CN116223971A - 基于多源信息的配电网故障区域辅助定位系统 - Google Patents
基于多源信息的配电网故障区域辅助定位系统 Download PDFInfo
- Publication number
- CN116223971A CN116223971A CN202310162783.2A CN202310162783A CN116223971A CN 116223971 A CN116223971 A CN 116223971A CN 202310162783 A CN202310162783 A CN 202310162783A CN 116223971 A CN116223971 A CN 116223971A
- Authority
- CN
- China
- Prior art keywords
- fault
- area
- distribution network
- power distribution
- data
- 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
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000011835 investigation Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000013024 troubleshooting Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 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
-
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于多源信息的配电网故障区域辅助定位系统,涉及电网故障定位技术领域,通过将配电网络覆盖的范围划分为若干区域和若干子区域;预先收集每个区域以及子区域内历史电网故障的外部环境数据或电网电压数据等;通过将历史数据作为输入,训练出根据外部环境数据分析故障概率以及根据电网电压数据分析故障概率的神经网络型;实时收集每个区域以及子区域的外部环境数据和电网电压数据;将实时数据分别作为神经网络模型的输入,获得区域以及子区域的故障概率;根据区域与子区域的故障概率计算子区域的综合故障概率;按综合故障概率进行排序,按顺序进行故障排查;极大的提升了配电网故障的排查效率。
Description
技术领域
本发明属于配电网领域,涉及配电网故障技术,具体是基于多源信息的配电网故障区域辅助定位系统。
背景技术
由于变电站的危险性较大,一般情况下会将其建设在偏远地区;偏远地区一般会与居民区相距较远,用户想要获得电能需要通过配电网线路和电网进行相互连接,电网上的电能不能直接为用户所用,在中途需要经过变电站进行电流和电压的交换;因此导致配网线路所覆盖的区域较大,线路较长且分布分散和节点较多;而目前在配电网发生故障时,往往需要人工前往各个区域进行故障分析,消耗大量的人力与物力;
为此,提出基于多源信息的配电网故障区域辅助定位系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出基于多源信息的配电网故障区域辅助定位系统,该基于多源信息的配电网故障区域辅助定位系统解决了.....问题。
为实现上述目的,根据本发明的第一方面的实施例提出基于多源信息的配电网故障区域辅助定位系统,包括配电网区域信息收集模块、区域划分模块、历史故障信息收集模块、模型训练模块、实时数据收集模块以及故障区域定位模块;其中,各个模块之间通过电气和/或无线网络方式连接;
其中,所述配电网区域信息收集模块主要用于预先收集配电网区域的区域数据;
所述配电网区域信息收集模块收集的配电网区域的区域数据包括配电网的覆盖区域范围、在配电网覆盖区域内各个电网设备以及电网连接线的位置;
所述配电网区域信息收集模块将配电网区域的区域数据发送至区域划分模块;
其中,所述区域划分模块主要用于预先将配电网区域进行区域划分;
所述区域划分模块对配电网区域进行区域划分包括以下步骤:
步骤S1:根据配电网各个区域的实际外部环境,将配电网划分为若干区域;
步骤S2:根据区域内部电网设备的实际分布情况,将每个配电网区域划分为若干子区域;
将每个区域标记为r,将区域r内的子区域集合标记为Sr;则子区域集合Sr内的每个子区域标记为Sri;
所述区域划分模块将划分的区域以及子区域范围发送至历史故障信息收集模块以及实时数据收集模块;
其中,所述历史故障信息收集模块主要用于预先收集每个区域以及子区域的历史故障数据;
所述历史故障信息收集模块收集每个区域的历史故障数据的方式为:
收集每个区域r内,历史上发生的配电网故障事件的时间、地点、故障设备信息、外部环境、故障原因以及故障表现;
