CN115469192B - 一种电压暂降源定位方法及定位系统 - Google Patents
一种电压暂降源定位方法及定位系统 Download PDFInfo
- Publication number
- CN115469192B CN115469192B CN202211359040.6A CN202211359040A CN115469192B CN 115469192 B CN115469192 B CN 115469192B CN 202211359040 A CN202211359040 A CN 202211359040A CN 115469192 B CN115469192 B CN 115469192B
- Authority
- CN
- China
- Prior art keywords
- layer
- voltage
- sag
- node
- matrix
- 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
- G01R31/088—Aspects of digital computing
-
- 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
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Locating Faults (AREA)
Abstract
本发明提供一种电压暂降源定位方法及定位系统,获取C次暂降事件中,各监测节点的节点电压数据和故障类型,构建各监测节点的节点电压矩阵X i 和故障类型T i 并进行数据处理;构建多层感知机模型;多层感知机模型包括输入层、隐藏层以及输出层;对节点电压矩阵X i 和故障类型T i 的合理化处理,处理后依次经过输入层、隐藏层以及输出层,得到m维输入的各个类别的隶属度结果,选取隶属度最大的类别编号作为的暂降源线路编号。本发明基于利用构建好的多层感知机模型,实现电压暂降源定位。为用户制定临时用电计划以及治理方案提供了基础。不需要考虑全网所有节点的电压暂降幅值,降低了数据的获取难度,同时也减少了神经网络的训练量。
Description
背景技术
新型能源、负荷接入电网后,电网电压暂降频发。目前,对电压暂降源定位问题进行了大量的研究,现有电压暂降源定位方法主要包括:电压暂降源上、下游定位与电压暂降源精确定位。上、下游定位方法主要利用监测点记录的电压、电流等特征量确定暂降源位于监测点的上游还是下游,无法细化不同线路故障对用户的影响情况。
电压暂降源精确定位主要基于信号处理、深度神经网络两类方法将电压暂降源定位到具体位置,虽然能解决定位精度的问题,但需要获取全网所有节点的数据以及电压暂降幅值,导致获取数据较大,神经网络的训练量增加,给系统数据处理增加负担,影响定位的及时性和准确性。并且,采样值数据易受谐波、暂降等电能质量问题的干扰,易造成测量误差,也影响定位的准确率。
发明内容
为了克服上述现有技术中的不足,本发明提供一种电压暂降源定位方法,通过构建多层感知机模型,实现电压暂降源定位,不需要太多的存储空间和传输通道,避免数据在传输和转化过程中的丢失。
电压暂降源定位方法包括:
步骤一、获取C次暂降事件中,各监测节点的节点电压数据和故障类型;
步骤二、构建各监测节点的节点电压矩阵
X i 和故障类型
T i ,并进行数据处理;
步骤三、构建多层感知机模型,多层感知机模型包括输入层、隐藏层以及输出层;
通过对节点电压矩阵
X i 和故障类型
T i 的合理化处理,处理后依次经过输入层、隐藏层以及输出层,得到
m维输入的各个类别的隶属度结果,选取隶属度最大的类别编号作为的暂降源线路编号。
进一步需要说明的是,步骤二的处理过程包括:
将第
i次暂降事件各监测节点电压矩阵表示为:
(1)
其中
x ji 表示第
i次暂降事件中监测节点
j的电压暂降幅值,用小数形式表示,其中
A是监测节点个数;
利用
x ji 构建第
i次暂降事件的受扰矩阵,若监测节点
j未记录暂降事件,表示节点
j在第
i次故障中未受到电压暂降影响,即
d ji =0;
若监测节点
j对第
i次暂降事件所记录的电压暂降幅值,表示节点
j在第
i次故障中受到电压暂降影响,即
d ji =1。
进一步需要说明的是,方法还利用第
i次故障的受扰矩阵
D i 和节点电压矩阵X i 构建受扰节点电压幅值矩阵
V i :
(2)
上式中表示矩阵D i 与X i 对应元素之积;
用
T i 表示第
i次暂降事件的故障类型,其中
T i =1,2,3,4分别表示单相接地、相间短路、两相接地、三相短路。
进一步需要说明的是,在方法中,对故障类型
T i 进行归一化,公式如下:
(3)。
进一步需要说明的是,步骤三中,输入层参数矩阵由受扰节点电压幅值矩阵
V i 、故障类型
T i 归一化后的
L i 组成;隐藏层的神经元个数
m按下式确定:
(4)
上式中:表示向上取整,
p表示输入层参数矩阵的维数,即A+1维;
q表示多分类的数量,即为所定位区域的线路数量,a为[1,10]的可调整数,以保障模型的适配性。
进一步需要说明的是,输入层到隐藏层的公式如下:
(5)
上式中:
W 1表示m*(A+1)维矩阵,其中元素
w dg 表示第
i次故障下第
g维输入在第
d个输出的权重系数。
输入层到隐含层的过程可体现为:将(A+1)维输入通过全连接方式压缩至
m维,且每一维都体现了每个监测节点电压幅值和故障类型信息。
进一步需要说明的是,隐藏层到输出层的公式如下:
(6)
上式中:
W 2表示
C*m维矩阵,其中元素
w yz 表示第
i次故障下隐藏层神经元
z被划分为第
