CN115494343A - 基于配网故障机理的故障自动识别方法 - Google Patents
基于配网故障机理的故障自动识别方法 Download PDFInfo
- Publication number
- CN115494343A CN115494343A CN202211159013.4A CN202211159013A CN115494343A CN 115494343 A CN115494343 A CN 115494343A CN 202211159013 A CN202211159013 A CN 202211159013A CN 115494343 A CN115494343 A CN 115494343A
- Authority
- CN
- China
- Prior art keywords
- fault
- semaphore
- distribution network
- intersection
- priority
- 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.)
- Granted
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000005284 excitation Effects 0.000 claims description 27
- 230000001737 promoting effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000007935 neutral effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000016507 interphase Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出基于配网故障机理的故障自动识别系统与方法，属于配电网故障识别技术领域。系统包括配网故障机理数据库，配网故障机理数据库存储有多种不同故障类型与故障特征信号量之间的对应关系；故障类型具有故障优先级；故障特征信号量包括多种第一信号量和第二信号量；基于所述第一信号量，和/或，所述第二信号量调节所述故障优先级。方法包括当收集的所述警告信息符合预设条件时将当前故障优先级最高的故障类型作为识别出的故障自动显示。本发明的故障识别方案基于故障机理执行优先级调整，具备完备性与动态性。
Description
技术领域
本发明属于配电网故障识别技术领域，尤其涉及一种基于配网故障机理的故障自动识别方法。
背景技术
随着我国电力系统不断发展，配电网规模日渐扩大，各类故障也时有发生。快速准确地辨识、定位和处理配电网故障，有助于恢复系统稳定运行、保障用户电能质量、降低故障所造成的损失。
为实现配电网故障类型辨识，通常先提取稳态或暂态电气量作为故障特征，通过人工智能算法进行训练和测试，从而完成故障分类识别，该方法具有较高的灵敏度和可靠性。
然而，实际测试中发现，不同的故障类型通常对应的故障特征量虽然不完全相同，但是通常会存在一定的交叉重复；而针对不同的故障类型建立的不同人工智能模型，其建立的故障类型与故障特征量的对应关系通常是固定不变的，在故障特征量存在交叉重复的情况时，不能随着实际识别出的特征量的频率或者分布进行调整，导致识别出的故障类型存在误差，尤其是在多次特征量采集和识别的过程，这种误差还会进一步累积，如果将这种误差反馈到人工智能模型中，则会持续影响人工智能模型的训练和更新精度，导致识别结果的完备性和动态性无法得到保障。
发明内容
为解决上述技术问题，本发明提出一种基于配网故障机理的故障自动识别方法，本发明的技术方案通过建立优先级动态可更新的配网故障机理数据库，在故障特征量存在交叉重复的情况时，可以随着实际识别出的特征量的频率或者分布进行优先级调整，不会导致累积误差的产生。
具体，在本发明的第一个方面，提供一种基于配网故障机理的故障自动识别系统，所述系统包括配网故障机理数据库。
所述配网故障机理数据库存储有多种不同故障类型与故障特征信号量之间的对应关系；
所述故障类型具有故障优先级；
所述配网故障机理数据库中的不同故障类型在初始条件下故障优先级相同。
所述故障特征信号量包括配网设备信号量以及配网激励输出信号量；
所述配网设备信号量是在所述配网设备发出警告信息时采集的多种第一信号量；
所述配网激励输出信号量是给所述配网设备施加外部激励信号后输出的多种第二信号量；
基于所述第一信号量，和/或，所述第二信号量调节所述故障优先级。
在所述配网设备发出警告信息时，将当前故障优先级最高的故障类型作为识别出的故障自动显示。
在本发明的第二个方面，提供一种基于配网故障机理的故障自动识别方法，所述方法包括如下步骤：