所述历史故障信息收集模块收集每个子区域的历史故障数据的方式为:
收集每个子区域Sri内,历史上发生的配电网故障事件的时间、地点、故障设备信息、电网电压数据、电网故障原因以及故障表现;
所述历史故障信息收集模块将配电网区域以及子区域内的历史故障数据发送至模型训练模块;
其中,所述模型训练模块主要用于训练出分析区域以及子区域发生故障概率的神经网络模型;
所述模型训练模块训练分析区域内发生故障概率的神经网络模型的方式为:
将收集的所有区域内的历史故障数据中的外部环境以及故障设备信息进行数字化转化,并组成神经网络模型支持的数字向量形式;将数字向量作为输入,对神经网络模型进行训练;将训练完成的该神经网络模型标记为M1;
所述模型训练模块训练分析子区域内发生故障概率的神经网络模型的方式为:
将收集的所有子区域内的历史故障数据中的电网电压数据以及故障设备信息进行数字化转化,并组成神经网络模型支持的数字向量形式;对神经网络模型进行训练;并将训练完成的神经网络模型标记为M2;
所述模型训练模块将训练完成的神经网络模型M1以及M2发生至故障区域定位模块;
其中,所述实时数据收集模块主要用于实时收集配电网区域以及子区域的环境数据和电网电压数据;
所述实时数据收集模块实时通过环境传感器感知每个配电网区域内的实时外部环境数据,以及通过电压传感器感知每个配电网子区域内的实时电网电压数据;
所述实时数据收集模块将实时收集的外部环境数据和电网电压数据发送至故障区域定位模块;
其中,所述区域定位模块主要用于使用神经网络模型以及外部环境数据和电网电压数据对电网故障区域进行定位;
所述区域定位模块对电网故障区域进行定位包括以下步骤:
步骤P1:将每个电网区域的实时外部环境数据以及电网区域中每台设备信息分别输入至神经网络模型M1中,获得每个电网区域内发生故障的概率;将电网区域r内发生故障的概率标记为Pr;
步骤P2:将电网区域r内每个子区域Sri的电网电压数据以及电网子区域中每台设备信息分别输入至神经网络模型M2中,获得每个电网子区域Sri内发生故障的概率;将电网子区域Sri内发生故障的概率标记为PSri;
步骤P3:计算每个电网子区域Sri的综合故障概率Zsri;其中,综合故障概率Zsri的计算公式为Zsri=Pr*Psri;
步骤P4:将所有电网子区域按综合故障概率Zsri从大到小进行排序;并按顺序对电网子区域进行故障排查。
与现有技术相比,本发明的有益效果是:
本发明通过将配电网络覆盖的范围划分为若干区域,并将每个区域划分为若干子区域;预先收集每个区域以及子区域内历史电网故障的外部环境数据或电网电压数据等;通过将历史数据作为输入,训练出根据外部环境数据分析故障概率以及根据电网电压数据分析故障概率的神经网络型;再实时收集每个区域以及子区域内的外部环境数据和电网电压数据;将实时数据分别作为神经网络模型的输入,获得区域以及子区域的故障概率;最后根据区域与子区域的故障概率计算子区域的综合故障概率;按综合故障概率进行排序,按顺序进行故障排查;通过将电网子区域按故障概率进行排序,极大的提升了配电网故障的排查效率。
附图说明
图1为本发明的原理图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
如图1所示,基于多源信息的配电网故障区域辅助定位系统,包括配电网区域信息收集模块、区域划分模块、历史故障信息收集模块、模型训练模块、实时数据收集模块以及故障区域定位模块;其中,各个模块之间通过电气和/或无线网络方式连接;
由于变电站的危险性较大,一般情况下会将其建设在偏远地区;偏远地区一般会与居民区相距较远,用户想要获得电能需要通过配电网线路和电网进行相互连接,电网上的电能不能直接为用户所用,在中途需要经过变电站进行电流和电压的交换;因此导致配网线路所覆盖的区域较大,线路较长且分布分散和节点较多;进而导致故障排查难度大;
其中,所述配电网区域信息收集模块主要用于预先收集配电网区域的区域数据;
在一个优选的实施例中,所述配电网区域信息收集模块收集的配电网区域的区域数据包括配电网的覆盖区域范围、在配电网覆盖区域内各个电网设备以及电网连接线的位置;优选的,所述配电王区域信息收集模块将电网设备的位置以及电网连接线的位置使用建模软件在电子地图中进行可视化展示;
所述配电网区域信息收集模块将配电网区域的区域数据发送至区域划分模块;
可以理解的是,由于配电网的覆盖范围往往较大,在不同的区域,外部环境条件有所不同,因此各个区域的常见故障有所不同,需要将外部配电网按区域进行划分;
其中,所述区域划分模块主要用于预先将配电网区域进行区域划分;
在一个优选的实施例中,所述区域划分模块对配电网区域进行区域划分包括以下步骤:
步骤S1:根据配电网各个区域的实际外部环境,将配电网划分为若干区域;具体的,区域划分的方式可以是根据实际经验,将具有相近外部环境的毗邻区域划分至同一个区域内;
