新训练分析过程包括如下步骤:
将电流波形样本进行数据划分,划分为训练集与测试集;
利用所述测试集数据对已有模型进行进一步训练,生成新的电流预测模型;
利用所述测试集数据对新的电流预测模型进行测试,分析评估新模型的预测误差。
4.根据权利要求1所述的人工神经网络短路电流零点预测方法,其特征在于,
模型自学习优化训练根据误差分析评估结果进行预测模型优化更新,对旧模型进行保存。
5.一种预测终端,其特征在于,包括:处理控制器、存储器、输入接口和输出接口;存储器用于储存训练生成的电流过零预测模型、电流波形数据以及预先编译的计算机程序;
处理控制器执行所述程序时实现如权利要求1至4任一项所述人工神经网络短路电流零点预测方法的步骤,通过输入接口和输出接口与其他器件或设备进行通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330498.9A CN115389812B (zh) | 2022-10-28 | 2022-10-28 | 一种人工神经网络短路电流零点预测方法及预测终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330498.9A CN115389812B (zh) | 2022-10-28 | 2022-10-28 | 一种人工神经网络短路电流零点预测方法及预测终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115389812A CN115389812A (zh) | 2022-11-25 |
CN115389812B true CN115389812B (zh) | 2023-02-03 |
Family
ID=84115226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211330498.9A Active CN115389812B (zh) | 2022-10-28 | 2022-10-28 | 一种人工神经网络短路电流零点预测方法及预测终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115389812B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116799741B (zh) * | 2023-05-24 | 2024-03-26 | 华斗数字科技(上海)有限公司 | 一种基于斜率检测的精密设备短路监测保护方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330160A (zh) * | 2017-06-09 | 2017-11-07 | 华中科技大学 | 一种短路电流零点预测方法和系统 |
CN109038519B (zh) * | 2018-08-22 | 2020-04-03 | 西安西电电气研究院有限责任公司 | 一种故障电流选相开断控制方法、装置和控制系统 |
CN111060815B (zh) * | 2019-12-17 | 2021-09-14 | 西安工程大学 | 基于GA-Bi-RNN的高压断路器故障诊断方法 |
CN111105332B (zh) * | 2019-12-19 | 2020-09-08 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及系统 |
CN111563706A (zh) * | 2020-03-05 | 2020-08-21 | 河海大学 | 一种基于lstm网络的多变量物流货运量预测方法 |
CN112347415B (zh) * | 2020-10-02 | 2022-04-01 | 广东电网有限责任公司广州供电局 | 一种基于短路电流过零点预测系统的预测方法 |
CN112287982A (zh) * | 2020-10-14 | 2021-01-29 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN113112050A (zh) * | 2021-03-11 | 2021-07-13 | 云南电网有限责任公司电力科学研究院 | 一种基于W-BiLSTM的轨道交通短时客流量预测方法 |
CN113408799A (zh) * | 2021-06-17 | 2021-09-17 | 北京工业大学 | 一种基于混合神经网络的河流总氮浓度预测方法 |
CN114547974A (zh) * | 2022-02-11 | 2022-05-27 | 齐鲁工业大学 | 基于输入变量选择与lstm神经网络的动态软测量建模方法 |
CN114548178A (zh) * | 2022-02-24 | 2022-05-27 | 深圳大学 | 一种电梯故障检测方法、装置、计算机设备及存储介质 |
-
2022
- 2022-10-28 CN CN202211330498.9A patent/CN115389812B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115389812A (zh) | 2022-11-25 |
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 | |
CN115389812B (zh) | 一种人工神经网络短路电流零点预测方法及预测终端 | |
Chen et al. | Time-adaptive transient stability assessment based on gated recurrent unit | |
CN109936113B (zh) | 一种基于随机森林算法的保护动作智能诊断方法及系统 | |
CN110457758A (zh) | 岩体失稳阶段的预测方法、装置、系统以及存储介质 | |
CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
CN114721345A (zh) | 基于强化学习的工业控制方法、装置、系统和电子设备 | |
CN112288147A (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
CN115390161A (zh) | 基于人工智能的降水预测方法及装置 | |
CN116665711B (zh) | 气体绝缘开关设备在线监测方法、装置和计算机设备 | |
CN116109017B (zh) | 一种短路电流零点快速精准预测方法及系统 | |
Huang et al. | Adaptive quickest estimation algorithm for smart grid network topology error | |
CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
Sobbouhi et al. | A new algorithm for predicting out-of-step using rotor speed-acceleration based on phasor measurement units (PMU) data | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
JP7158187B2 (ja) | 電力系統監視装置及び電力系統監視方法 | |
Chen et al. | An arc contacts life assessment method based on dynamic resistance measurement and bp neural network | |
CN117634933B (zh) | 一种碳排放数据预测方法及装置 | |
Wang et al. | Impedance Ground Faults Detection and Classification Method for DC Microgrid | |
KR20110056609A (ko) | 사용자 적응적 서비스 장치 및 그 방법 | |
Aiswarya et al. | LSTM Based Approach for Timely Detection of Gradual Development of Electrical Fault in Power System | |
CN113933038B (zh) | 一种基于多源信息融合算法的gis机械性能监测方法 | |
Chang et al. | Detection of latent fault in medium voltage distribution cables based on guiding learning model | |
CN117761456A (zh) | 一种配电网故障诊断方法、装置、设备及存储介质 | |
CN118036826A (zh) | 六氟化硫气体压力趋势预测方法、装置、设备及存储介质 |
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 |