预先配置配网故障机理数据库，所述配置配网故障机理数据库存储有多种不同故障类型与故障特征信号量之间的对应关系；
所述故障类型具有故障优先级；
在配网设备发出警告信息时，采集多种第一信号量；
给所述配网设备施加外部激励信号，采集输出的多种第二信号量；
基于所述第一信号量与所述故障特征信号量的第一交集，和/或，所述第二信号量与所述故障特征信号量的第二交集，调节所述故障优先级；
重复上述采集步骤，直至采集的所述警告信息符合预设条件；
将当前故障优先级最高的故障类型作为识别出的故障自动显示。
具体的，基于所述第一信号量与所述故障特征信号量的第一交集调节所述故障优先级，具体包括：
确定所述第一交集包含的第一交集信号量，基于所述对应关系，确定所述第一交集信号量对应的第一故障类型；提升所述第一故障类型的故障优先级。
基于所述第二信号量与所述故障特征信号量的第二交集，调节所述故障优先级，具体包括：
确定所述第二交集包含的第二交集信号量，
基于所述对应关系，确定所述第二交集信号量对应的第二故障类型；
提升所述第二故障类型的故障优先级。
本发明的故障识别方案基于故障机理执行优先级调整，具备完备性与动态性，具体的，本发明的技术方案通过建立优先级动态可更新的配网故障机理数据库，在故障特征量存在交叉重复的情况时，可以随着实际识别出的特征量的频率或者分布进行优先级调整，不会导致累积误差的产生。
本发明的更多实施例和改进效果将结合附图和具体实施例进一步介绍。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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是本发明一个实施例的一种基于配网故障机理的故障自动识别系统的结构示意图；
图2是图1所述基于配网故障机理的故障自动识别系统使用的配网故障机理数据库示意图；
图3是本发明一个实施例的一种基于配网故障机理的故障自动识别方法的主要步骤示意图；
图4是图3所述方法的循环执行流程示意图；
图5是存储图4所述方法指令的存储介质结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
图1是本发明一个实施例的一种基于配网故障机理的故障自动识别系统的结构示意图。
在图1中，所述基于配网故障机理的故障自动识别系统包括配网故障机理数据库、配网设备警告信息采集设备、配网设备信号量采集设备、激励设备以及配网激励输出信号量采集设备。
图1所述配网故障机理数据库存储有多种不同故障类型与故障特征信号量之间的对应关系；
所述故障类型具有故障优先级。
在初始条件下，所述配网故障机理数据库中的不同故障类型的故障优先级相同。
图2示出了图1所述基于配网故障机理的故障自动识别系统使用的配网故障机理数据库示意图。
在图2中，所述配网故障机理数据库存储有N种不同故障类型{F1,F2,…FN}与M种故障特征信号量{T1,T2,…TM}之间的对应关系；其中，2≤M,N；
在图2中，示出了N＝4、M＝5的情形；可以理解，根据不同的训练模型以及识别模型，还可以存在其他情形，本发明对此不做限制。
如背景技术提及的，上述N种不同故障类型{F1,F2,…FN}与M种故障特征信号量{T1,T2,…TM}之间的对应关系可以通过现有技术预先训练得到，例如，提取稳态或暂态电气量作为故障特征，通过人工智能算法进行训练和测试，建立不同故障类型与故障特征信号量之间的对应关系，从而完成故障分类识别。
上述过程不属于本发明的改进部分，因此不做具体展开。
作为进一步的示例，故障特征信号量可以基于配电网中采集得到的信号量进行特征提取确定。
以三相四线的低压配电网为例，配电网中采集得到的信号量可包括配电网线路A-B-C三相电源的电源电压UA-UB-UC、相电流IA-IB-IC、中性线电阻ZN、中性线电流IN、中性线接地线电流I0、零序电压U0、零序电流I0等；
然而，不同于现有技术，本发明的实施例中，并非时刻进行数据采集，而是在采集得到警告信息之后才进行；同时，也并非简单的被动监测，而是采用了外部激励设备进行外部激励执行参数辨识后进一步获得激励信号量。
因此，作为本发明的改进之一，在本实施例中，所述故障特征信号量包括配网设备信号量以及配网激励输出信号量；
所述配网设备信号量是在所述配网设备发出警告信息时采集的多种第一信号量；
所述配网激励输出信号量是给所述配网设备施加外部激励信号后输出的多种第二信号量。
本发明所述的警告信息，是指配电网设备监测端，例如日志显示界面输出的提示性警告文字，例如“配变失压动作”即为一条“警告信息”；
对应于该警告信息，可以采集得到的多种第一信号量包括电源电压UA-UB-UC、零序电压U0、相电流IA-IB-IC、零序电流I0等；
本发明所述的给配网设备施加外部激励信号，可以是基于激励设备事假外界激励信号或者扰动信号；