步骤S2:根据区域内部电网设备的实际分布情况,将每个配电网区域划分为若干子区域;具体的,划分子区域的方式可以根据实际经验划分或进行随机划分;
将每个区域标记为r,将区域r内的子区域集合标记为Sr;则子区域集合Sr内的每个子区域标记为Sri;
所述区域划分模块将划分的区域以及子区域范围发送至历史故障信息收集模块以及实时数据收集模块;
其中,所述历史故障信息收集模块主要用于预先收集每个区域以及子区域的历史故障数据;
在一个优选的实施例中,所述历史故障信息收集模块收集每个区域的历史故障数据的方式为:
收集每个区域r内,历史上发生的配电网故障事件的时间、地点、故障设备信息、外部环境、故障原因以及故障表现;优选的,所述外部环境可以包括但不限于季节、天气、温度、空气湿度、大气压强以及人流量等;其中,所述设备故障信息包括故障设备的名称、故障设备的使用时长以及故障设备的维修次数等;
进一步的,所述历史故障信息收集模块收集每个子区域的历史故障数据的方式为:
收集每个子区域Sri内,历史上发生的配电网故障事件的时间、地点、故障设备信息、电网电压数据、电网故障原因以及故障表现;
优选的,所述电网电压数据包括电源侧的电压相位变化值、幅值瞬时变化值、电压故障相变化值、零序电压与原A相电压相位正反关系、电压相位偏移角度以及负荷侧断线相电压值、相位瞬时变化值、故障相电压值、各相电压相位偏移值以及幅度变化值等;
所述历史故障信息收集模块将配电网区域以及子区域内的历史故障数据发送至模型训练模块;
其中,所述模型训练模块主要用于训练出分析区域以及子区域发生故障概率的神经网络模型;
在一个优选的实施例中,所述模型训练模块训练分析区域内发生故障概率的神经网络模型的方式为:
将收集的所有区域内的历史故障数据中的外部环境以及故障设备信息进行数字化转化,并组成神经网络模型支持的数字向量形式;将数字向量作为输入,预测的区域内发生故障的概率作为输出;区域内实际发生故障情况作为预测目标;预测的准确率作为训练目标;对神经网络模型进行训练;优选的,所述神经网络模型可以为深度神经网络或深度信念网络;将训练完成的该神经网络模型标记为M1;
进一步的,所述模型训练模块训练分析子区域内发生故障概率的神经网络模型的方式为:
将收集的所有子区域内的历史故障数据中的电网电压数据以及故障设备信息进行数字化转化,并组成神经网络模型支持的数字向量形式;对神经网络模型进行训练;并将训练完成的神经网络模型标记为M2;
所述模型训练模块将训练完成的神经网络模型M1以及M2发生至故障区域定位模块;
其中,所述实时数据收集模块主要用于实时收集配电网区域以及子区域的环境数据和电网电压数据;
在一个优选的实施例中,所述实时数据收集模块实时通过环境传感器感知每个配电网区域内的实时外部环境数据,以及通过电压传感器感知每个配电网子区域内的实时电网电压数据;
所述实时数据收集模块将实时收集的外部环境数据和电网电压数据发送至故障区域定位模块;
其中,所述区域定位模块主要用于使用神经网络模型以及外部环境数据和电网电压数据对电网故障区域进行定位;
在一个优选的实施例中,所述区域定位模块对电网故障区域进行定位包括以下步骤:
步骤P1:将每个电网区域的实时外部环境数据以及电网区域中每台设备信息分别输入至神经网络模型M1中,获得每个电网区域内发生故障的概率;将电网区域r内发生故障的概率标记为Pr;
步骤P2:将电网区域r内每个子区域Sri的电网电压数据以及电网子区域中每台设备信息分别输入至神经网络模型M2中,获得每个电网子区域Sri内发生故障的概率;将电网子区域Sri内发生故障的概率标记为PSri;
步骤P3:计算每个电网子区域Sri的综合故障概率Zsri;其中,综合故障概率Zsri的计算公式为Zsri=Pr*Psri;
步骤P4:将所有电网子区域按综合故障概率Zsri从大到小进行排序;并按顺序对电网子区域进行故障排查。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于多源信息的配电网故障区域辅助定位系统,其特征在于,包括配电网区域信息收集模块、区域划分模块、历史故障信息收集模块、模型训练模块、实时数据收集模块以及故障区域定位模块;其中,各个模块之间通过电气和/或无线网络方式连接;
所述配电网区域信息收集模块用于预先收集配电网区域的区域数据;并将配电网区域的区域数据发送至区域划分模块;
所述区域划分模块用于预先将配电网区域进行区域划分;将每个区域标记为r,将区域r内的子区域集合标记为Sr;则子区域集合Sr内的每个子区域标记为Sri;并将划分的区域以及子区域范围发送至历史故障信息收集模块以及实时数据收集模块;
所述历史故障信息收集模块用于预先收集每个区域以及子区域的历史故障数据;并将配电网区域以及子区域内的历史故障数据发送至模型训练模块;
所述模型训练模块用于训练出分析区域以及子区域发生故障概率的神经网络模型;并将训练完成的神经网络模型M1以及M2发生至故障区域定位模块;
