CN116184124A - 一种配电网故障类型识别方法 - Google Patents
一种配电网故障类型识别方法 Download PDFInfo
- Publication number
- CN116184124A CN116184124A CN202310456367.3A CN202310456367A CN116184124A CN 116184124 A CN116184124 A CN 116184124A CN 202310456367 A CN202310456367 A CN 202310456367A CN 116184124 A CN116184124 A CN 116184124A
- Authority
- CN
- China
- Prior art keywords
- layer
- fault
- distribution network
- power distribution
- output signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 28
- 230000035945 sensitivity Effects 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 16
- 125000003275 alpha amino acid group Chemical group 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- CVXBEEMKQHEXEN-UHFFFAOYSA-N carbaryl Chemical compound C1=CC=C2C(OC(=O)NC)=CC=CC2=C1 CVXBEEMKQHEXEN-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization 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
- G01R31/088—Aspects of digital computing
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Locating Faults (AREA)
Abstract
本发明提供一种配电网故障类型识别方法,包括:获取配电网中每个测点的故障电压信号,并对每个测点的故障电压信号进行标准化处理,每个测点的故障电压信号包括A、B、C三相电压信号;获取标准化后的每个测点的故障电压信号的WVD时频谱图;根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图,构建时空数据立方体;根据时空数据立方体和故障识别模型获取配电网的故障类型。本发明能够解决现有技术中对配电网的故障类型识别的准确率低的问题。
Description
技术领域
本发明涉及配电网故障处理技术领域,特别是涉及一种配电网故障类型识别方法。
背景技术
配电网的故障辨识方法众多,根据故障辨识方法的利用信息,配电网的故障辨识方法可分为两类:外加注入信号的故障辨识方法以及基于接地故障稳态和暂态故障特征量的故障辨识方法。
外加注入信号的故障辨识方法在过渡电阻较大情况下,信号特征极不明显,弧光接地时易受大量谐波分量干扰,信号注入装置的频率选取困难,且注入信号对一次系统的安全稳定有影响,因此该方法较难应用在具体工程中。基于接地故障稳态和暂态故障特征信息的辨识方法是国内外的研究热点,具体方法包括使用零序导纳法,或谐波法,或有功功率法基于稳态故障特征信息实现故障辨识。
然而,单相高阻接地、弧光接地的故障在初始阶段的故障电流可低至0.1A,仅为正常电流的万分之一,故障工频和谐波低频分量的故障特征极不明显,受限于电压等级低、配电线路分支多和对地等效电容小的特性,基于接地故障稳态和暂态故障特征信息的辨识方法难以在故障的初始阶段准确辨识出单相高阻接地、弧光接地的故障类型。
发明内容
本发明的目的在于提供一种配电网故障类型识别方法,以解决现有技术中对配电网的故障类型识别的准确率低的问题。
一种配电网故障类型识别方法,包括:
获取配电网中每个测点的故障电压信号,并对每个测点的故障电压信号进行标准化处理,每个测点的故障电压信号包括A、B、C三相电压信号;
获取标准化后的每个测点的故障电压信号的WVD时频谱图;
根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图,构建时空数据立方体;
根据时空数据立方体和故障识别模型获取配电网的故障类型。
根据本发明提供的配电网故障类型识别方法,首先获取配电网中每个测点的故障电压信号,并对每个测点的故障电压信号进行标准化处理,每个测点的故障电压信号包括A、B、C三相电压信号;然后获取标准化后的每个测点的故障电压信号的WVD时频谱图;再根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图,构建时空数据立方体;最后根据时空数据立方体和故障识别模型获取配电网的故障类型;该方法将多测点故障信号进行组合构造得到的时空数据立方体进行故障辨识,可以大大提高辨识准确率。
此外,上述的配电网故障类型识别方法,还具有以下技术特征:
进一步的,对每个测点的故障电压信号进行标准化处理具体包括:
进一步的,获取标准化后的每个测点的故障电压信号的WVD时频谱图具体包括:
进一步的,根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图,构建时空数据立方体具体包括:
根据每个测点的故障电压信号的WVD时频谱图获取所有测点的A、B、C三相电压信号的WVD时频谱图;
根据构建时空数据立方体/>,其中,d表示第d个输入通道;d=1时,表示A相;d=2时,表示B相;d=3时,表示C相;K表示测量节点的个数,/>表示第1个测量节点信号计算得到的WVD时频谱图,/>表示第2个测量节点信号计算得到的WVD时频谱图、/>表示第K个测量节点信号计算得到的WVD时频谱图。
进一步的,所述故障识别模型采用基于三维卷积核的CNN模型;
根据时空数据立方体和故障识别模型获取配电网的故障类型具体包括:
对时空数据立方体进行补零与三维卷积,获取所述基于三维卷积核的CNN模型的净输入;
根据所述基于三维卷积核的CNN模型的净输入和激活函数,获取卷积层的输出信号;
采用最大池化的方法,获取池化层的输出信号;
根据卷积层的输出信号或池化层的输出信号和全连接层,获取全连接层的输出信号;
根据所述全连接层的输出信号,获取配电网的故障类型。
进一步的,若基于三维卷积核的CNN模型的当前隐含层为卷积层或池化层,且连接卷积层,则根据计算当前隐含层的输出信号的灵敏度/>,其中,/>表示对数据立方体元素上下、左右、前后各翻转180°操作,/>表示卷积核,/>表示表示立方体元素对应项相乘,/>表示等宽卷积,/>表示当前隐含层为卷积层或池化层,且连接卷积层时,全连接层的输出信号的灵敏度,/>表示第/>个输出通道,P表示输出信号的通道总数,/>表示净输入。
进一步的,基于三维卷积核的CNN模型根据各层输出信号的灵敏度调节各层的权重与偏置。
附图说明
图1为一实施例的配电网故障类型识别方法的流程图;
图2为一实施例的IEEE118节点配电网的拓扑结构图;
图3为一实施例的WVD时频谱图;
图4为一实施例的基于3维卷积核的VGG-11可视化模型示意图;
图5为一实施例的全连接层输入信号的变维操作的示意图;
图6为一实施例的卷积层输出信号与对应灵敏度的重排的示意图;
图7为一实施例的配电网故障类型的识别结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本发明的实施例提供一种配电网故障类型识别方法,首先进行故障仿真,并根据仿真数据构建数据样本库,然后使用该构建的数据样本看进行网络训练,并得到故障类型的识别模型,将故障数据输入值故障类型的识别模型,则可以根据该故障类型的识别模型进行故障类型的识别。
如图1所示,该方法包括步骤101至步骤104。
步骤101,获取配电网中每个测点的故障电压信号,并对每个测点的故障电压信号进行标准化处理,每个测点的故障电压信号包括A、B、C三相电压信号。
本发明的实施例以简化后的IEEE118节点配电网为例,首先搭建配电网仿真模型,然后设置故障类型、故障初相角、过渡电阻和故障位置,并得到仿真结果。如图2所示,可以在PSCAD/EMTDC上搭建简化后的IEEE118节点配电网模型测点包括M1~M18和b1~b13。以简化后的IEEE118节点配电网模型为基础,如表1所示,故障线路共30条。如表2所示,可以设置十种故障类型,该十种故障类型包括:A相接地 AG、B 相接地 BG、C 相接地 CG、AB两相短路AB、AC两相短路AC、BC两相短路BC、AB两相短路接地ABG、BC两相短路接地BCG、AC两相短路接地ACG、ABC三相短路ABC。6种过渡电阻包括:1Ω、10Ω、100Ω、500Ω、1kΩ、4kΩ。9种故障初相角包括:10°、20°、30°、40°、50°、60°、70°、80°、90°。根据表2可知,根据图2所示的模型,一个可共生成6120组样本,每组样本包括18个测量节点的三相电压波形。
表1 线路具体信息
表2故障样本情况
示例性地,可以通过专用行波传感器测得每个测点的故障电压信号,每个测点的故障电压信号是一段时间窗序列,即数组形式。可以采用公式(1)对每个测点的故障电压信号进行标准化。
步骤102,获取标准化后的每个测点的故障电压信号的WVD时频谱图。
步骤103,根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图,构建时空数据立方体。
示例性地,时空数据立方体构造方法如下:
将所有测点的A、B、C三相信号的WVD时频谱图作为故障特征基本单元,分别构造时空数据立方体。故障特征基本单元如式(3)所示。
式(3)中,d表示第d个输入通道;d=1时,表示A相;d=2时,表示B相;d=3时,表示C相;K表示测量节点的个数,表示第1个测量节点信号计算得到的WVD时频谱图,/>表示第2个测量节点信号计算得到的WVD时频谱图、/>表示第K个测量节点信号计算得到的WVD时频谱图。
步骤104,根据时空数据立方体和故障识别模型获取配电网的故障类型。
故障识别模型具体采用基于三维卷积核的CNN模型。
根据时空数据立方体和故障识别模型获取配电网的故障类型具体包括:
对时空数据立方体进行补零与三维卷积,获取所述基于三维卷积核的CNN模型的净输入;
根据所述基于三维卷积核的CNN模型的净输入和激活函数,获取卷积层的输出信号;
采用最大池化的方法,获取池化层的输出信号;