例如，在所述显示界面输出的提示性警告文字包括“三相跳闸”后，利用外加的低频电压源装置依次对停电线路的3个相间回路注入低频电压扰动信号,从而获得扰动信号侧的电流和电压信息、相间回路的电阻和电感参数,作为所述多种第二信号量。
也就是说，不同的提示性警告文字对应不同的第一信号量和第二信号量，还对应不同的激励方式。
结合图1，配网设备警告信息采集设备用于采集所述显示界面输出的提示性警告文字并进行语义解析；
配网设备信号量采集设备用于采集与所述提示性警告文字的语义解析结果对应的多种第一信号量；
激励设备基于所述提示性警告文字的语义解析结果确定外部激励信号；
配网激励输出信号量采集设备用于采集在所述外部激励信号激励下输出的与所述提示性警告文字的语义解析结果对应的多种第二信号量。
然后，基于所述第一信号量，和/或，所述第二信号量调节所述故障优先级。
接下来，以具体的参数表示的形式，来进一步介绍上述实施例的过程。
所述多种第一信号量包括X个第一信号量
所述多种第二信号量包括Y个第二信号量
其中，2≤X,Y；
基于所述第一信号量
与所述故障特征信号量{T1,T2,…TM}的第一交集，和/或，
所述第二信号量
与所述故障特征信号量{T1,T2,…TM}的第二交集，
调节所述故障优先级。
具体的，基于所述第一信号量
与所述故障特征信号量{T1,T2,…TM}的第一交集，调节所述故障优先级，具体包括：
确定所述第一交集包含的第一交集信号量，
基于所述对应关系，确定所述第一交集信号量对应的第一故障类型；
提升所述第一故障类型的故障优先级。
基于所述第二信号量
与所述故障特征信号量{T1,T2,…TM}的第二交集，调节所述故障优先级，具体包括：
确定所述第二交集包含的第二交集信号量，
基于所述对应关系，确定所述第二交集信号量对应的第二故障类型；
提升所述第二故障类型的故障优先级。
而在所述配网设备发出警告信息时，将当前故障优先级最高的故障类型作为识别出的故障自动显示。
以前述实施例为例，假设第一信号量集合为：
{电源电压UA-UB-UC、零序电压U0、相电流IA-IB-IC、零序电流I0}；
而故障特征信号量集合为：
{电源电压UA-UB-UC、相电流IA-IB-IC、中性线电流IN、中性线接地线电流I0}；
则第一交集信号量集合为：
{电源电压UA-UB-UC、相电流IA-IB-IC}；
根据预先训练得到的故障类型与故障特征信号量之间的对应关系，此时对应的第一故障类型可能是单相断线故障或多相断线故障；
因此，提升单相断线故障或多相断线故障的故障优先级。
第二信号量集合、第二交集信号量集合以及第二故障类型的确定方式与上述类似。
以激励设备为低频电压源装置为例，其获得第二信号量集合的过程可参见现有技术：
基于参数辨识的配电网相间永久性故障识别方法，焦卓，等；《分布式能源》，第7卷第1期第37-44页，2022年2月。
基于该现有技术辨识出的第二故障类型可以为永久性故障或瞬时性故障，从而提升其优先级。
在另一个方面，在提升所述第一故障类型的故障优先级或者提升所述第二故障类型的故障优先级的同时，将所述配网故障机理数据库存储的多种不同故障类型中除所述第一故障类型和所述第二故障类型之外的其他故障类型的优先级恢复为初始值。
如此，可以避免在多次特征量采集和识别的过程中产生的误差进一步累积。
优选的，所述优先级可以采用数值表示；数值越大，优先级越高。
若当前某个故障类型对应的优先值数值为Pcur，则提升后的优先值数值PR按照如下方式确定：
当然，优先级还可以采用其他方式，并不影响本发明的实现，但是实际校正效果和实际测试效果表明，上述优先级校准提升的方式能够综合考虑当前故障类型在所述第一交集信号量集合或者第二交集信号量集合能够对应的当前累计次数对优先级的权重，因此效果更佳。
接下来参见图3，图3是本发明一个实施例的一种基于配网故障机理的故障自动识别方法的主要步骤示意图。
图3所述方法实施例包括步骤S710-S760,各个步骤具体实现如下：
S710：预先配置配网故障机理数据库，所述配置配网故障机理数据库存储有多种不同故障类型与故障特征信号量之间的对应关系；
所述故障类型具有故障优先级；
S720：在配网设备发出警告信息时，采集多种第一信号量；
S730：给所述配网设备施加外部激励信号，采集输出的多种第二信号量；
S740：基于所述第一信号量与所述故障特征信号量的第一交集，和/或，所述第二信号量与所述故障特征信号量的第二交集，调节所述故障优先级；
S750：重复步骤S720-S740，直至收集的所述警告信息符合预设条件；
S760：将当前故障优先级最高的故障类型作为识别出的故障自动显示。
可以看到，步骤S750存在重复执行的表述，因此，所述方法可以通过循环迭代的流程图表示，如图4所述。
在所述循环判断步骤S750中，重复步骤S720-S740，直至收集的所述警告信息符合预设条件。