y个类的权重系数。
隐藏层到输出层的过程体现为:将
m维输入,得到
m维输入的各个类别的隶属度结果,选取隶属度最大的类别编号作为的暂降源线路编号。
进一步需要说明的是,步骤一中可以根据继电保护故障录波系统中的SOE事件列表来获取C次暂降事件。
进一步需要说明的是,步骤三中输入层、隐藏层以及输出层之间的选用全连接方式通信传输。
本发明还提供一种电压暂降源定位系统,系统包括:数据获取模块、数据处理模块以及定位模块;
数据获取模块,用于获取C次暂降事件中,各监测节点的节点电压数据和故障类型;
数据处理模块,用于构建各监测节点的节点电压矩阵
X i 和故障类型
T i ,并进行数据处理;
定位模块,用于构建多层感知机模型,多层感知机模型包括输入层、隐藏层以及输出层;
通过对节点电压矩阵
X i 和故障类型
T i 的合理化处理,处理后依次经过输入层、隐藏层以及输出层,得到
m维输入的各个类别的隶属度结果,选取隶属度最大的类别编号作为的暂降源线路编号。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的电压暂降源定位方法是利用构建好的多层感知机模型,实现电压暂降源定位。为用户制定临时用电计划以及治理方案提供了基础。
本发明不需要考虑全网所有节点的电压暂降幅值,降低了数据的获取难度,同时也减少了神经网络的训练量。本发明避免了采样值数据易受谐波等电能质量问题干扰,而影响定位的准确率的问题。解决了由于电压暂降时电流的激增效应,易造成测量误差的问题。
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为电压暂降源定位方法流程图;
图2为电压暂降源定位较佳实施例流程图;
图3为电压暂降源定位系统示意图;
图4为IEEE30节点系统模型图。
具体实施方式
图1为本发明考虑电压暂降幅值与故障类型的电压暂降源定位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,本发明实施例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。
如图2示出了本发明的考虑电压暂降幅值与故障类型的电压暂降源定位方法的较佳实施例的流程图。考虑电压暂降幅值与故障类型的电压暂降源定位方法应用于一个或者多个电力监控服务器中,电力监控服务器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(FieldProgrammable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
电力监控服务器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(CloudComputing)的由大量主机或网络服务器构成的云。
电力监控服务器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至2来详细阐述本发明的电压暂降源定位方法,电压暂降源定位方法例如可应用于城市的供电网络,对供电网络的电压暂降源进行定位分析,利用多层感知机实现暂降源定位,为用户制定临时用电计划以及治理方案提供了基础,对于提升配电供电网络稳定性具有积极作用。
请参阅图1至2所示是一具体实施例中电压暂降源定位方法的流程图,方法包括:
S101、获取C次暂降事件中,各监测节点的节点电压数据和故障类型;其中,可以根据继电保护故障录波系统中的SOE事件列表来获取C次暂降事件。
SOE事件列表全称为Sequence of Event事件顺序记录,可以记录继电保护故障录波发生的时间、电压暂降幅值
X和故障类型。
SOE事件列表记录继电保护故障录波发生的时间和事件的类型,比如某继电保护开关XX时XX分XX秒XX毫秒发生电压暂降幅值
X和故障类型等等。
S102、构建各监测节点的节点电压矩阵
X i 和故障类型
T i ,并进行数据处理;
基于本发明的方法来讲,S102中第
i次暂降事件各监测节点电压矩阵
X i 表示为:
(1)
其中
x ji 表示第
i次暂降事件中监测节点
j的电压暂降幅值,用小数形式表示,其中
A是监测节点个数。
利用
x ji 构建第
i次暂降事件的受扰矩阵,若监测节点
j未记录暂降事件,表示节点
j在第
i次故障中未受到电压暂降影响,即
d ji =0。
若监测节点
j对第
i次暂降事件所记录的电压暂降幅值,表示节点
j在第
i次故障中受到电压暂降影响,即
d ji =1。
利用第
i次故障的受扰矩阵
D i 和节点电压矩阵X i 构建受扰节点电压幅值矩阵
V i :
(2)
上式中表示矩阵D i 与X i 对应元素之积。
用
T i 表示第
i次暂降事件的故障类型,其中
T i =1,2,3,4分别表示单相接地、相间短路、两相接地、三相短路。
本发明的电压暂降源定位方法还可以在神经网络中实施,若不同输入量的数量级不同,仅通过矩阵简单结合将会导致训练快速饱和,因此需要对故障类型进行归一化,公式如下:
(3)
S103、构建多层感知机模型;
本发明的实施例中,多层感知机模型的网络结构包括输入层、隐藏层以及输出层,层与层之间选用全连接方式。
本发明的实施例中,输入层参数矩阵由受扰节点电压幅值矩阵
V i 、故障类型
T i 归一化后的
L i 组成;隐藏层的神经元个数
m按下式确定:
(4)
上式中:表示向上取整,
p表示输入层参数矩阵的维数,即
A+1维;
q表示多分类的数量,即为所定位区域的线路数量,
a为[1,10]的可调整数,以保障模型的适配性。
输入层到隐藏层的公式如下:
(5)
上式中:
W 1表示m*(A+1)维矩阵,其中元素
w dg 表示第
i次故障下第
g维输入在第
d个输出的权重系数。输入层到隐藏层的过程可体现为:将(A+1)维输入通过全连接方式压缩至
m维,且每一维都体现了每个监测节点电压幅值和故障类型信息。
隐藏层到输出层的公式如下:
(6)
上式中:
W 2表示
C*m维矩阵,其中元素
w yz 表示第
i次故障下隐藏层神经元
z被划分为第
y个类的权重系数。隐藏层到输出层的过程可体现为:将
m维输入,得到
m维输入的各个类别的隶属度结果,选取隶属度最大的类别编号作为的暂降源线路编号。
这样基于利用构建好的多层感知机模型,实现电压暂降源定位。为用户制定临时用电计划以及治理方案提供了基础。而且本发明利用监测节点的电压暂降幅值,构建多层感知机模型,多层感知机的参数可设置如下:权重优化方法solver=‘lbfgs’,隐藏层的激活函数activation=‘identity’,正则化项参数Alpha=1e-5,最大迭代次数设置为10000。
这样不需要考虑全网所有节点的电压暂降幅值,降低了数据的获取难度,同时也减少了神经网络的训练量,具有较强的适用性适合推广。
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。
基于上述方法本发明还提供一种电压暂降源定位系统,如图3所示,系统包括:数据获取模块、数据处理模块以及定位模块;
数据获取模块,用于获取C次暂降事件中,各监测节点的节点电压数据和故障类型;
数据处理模块,用于构建各监测节点的节点电压矩阵
X i 和故障类型
T i ,并进行数据处理;
定位模块,用于构建多层感知机模型;多层感知机模型包括输入层、隐藏层以及输出层;对节点电压矩阵
X i 和故障类型
T i 的合理化处理,处理后依次经过输入层、隐藏层以及输出层,得到
m维输入的各个类别的隶属度结果,选取隶属度最大的类别编号作为的暂降源线路编号。
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。
具体如图4所示,包含6个变压器,26条线路,29个节点。本发明的系统中,在预设的节点上设置监测点1-1。比如在节点1、节点2、节点6、节点8、节点18、节点29上设置监测点1-1。
上述电压暂降源定位系统具体实现步骤为:
1)参数设置。多层感知机的参数设置如下:权重优化方法solver=‘lbfgs’,隐藏层的激活函数activation=‘identity’,正则化项参数Alpha=1e-5,最大迭代次数设置为10000,利用式(4)选取隐藏层神经元数量m=16。
2)过程分析。用某次暂降事件,比如线路5发生单相故障为例,线路5是在节点3和节点5之间。说明本发明所提方法的正确性。
某次电压暂降事件,导致节点1、2、6、8、18记录了电压暂降幅值分别为0.590、0.591、0.734、0.778、0.774,根据式(2)、式(3)可计算得到输入层参数矩阵[0.590、0.591、0.734、0.778、0、0.774 1],带入到多层感知机中得到属于每类的隶属度值:[0.11 0.230.24 0.13 0.86 0.43…0.04]可知,这次暂降事件属于第五类的概率最大,即选取类别编号作为输出,对应的线路5,这一结论与实际暂降源线路一致。
本发明利用监测节点的电压暂降幅值,不需要考虑全网所有节点的电压暂降幅值,降低了数据的获取难度,同时也减少了神经网络的训练量。
本发明的电压暂降源定位系统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。
本发明的电压暂降源定位方法及系统中的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅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。另外,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、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所属技术领域的技术人员能够理解,本发明提供的电压暂降源定位方法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”。
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 (4)
1.一种电压暂降源定位方法,其特征在于,方法包括:
步骤一、获取C次暂降事件中,各监测节点的节点电压数据和故障类型;
步骤二、构建各监测节点的节点电压矩阵X i 和故障类型T i ,并进行数据处理;
处理过程包括:
将第i次暂降事件各监测节点电压矩阵表示为:
(1)
其中表示第i次暂降事件中监测节点j的电压暂降幅值,用小数形式表示,其中A是监测节点个数;
利用x ji 构建第i次暂降事件的受扰矩阵,若监测节点j未记录暂降事件,表示节点j在第i次故障中未受到电压暂降影响,即d ji =0;
若监测节点j对第i次暂降事件所记录的电压暂降幅值,表示节点j在第i次故障中受到电压暂降影响,即d ji =1;
还利用第i次故障的受扰矩阵D i 和节点幅值矩阵X i 构建受扰节点电压幅值矩阵Vi:
(2)
上式中表示矩阵D i 与X i 对应元素之积;
用T i 表示第i次暂降事件的故障类型,其中T i =1,2,3,4分别表示单相接地、相间短路、两相接地、三相短路;
在方法中,对故障类型T i 进行归一化,公式如下:
(3);
步骤三、构建多层感知机模型;
多层感知机模型包括输入层、隐藏层以及输出层;