根据卷积层的输出信号或池化层的输出信号和全连接层,获取全连接层的输出信号;
根据所述全连接层的输出信号,获取配电网的故障类型。
下面对步骤104的具体实现方法进行示例性说明。
采用的神经网络结构如图4和表3所示,网络中包含11个带有权重的隐含层,即8个卷积层与3个全连接层(输出层也采用了全连接层的形式)。网络以三通道的时空数据立方体作为输入,分别对应A、B、C三相电压信号。输出层实质上是一个列向量,表示11种信号类型,包括正常信号与10种故障信号类型。本实施例采样的CNN网络模型中所有卷积层均采取3×3×3的卷积核,步长为1;池化层采用最大池化。基于3维卷积核的CNN各层结构信息见表3。
表3 基于3维卷积核的VGG-11各层结构信息
3D-CNN网络训练方法如下:(即,三维卷积核的卷积操作如下)
信号序列表示卷积层的输入信号,X是一个M×N×L×D的四维张量,其中M、N、L分别表示数据立方体长宽高三个方向的元素个数;D表示输入信号的通道个数,d表示第d个输入通道。信号序列/>表示卷积层的输出信号,/>是一个M’×N’×L’×P的四维张量,其中M’、N’、L’表示输出信号长宽高三个方向的元素个数;P表示输出信号的通道个数。根据输入输出信号的通道数,可以得到卷积核一共有D×P个,因此,卷积核/>为一个U×V×Q×D×P的五维张量,其中U、V、Q表示卷积核长宽高三个方向的元素个数。本发明的实施例主要使用等宽卷积,即卷积前后信号维数不变。
将净输入通过激活函数后得到卷积层的输出信号,如式(5)。
误差信号的反向传播,通过输出误差计算各层输出信号的灵敏度,从而调节权重与偏置。由于基本数据结构的不同,信号灵敏度计算、补零操作以及权重更新公式也需进一步改进。
若当前隐含层为卷积层或池化层时,可使用式(10)计算卷积层或者池化层到全连接层的输出信号的灵敏度,但由于卷积层或池化层的输出信号向全连接层进行前向传播时,输出矩阵X进行了重排列,变为/>作为全连接层的输入信号。因此,误差反向传播计算得到的灵敏度/>为保证与X维度一致,应重排列为/>,如图6所示。
式(11)中,表示对数据立方体元素上下、左右、前后各翻转180°操作,表示卷积核,/>表示表示立方体元素对应项相乘,/>表示等宽卷积,/>表示当前隐含层为卷积层或池化层,且连接卷积层时,全连接层的输出信号的灵敏度,/>表示第/>个输出通道,P表示输出信号的通道总数,/>表示净输入。
若当前隐含层为卷积层且连接池化层,当前隐含层的输出信号的灵敏度三维计算公式如式(12)。
式(12)中,表示上采样操作,与池化层的下采样操作相反。信号前向传播时若选择最大池化,则将误差信号的每个元素传递到上一层输出信号对应区域中的最大值位置,其余位置赋0。若选择平均池化,则将误差信号平均分配给对应区域中的所有位置。
本实施例中,基于三维卷积核的CNN模型根据各层输出信号的灵敏度调节各层的权重与偏置,具体为:
基于时空数据立方体,运用3D-CNN辨识结果如图7所示,图7为6300组样本数据测试结果的混淆矩阵,横坐标与纵坐标均表示要辨识的标签(即故障类型),中间的数字表示辨识情况。i行j列表示把i标签识别为j标签的数量,即:对角线表示把i标签识别正确的数量,非对角线即识别错误的数量。由图7可知,根据本发明的实施例提供的故障识别方法的准确率高达98.38%。
综上,根据本发明提供的配电网故障类型识别方法,首先获取配电网中每个测点的故障电压信号,并对每个测点的故障电压信号进行标准化处理,每个测点的故障电压信号包括A、B、C三相电压信号;然后获取标准化后的每个测点的故障电压信号的WVD时频谱图;再根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图,构建时空数据立方体;最后根据时空数据立方体和故障识别模型获取配电网的故障类型;该方法将多测点故障信号进行组合构造得到的时空数据立方体进行故障辨识,可以大大提高辨识准确率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种配电网故障类型识别方法,其特征在于,包括:
获取配电网中每个测点的故障电压信号,并对每个测点的故障电压信号进行标准化处理,每个测点的故障电压信号包括A、B、C三相电压信号;
获取标准化后的每个测点的故障电压信号的WVD时频谱图;
根据所有测点的故障电压信号中A、B、C三相电压信号的WVD时频谱图,构建时空数据立方体;
根据时空数据立方体和故障识别模型获取配电网的故障类型。
5.根据权利要求4所述的配电网故障类型识别方法,其特征在于,所述故障识别模型采用基于三维卷积核的CNN模型;
根据时空数据立方体和故障识别模型获取配电网的故障类型具体包括:
对时空数据立方体进行补零与三维卷积,获取所述基于三维卷积核的CNN模型的净输入;
根据所述基于三维卷积核的CNN模型的净输入和激活函数,获取卷积层的输出信号;
采用最大池化的方法,获取池化层的输出信号;
根据卷积层的输出信号或池化层的输出信号和全连接层,获取全连接层的输出信号;
根据所述全连接层的输出信号,获取配电网的故障类型。