所述实时数据收集模块用于实时收集配电网区域以及子区域的环境数据和电网电压数据,并将实时收集的外部环境数据和电网电压数据发送至故障区域定位模块;
所述区域定位模块用于使用神经网络模型以及外部环境数据和电网电压数据对电网故障区域进行定位。
2.根据权利要求1所述的基于多源信息的配电网故障区域辅助定位系统,其特征在于,所述配电网区域信息收集模块收集的配电网区域的区域数据包括配电网的覆盖区域范围、在配电网覆盖区域内各个电网设备以及电网连接线的位置。
3.根据权利要求1所述的基于多源信息的配电网故障区域辅助定位系统,其特征在于,所述区域划分模块对配电网区域进行区域划分包括以下步骤:
步骤S1:根据配电网各个区域的实际外部环境,将配电网划分为若干区域;
步骤S2:根据区域内部电网设备的实际分布情况,将每个配电网区域划分为若干子区域。
4.根据权利要求1所述的基于多源信息的配电网故障区域辅助定位系统,其特征在于,所述历史故障信息收集模块收集每个区域的历史故障数据的方式为:
收集每个区域r内,历史上发生的配电网故障事件的时间、地点、故障设备信息、外部环境、故障原因以及故障表现;
所述历史故障信息收集模块收集每个子区域的历史故障数据的方式为:
收集每个子区域Sri内,历史上发生的配电网故障事件的时间、地点、故障设备信息、电网电压数据、电网故障原因以及故障表现。
5.根据权利要求1所述的基于多源信息的配电网故障区域辅助定位系统,其特征在于,所述模型训练模块训练分析区域内发生故障概率的神经网络模型的方式为:
将收集的所有区域内的历史故障数据中的外部环境以及故障设备信息进行数字化转化,并组成神经网络模型支持的数字向量形式;将数字向量作为输入,对神经网络模型进行训练;将训练完成的该神经网络模型标记为M1。
6.根据权利要求1所述的基于多源信息的配电网故障区域辅助定位系统,其特征在于,所述模型训练模块训练分析子区域内发生故障概率的神经网络模型的方式为:
将收集的所有子区域内的历史故障数据中的电网电压数据以及故障设备信息进行数字化转化,并组成神经网络模型支持的数字向量形式;对神经网络模型进行训练;并将训练完成的神经网络模型标记为M2。
7.根据权利要求1所述的基于多源信息的配电网故障区域辅助定位系统,其特征在于,所述实时数据收集模块实时通过环境传感器感知每个配电网区域内的实时外部环境数据,以及通过电压传感器感知每个配电网子区域内的实时电网电压数据。
8.根据权利要求1所述的基于多源信息的配电网故障区域辅助定位系统,其特征在于,所述区域定位模块对电网故障区域进行定位包括以下步骤:
步骤P1:将每个电网区域的实时外部环境数据以及电网区域中每台设备信息分别输入至神经网络模型M1中,获得每个电网区域内发生故障的概率;将电网区域r内发生故障的概率标记为Pr;
步骤P2:将电网区域r内每个子区域Sri的电网电压数据以及电网子区域中每台设备信息分别输入至神经网络模型M2中,获得每个电网子区域Sri内发生故障的概率;将电网子区域Sri内发生故障的概率标记为PSri;
步骤P3:计算每个电网子区域Sri的综合故障概率Zsri;其中,综合故障概率Zsri的计算公式为Zsri=Pr*Psri;
步骤P4:将所有电网子区域按综合故障概率Zsri从大到小进行排序;并按顺序对电网子区域进行故障排查。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310162783.2A CN116223971B (zh) | 2023-02-24 | 2023-02-24 | 基于多源信息的配电网故障区域辅助定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310162783.2A CN116223971B (zh) | 2023-02-24 | 2023-02-24 | 基于多源信息的配电网故障区域辅助定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116223971A true CN116223971A (zh) | 2023-06-06 |
CN116223971B CN116223971B (zh) | 2023-12-12 |
Family
ID=86590586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310162783.2A Active CN116223971B (zh) | 2023-02-24 | 2023-02-24 | 基于多源信息的配电网故障区域辅助定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116223971B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101168A1 (en) * | 2016-10-11 | 2018-04-12 | International Business Machines Corporation | System, method and computer program product for fault detection and location in power grid |
CN108120900A (zh) * | 2017-12-22 | 2018-06-05 | 北京映翰通网络技术股份有限公司 | 一种配电网故障定位方法及系统 |
CN111060779A (zh) * | 2019-11-20 | 2020-04-24 | 安徽大学 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
US20200133959A1 (en) * | 2018-10-31 | 2020-04-30 | Taiwan Semiconductor Manufacturing Co., Ltd. | Systems and methods for systematic physical failure analysis (pfa) fault localization |
CN112327098A (zh) * | 2020-10-28 | 2021-02-05 | 江苏方天电力技术有限公司 | 基于低压配网综合监测单元的配电网故障区段定位方法 |
CN112415331A (zh) * | 2020-10-27 | 2021-02-26 | 中国南方电网有限责任公司 | 基于多源故障信息的电网二次系统故障诊断方法 |
CN112686405A (zh) * | 2020-12-29 | 2021-04-20 | 南京后生远达科技有限公司 | 一种基于故障树的配电网故障区域划分方法 |
CN112924817A (zh) * | 2021-04-15 | 2021-06-08 | 广东电网有限责任公司广州供电局 | 一种基于深度神经网络的配电网故障精确定位方法 |
CN113239526A (zh) * | 2021-04-27 | 2021-08-10 | 国网天津市电力公司电力科学研究院 | 一种基于综合概率算法的配电网故障风险评估方法 |
CN114389312A (zh) * | 2021-11-02 | 2022-04-22 | 国网江苏省电力有限公司苏州供电分公司 | 一种配电网分布式状态估计方法 |
US20220318720A1 (en) * | 2021-03-31 | 2022-10-06 | Kabushiki Kaisha Toshiba | Reliability-aware multi-agent coverage path planning |
-
2023
- 2023-02-24 CN CN202310162783.2A patent/CN116223971B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101168A1 (en) * | 2016-10-11 | 2018-04-12 | International Business Machines Corporation | System, method and computer program product for fault detection and location in power grid |
CN108120900A (zh) * | 2017-12-22 | 2018-06-05 | 北京映翰通网络技术股份有限公司 | 一种配电网故障定位方法及系统 |
US20200133959A1 (en) * | 2018-10-31 | 2020-04-30 | Taiwan Semiconductor Manufacturing Co., Ltd. | Systems and methods for systematic physical failure analysis (pfa) fault localization |
CN111060779A (zh) * | 2019-11-20 | 2020-04-24 | 安徽大学 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
CN112415331A (zh) * | 2020-10-27 | 2021-02-26 | 中国南方电网有限责任公司 | 基于多源故障信息的电网二次系统故障诊断方法 |
CN112327098A (zh) * | 2020-10-28 | 2021-02-05 | 江苏方天电力技术有限公司 | 基于低压配网综合监测单元的配电网故障区段定位方法 |
CN112686405A (zh) * | 2020-12-29 | 2021-04-20 | 南京后生远达科技有限公司 | 一种基于故障树的配电网故障区域划分方法 |
US20220318720A1 (en) * | 2021-03-31 | 2022-10-06 | Kabushiki Kaisha Toshiba | Reliability-aware multi-agent coverage path planning |
CN112924817A (zh) * | 2021-04-15 | 2021-06-08 | 广东电网有限责任公司广州供电局 | 一种基于深度神经网络的配电网故障精确定位方法 |
CN113239526A (zh) * | 2021-04-27 | 2021-08-10 | 国网天津市电力公司电力科学研究院 | 一种基于综合概率算法的配电网故障风险评估方法 |
CN114389312A (zh) * | 2021-11-02 | 2022-04-22 | 国网江苏省电力有限公司苏州供电分公司 | 一种配电网分布式状态估计方法 |
Non-Patent Citations (2)
Title |
---|
WEI QIAN ET AL.: "Fault Diagnosis of Grounding Grid Based on Genetic Algorithm and Neural Network", ADVANCED MATERIALS RESEARCH, vol. 2534, no. 756, pages 4095 - 4099 * |
张繁斌 等: "基于BP神经网络的电网故障定位", 电力大数据, vol. 24, no. 269, pages 9 - 15 * |
Also Published As
Publication number | Publication date |
---|---|
CN116223971B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102118021B (zh) | 一种基于输电线路三维全景模型的故障处理方法及系统 | |
CN102510127B (zh) | 电网在线监测的一次和二次设备统一模型的方法 | |
CN106100579B (zh) | 一种基于数据分析的光伏电站故障诊断方法 | |
CN112381963A (zh) | 一种基于数字孪生技术的电力物联网智能巡检方法及系统 | |
CN106872856B (zh) | 基于多元故障采集的配电网故障主动抢修系统、方法 | |
CN111525684A (zh) | 一种基于云平台的风电场集群化监控的运维系统 | |
Prasad et al. | Some of the design and methodology considerations in wind resource assessment | |
CN106814286B (zh) | 基于多元故障采集的配电网故障定位系统、方法及服务器 | |
CN113156869A (zh) | 一种电力物联终端设备的远程维护系统及方法 | |
CN112686582B (zh) | 基于多源异构数据挖掘的综合能源园区的智能运维系统 | |
CN111860943A (zh) | 基于数值气象数据与机器学习的电网故障预测方法及系统 | |
CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
CN104281983A (zh) | 配电网应急抢修所需资源调度方法与系统 | |
JP2022115061A (ja) | 気象関連架空配電線路故障オンライン予測 | |
CN116223971B (zh) | 基于多源信息的配电网故障区域辅助定位系统 | |
CN108695847A (zh) | 一种使用深度标识法实现配电网动态拓扑计算的方法 | |
CN113858231A (zh) | 一种变电站轨道机器人系统的控制方法 | |
CN116633011B (zh) | 一种面向城市配电网的电力设备故障影响分析方法 | |
CN205229781U (zh) | 一种用于分散水源井泵站的自动化监控系统 | |
CN112926863A (zh) | 基于六大预警中心的电网灾害综合监测系统 | |
CN202231496U (zh) | 变电站设备远程监测诊断系统 | |
CN105515531B (zh) | 一种基于监控系统的光伏组件衰减异常诊断方法 | |
CN115566803B (zh) | 一种线路故障溯源方法及系统 | |
CN116799946A (zh) | 一种基于风险调度的电网全息智能管控方法及平台 | |
CN113049914B (zh) | 一种输电线路故障诊断方法、系统、电子设备和存储介质 |
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 |