隐藏层的神经元个数m按下式确定:
(4)
上式中:表示向上取整,p表示输入层参数矩阵的维数,即A+1维;q为所定位区域的线路数量,a为[1,10]的可调常数,以保障模型的适配性及m为整数;
输入层到隐藏层的公式如下:
(5)
上式中:W 1表示m*(A+1)维矩阵,其中元素
表示第i次故障下第g维输入在第d个输出的权重系数;
输入层到隐含层的过程体现为:将(A+1)维输入通过全连接方式压缩至m维,且每一维都体现了每个监测节点电压幅值和故障类型信息;
隐藏层到输出层的公式如下:
(6)
上式中:W 2表示C*m维矩阵,其中元素表示第i次故障下隐藏层神经元z被划分为第y个类的权重系数;
隐藏层到输出层的过程体现为:将m维输入,得到m维输入的各个类别的隶属度结果,选取隶属度最大的类别编号作为暂降源线路编号;
对节点电压矩阵X i 和故障类型T i 的合理化处理,处理后依次经过输入层、隐藏层以及输出层,得到m维输入的各个类别的隶属度结果,选取隶属度最大的类别编号作为暂降源线路编号。
2.根据权利要求1所述的电压暂降源定位方法,其特征在于,
步骤一中根据继电保护故障录波系统中的SOE事件列表来获取C次暂降事件。
3.根据权利要求1所述的电压暂降源定位方法,其特征在于,
步骤三中输入层、隐藏层以及输出层之间选用全连接方式通信传输。
4.一种电压暂降源定位系统,其特征在于,系统采用如权利要求1至3任意一项所述的电压暂降源定位方法;
系统包括:数据获取模块、数据处理模块以及定位模块;
数据获取模块,用于获取C次暂降事件中,各监测节点的节点电压数据和故障类型;
数据处理模块,用于构建各监测节点的节点电压矩阵X i 和故障类型T i ,并进行数据处理;
定位模块,用于构建多层感知机模型;
多层感知机模型包括输入层、隐藏层以及输出层;
对节点电压矩阵X i 和故障类型T i 的合理化处理,处理后依次经过输入层、隐藏层以及输出层,得到m维输入的各个类别的隶属度结果,选取隶属度最大的类别编号作为暂降源线路编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359040.6A CN115469192B (zh) | 2022-11-02 | 2022-11-02 | 一种电压暂降源定位方法及定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359040.6A CN115469192B (zh) | 2022-11-02 | 2022-11-02 | 一种电压暂降源定位方法及定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115469192A CN115469192A (zh) | 2022-12-13 |
CN115469192B true CN115469192B (zh) | 2023-04-25 |
Family
ID=84337372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211359040.6A Active CN115469192B (zh) | 2022-11-02 | 2022-11-02 | 一种电压暂降源定位方法及定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115469192B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016138750A1 (zh) * | 2015-03-04 | 2016-09-09 | 江苏省电力公司常州供电公司 | 一种电能质量扰动源定位系统及定位方法 |
CN104880643B (zh) * | 2015-06-09 | 2017-09-29 | 国网四川省电力公司经济技术研究院 | 电压暂降监测节点的优化配置方法 |
CN110222953A (zh) * | 2018-12-29 | 2019-09-10 | 北京理工大学 | 一种基于深度学习的电能质量混合扰动分析方法 |
CN110082639B (zh) * | 2019-05-15 | 2020-06-26 | 广东电网有限责任公司 | 一种基于最小幅值搜索的电压暂降监测点优化配置方法 |
CN114041063A (zh) * | 2019-07-03 | 2022-02-11 | 施耐德电气美国股份有限公司 | 用于自动表征电气系统中的扰动的系统和方法 |
CN111461924B (zh) * | 2020-04-13 | 2022-12-16 | 国网山西省电力公司电力科学研究院 | 一种电压暂降监测点多目标优化配置方法 |
CN111650472B (zh) * | 2020-06-05 | 2023-04-18 | 众诚开源电气科技(成都)有限公司 | 一种电压暂降源定位的方法 |
CN113076892A (zh) * | 2021-04-09 | 2021-07-06 | 国电南瑞科技股份有限公司 | 一种基于深度学习sdae-bp的暂降类型识别方法、装置和系统 |
CN113804997B (zh) * | 2021-08-23 | 2023-12-26 | 西安理工大学 | 基于双向WaveNet深度学习的电压暂降源定位方法 |
CN115062532A (zh) * | 2022-04-29 | 2022-09-16 | 国网上海市电力公司 | 一种电压暂降监测点配置方法 |
CN115128395A (zh) * | 2022-06-14 | 2022-09-30 | 武汉大学 | 一种电压暂降源定位方法和装置 |