可以看到，本发明的数据采集都是基于警告信息采集来实现的。
一方面，在实际执行过程中，警告信息不止一条，也不会只发出一次；另一方面，单次的警告信息或者单条的警告信息可能造成误报。
为解决此类问题，本发明的进一步改进实施例在于，只有收集的所述警告信息符合预设条件，才认为优先级调整能够达到预期目标。
具体的，所述警告信息符合预设条件可以设定为所述警告信息达到预设次数或者预设条数；
即采集得到的所述警告信息的条数超过第一阈值，和/或，采集所述所述警告信息的次数超过第二阈值。
如此，可以确保故障识别方案基于故障机理执行优先级调整的同时具备完备性与动态性。
可以理解，本发明的各个实施例可以单独或者合并，解决其中一个或者多个技术问题，但是不要求每个实施例或者技术方案均解决所有技术问题。
图3或图4所述的方法可以通过计算机设备，基于计算机程序指令执行，计算机程序指令可以存储于计算机可读存储介质。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
图5示出存储图4所述方法指令的存储介质结构示意图。
图5计算机可读存储介质上存储有指令，指令例如是计算机可读指。当计算机可读指令由处理器运行时，可以执行参照以上图4描述的基于配网故障机理的故障自动识别方法。计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。
本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。
Claims (10)
1.一种基于配网故障机理的故障自动识别系统，所述系统包括配网故障机理数据库，其特征在于：
所述配网故障机理数据库存储有多种不同故障类型与故障特征信号量之间的对应关系；
所述故障类型具有故障优先级；
所述故障特征信号量包括配网设备信号量以及配网激励输出信号量；
所述配网设备信号量是在所述配网设备发出警告信息时采集的多种第一信号量；
所述配网激励输出信号量是给所述配网设备施加外部激励信号后输出的多种第二信号量；
基于所述第一信号量，和/或，所述第二信号量调节所述故障优先级。
2.如权利要求1所述的一种基于配网故障机理的故障自动识别系统，其特征在于：
所述配网故障机理数据库中的不同故障类型在初始条件下故障优先级相同。
3.如权利要求1所述的一种基于配网故障机理的故障自动识别系统，其特征在于：
所述配网故障机理数据库存储有N种不同故障类型{F1,F2,…FN}与M种故障特征信号量{T1,T2,…TM}之间的对应关系；其中，2≤M,N；
所述多种第一信号量包括X个第一信号量
所述多种第二信号量包括Y个第二信号量
其中，2≤X,Y；
基于所述第一信号量
与所述故障特征信号量{T1,T2,…TM}的第一交集，
和/或，
所述第二信号量
与所述故障特征信号量{T1,T2,…TM}的第二交集，
调节所述故障优先级。
4.如权利要求3所述的一种基于配网故障机理的故障自动识别系统，其特征在于：
基于所述第一信号量
与所述故障特征信号量{T1,T2,…TM}的第一交集，调节所述故障优先级，具体包括：
确定所述第一交集包含的第一交集信号量，
基于所述对应关系，确定所述第一交集信号量对应的第一故障类型；
提升所述第一故障类型的故障优先级。
5.如权利要求3所述的一种基于配网故障机理的故障自动识别系统，其特征在于：
基于所述第二信号量
与所述故障特征信号量{T1,T2,…TM}的第二交集，调节所述故障优先级，具体包括：
确定所述第二交集包含的第二交集信号量，
基于所述对应关系，确定所述第二交集信号量对应的第二故障类型；
提升所述第二故障类型的故障优先级。
6.如权利要求1所述的一种基于配网故障机理的故障自动识别系统，其特征在于：
在所述配网设备发出警告信息时，将当前故障优先级最高的故障类型作为识别出的故障自动显示。
7.一种基于配网故障机理的故障自动识别方法，其特征在于，所述方法包括如下步骤：
S710：预先配置配网故障机理数据库，所述配置配网故障机理数据库存储有多种不同故障类型与故障特征信号量之间的对应关系；
所述故障类型具有故障优先级；
S720：在配网设备发出警告信息时，采集多种第一信号量；
S730：给所述配网设备施加外部激励信号，采集输出的多种第二信号量；
S740：基于所述第一信号量与所述故障特征信号量的第一交集，和/或，所述第二信号量与所述故障特征信号量的第二交集，调节所述故障优先级；
S750：重复步骤S720-S740，直至收集的所述警告信息符合预设条件；
S760：将当前故障优先级最高的故障类型作为识别出的故障自动显示。
8.如权利要求7所述的一种基于配网故障机理的故障自动识别方法，其特征在于，
所述配网故障机理数据库存储有N种不同故障类型{F1,F2,…FN}与M种故障特征信号量{T1,T2,…TM}之间的对应关系；其中，2≤M,N；