10.根据权利要求6~9中任一项所述的配电网故障类型识别方法,其特征在于,基于三维卷积核的CNN模型根据各层输出信号的灵敏度调节各层的权重与偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310456367.3A CN116184124B (zh) | 2023-04-26 | 2023-04-26 | 一种配电网故障类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310456367.3A CN116184124B (zh) | 2023-04-26 | 2023-04-26 | 一种配电网故障类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116184124A true CN116184124A (zh) | 2023-05-30 |
CN116184124B CN116184124B (zh) | 2023-07-07 |
Family
ID=86446568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310456367.3A Active CN116184124B (zh) | 2023-04-26 | 2023-04-26 | 一种配电网故障类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116184124B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104319747A (zh) * | 2014-09-25 | 2015-01-28 | 中电普瑞电力工程有限公司 | 一种特高压直流输电系统行波保护的实现方法 |
CN108846409A (zh) * | 2018-04-28 | 2018-11-20 | 中国人民解放军国防科技大学 | 基于循环动态卷积神经网络的雷达回波外推模型训练方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
US20190107573A1 (en) * | 2016-04-08 | 2019-04-11 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method for detecting soft faults in a cable by data fusion |
CN110943857A (zh) * | 2019-11-20 | 2020-03-31 | 国网湖北省电力有限公司信息通信公司 | 基于卷积神经网络的电力通信网故障分析及定位方法 |
US20200249266A1 (en) * | 2017-10-24 | 2020-08-06 | Korea Electric Power Corporation | Device and method for detecting failure location of underground cable |
CN111507417A (zh) * | 2020-04-21 | 2020-08-07 | 长沙理工大学 | 一种输电线路故障暂态保护方法 |
CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及系统 |
CN114252716A (zh) * | 2021-12-06 | 2022-03-29 | 深圳供电局有限公司 | 一种电网故障诊断方法与装置、存储介质 |
WO2022119426A1 (fr) * | 2020-12-01 | 2022-06-09 | Université Internationale de RABAT | Système intelligent pour détection et notification instantanée des perturbations de la qualité du signal électrique |
CN115876473A (zh) * | 2022-12-14 | 2023-03-31 | 国家能源集团宿迁发电有限公司 | 基于PWVD和DenseNet的轴承故障诊断方法 |
-
2023
- 2023-04-26 CN CN202310456367.3A patent/CN116184124B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104319747A (zh) * | 2014-09-25 | 2015-01-28 | 中电普瑞电力工程有限公司 | 一种特高压直流输电系统行波保护的实现方法 |
US20190107573A1 (en) * | 2016-04-08 | 2019-04-11 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method for detecting soft faults in a cable by data fusion |
US20200249266A1 (en) * | 2017-10-24 | 2020-08-06 | Korea Electric Power Corporation | Device and method for detecting failure location of underground cable |
CN108846409A (zh) * | 2018-04-28 | 2018-11-20 | 中国人民解放军国防科技大学 | 基于循环动态卷积神经网络的雷达回波外推模型训练方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN110943857A (zh) * | 2019-11-20 | 2020-03-31 | 国网湖北省电力有限公司信息通信公司 | 基于卷积神经网络的电力通信网故障分析及定位方法 |
CN111507417A (zh) * | 2020-04-21 | 2020-08-07 | 长沙理工大学 | 一种输电线路故障暂态保护方法 |
CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及系统 |
WO2022119426A1 (fr) * | 2020-12-01 | 2022-06-09 | Université Internationale de RABAT | Système intelligent pour détection et notification instantanée des perturbations de la qualité du signal électrique |
CN114252716A (zh) * | 2021-12-06 | 2022-03-29 | 深圳供电局有限公司 | 一种电网故障诊断方法与装置、存储介质 |
CN115876473A (zh) * | 2022-12-14 | 2023-03-31 | 国家能源集团宿迁发电有限公司 | 基于PWVD和DenseNet的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
张娅婷;: "基于VMD与卷积神经网络的脱硫增压风机轴承故障诊断", 内蒙古科技与经济, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN116184124B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Expósito et al. | Reduced substation models for generalized state estimation | |
US9989580B2 (en) | Fault analysis in electric networks having a plurality of multi-phase buses | |
CN107453351B (zh) | 一种基于节点注入功率的配电网运行拓扑辨识方法 | |
CN106443360B (zh) | 基于关联矩阵的配电网行波故障定位方法 | |
CN107966638B (zh) | 校正误差的方法和装置、存储介质及处理器 | |
CN101762774B (zh) | 基于遗传算法参数辨识高压直流输电线路故障测距方法 | |
CN111141995B (zh) | 一种基于比幅原理的线路双端稳态量测距方法和系统 | |
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 | |
CN107329045A (zh) | 配网故障最小二乘定位算法 | |
CN115128395A (zh) | 一种电压暂降源定位方法和装置 | |
CN110907810A (zh) | 基于粒子群算法的模拟电路单故障诊断方法 | |
CN112415325A (zh) | 基于边缘计算的单相接地故障区段辨识方法 | |
CN114744625A (zh) | 一种风电机组模型降阶方法及系统 | |
CN110133444A (zh) | 一种基于正序电压变化量的故障定位方法、装置及系统 | |
CN114527354A (zh) | 一种配电网线路短路故障监测方法及相关设备 | |
CN107462810A (zh) | 一种适用于有源配电网的故障区段定位方法 | |
Hu et al. | Fault location and classification for distribution systems based on deep graph learning methods | |
CN116184124B (zh) | 一种配电网故障类型识别方法 | |
CN108336730B (zh) | 一种基于降阶自灵敏度的戴维南等值参数辨识方法 | |
CN105259795B (zh) | 用于动力电池模拟器的内部阻抗参数扩展方法 | |
Guillen et al. | Data‐driven short‐circuit detection and location in microgrids using micro‐synchrophasors | |
CN115494349B (zh) | 有源配电网单相接地故障区段定位方法 | |
Davis et al. | Estimation of transmission line parameters from historical data | |
CN104062501B (zh) | 双变压器变电站谐波状态估计方法 | |
CN113177717B (zh) | 一种基于影响增量灵敏度的输电系统韧性快速评估方法 |
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 |