-
2022
- 2022-11-02 CN CN202211359040.6A patent/CN115469192B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115469192A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459669B (zh) | 10kV配电网单相接地故障区段定位方法 | |
CN109713685B (zh) | 一种适用于vsc接入引发次同步振荡的在线定位方法 | |
AU2013201595B2 (en) | Method and apparatus for harmonic state estimation in power system | |
CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
Hong et al. | Locating switched capacitor using wavelet transform and hybrid principal component analysis network | |
CN110907754B (zh) | 一种基于psd-bpa的故障线路严重程度评估方法 | |
Shafiullah et al. | Machine learning tools for active distribution grid fault diagnosis | |
Shan et al. | Reliability analysis of power distribution network based on PSO-DBN | |
Damala et al. | A simple decision tree-based disturbance monitoring system for VSC-based HVDC transmission link integrating a DFIG wind farm | |
Melo et al. | Bad data correction in harmonic state estimation for power distribution systems: An approach based on generalised pattern search algorithm | |
CN103018611A (zh) | 一种基于电流分解的非侵入式负载监测方法及系统 | |
Srikanth et al. | Fuzzified time-frequency method for identification and localization of power system faults | |
CN115469192B (zh) | 一种电压暂降源定位方法及定位系统 | |
Papadopoulos et al. | Measurement based method for online characterization of generator dynamic behaviour in systems with renewable generation | |
CN110443358B (zh) | 一种基于加权正则化极限学习机的谐波源辨识方法 | |
CN109459609B (zh) | 一种基于人工神经网络的分布式电源频率检测方法 | |
CN116578855A (zh) | 一种交流微电网的电能计量方法、系统、设备和介质 | |
Hu et al. | A data-driven method of users-transformer relationship identification in the secondary power distribution system | |
CN114062832A (zh) | 一种配电网短路故障类型的识别方法及系统 | |
Hoshyarzadeh | Application of PMU Data in Power Systems Load Modeling | |
Zong et al. | Analysis of power electronics-dominated hybrid AC/DC grid for data-driven oscillation diagnosis | |
Yue et al. | A power system harmonic problem based on the BP neural network learning algorithm | |
Abhyankar et al. | Neuro-physical dynamic load modeling using differentiable parametric optimization | |
Linghua et al. | Research on the algorithm model of predicting line loss diagnosis based on computer multiple linear regression | |
Liu et al. | Voltage sag source location based on sag event amplitude information |
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 |