所述配网故障机理数据库中的不同故障类型在初始条件下故障优先级相同。
9.如权利要求7所述的一种基于配网故障机理的故障自动识别方法，其特征在于，
所述步骤S740中基于所述第一信号量与所述故障特征信号量的第一交集调节所述故障优先级，具体包括：
确定所述第一交集包含的第一交集信号量，基于所述对应关系，确定所述第一交集信号量对应的第一故障类型；提升所述第一故障类型的故障优先级。
10.如权利要求7所述的一种基于配网故障机理的故障自动识别方法，其特征在于，
所述步骤S740中基于所述第二信号量与所述故障特征信号量的第二交集，调节所述故障优先级，具体包括：
确定所述第二交集包含的第二交集信号量，
基于所述对应关系，确定所述第二交集信号量对应的第二故障类型；提升所述第二故障类型的故障优先级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211159013.4A CN115494343B (zh) | 2022-09-22 | 2022-09-22 | 基于配网故障机理的故障自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211159013.4A CN115494343B (zh) | 2022-09-22 | 2022-09-22 | 基于配网故障机理的故障自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115494343A true CN115494343A (zh) | 2022-12-20 |
| CN115494343B CN115494343B (zh) | 2024-02-27 |
Family
ID=84470485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211159013.4A Active CN115494343B (zh) | 2022-09-22 | 2022-09-22 | 基于配网故障机理的故障自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115494343B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103245881A (zh) * | 2013-04-22 | 2013-08-14 | 国家电网公司 | 一种基于潮流分布特征的配电网故障分析方法及装置 |
| CN111579924A (zh) * | 2020-05-19 | 2020-08-25 | 广东电网有限责任公司 | 一种故障位置确定方法、设备及存储介质 |
| CN113791304A (zh) * | 2021-08-23 | 2021-12-14 | 珠海许继芝电网自动化有限公司 | 故障类型及故障区段识别方法 |
| CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和系统 |
| CN114236304A (zh) * | 2021-11-03 | 2022-03-25 | 杭州柯林电气股份有限公司 | 一种基于行波测距的异常预警方法及系统 |
| CN114726088A (zh) * | 2022-03-03 | 2022-07-08 | 固德威电源科技(广德)有限公司 | 一种用于光伏系统的故障录波系统及配置自适应方法 |
-
2022
- 2022-09-22 CN CN202211159013.4A patent/CN115494343B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103245881A (zh) * | 2013-04-22 | 2013-08-14 | 国家电网公司 | 一种基于潮流分布特征的配电网故障分析方法及装置 |
| CN111579924A (zh) * | 2020-05-19 | 2020-08-25 | 广东电网有限责任公司 | 一种故障位置确定方法、设备及存储介质 |
| CN113791304A (zh) * | 2021-08-23 | 2021-12-14 | 珠海许继芝电网自动化有限公司 | 故障类型及故障区段识别方法 |
| CN114236304A (zh) * | 2021-11-03 | 2022-03-25 | 杭州柯林电气股份有限公司 | 一种基于行波测距的异常预警方法及系统 |
| CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和系统 |
| CN114726088A (zh) * | 2022-03-03 | 2022-07-08 | 固德威电源科技(广德)有限公司 | 一种用于光伏系统的故障录波系统及配置自适应方法 |
Non-Patent Citations (1)
| Title |
|---|
| 伍太萍;程正;叶忠海;许春林;陈智林;熊晓亮;戴子明;: "变电站集中监控数据智能分析研究", 自动化与仪器仪表, no. 04, pages 2 - 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115494343B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107276066A (zh) | 用于分析电力系统中的波形的方法和系统 | |
| CN104966161B (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
| Shaw et al. | A novel event detection and classification scheme using wide-area frequency measurements | |
| CN114002501A (zh) | 一种带有数字滤波的采集终端拓扑识别方法 | |
| CN112285489A (zh) | 一种基于特征融合和模型融合的故障指示器故障定位方法 | |
| Yılmaz et al. | Automated classification of power quality disturbances in a SOFC&PV-based distributed generator using a hybrid machine learning method with high noise immunity | |
| CN104158682A (zh) | 一种基于贡献度的同步数字体系sdh故障定位方法 | |
| CN108876068A (zh) | 一种电网故障预测检测方法及装置 | |
| CN111711192A (zh) | 一种支撑台区线损精益化管理的实时线损分析方法及系统 | |
| CN112364941B (zh) | 一种新能源场站频率特性检测方法、装置和系统 | |
| CN112420042A (zh) | 电力系统的控制方法及装置 | |
| CN113688987A (zh) | 光伏监测模型的训练方法、光伏设备的监测方法及设备 | |
| CN115494343A (zh) | 基于配网故障机理的故障自动识别方法 | |
| CN115420988B (zh) | 异常用电用户的识别方法、装置、设备及存储介质 | |
| CN116298509A (zh) | 一种电力系统谐波谐振的在线识别方法 | |
| CN116466182A (zh) | 一种电力系统线路故障测距方法 | |
| CN115313329A (zh) | 一种用于快速行波保护的频带范围选取方法及相关装置 | |
| CN109557419B (zh) | 一种输电线路检测方法 | |
| CN114755529A (zh) | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 | |
| Shaik et al. | Combined classification of Power Quality Disturbances and Power System Faults | |
| Zhuangzhuang et al. | Phasor Measurement Unit Measurement Data Processing Method Applied to a Two-Stage Identification Algorithm for Load Model Parameters | |
| Bhandia et al. | Improved grid reliability by robust distortion detection and classification algorithm | |
| Majumdar et al. | Assessment of Transient Disturbance using Discrete Fourier Transform and Feed Forward Neural Network based Hybrid Classifier | |
| CN109038683A (zh) | 一次调频频率信号源的准确性评价方法、装置及设备 | |
| CN117409816B (zh) | 一种基于声音信号的设备故障检测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |