CN116256602B - 一种低压配电网状态异常的识别方法和系统 - Google Patents

一种低压配电网状态异常的识别方法和系统 Download PDF

Info

Publication number
CN116256602B
CN116256602B CN202310538938.8A CN202310538938A CN116256602B CN 116256602 B CN116256602 B CN 116256602B CN 202310538938 A CN202310538938 A CN 202310538938A CN 116256602 B CN116256602 B CN 116256602B
Authority
CN
China
Prior art keywords
target
fault
probability
fault type
value
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
Application number
CN202310538938.8A
Other languages
English (en)
Other versions
CN116256602A (zh
Inventor
林文浩
熊力
于乔
胡筱曼
张永亮
梁国坚
李蓓
李宾
梁明光
姜绍艳
刘思麟
刘文浩
夏曼
陈昱
张宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310538938.8A priority Critical patent/CN116256602B/zh
Publication of CN116256602A publication Critical patent/CN116256602A/zh
Application granted granted Critical
Publication of CN116256602B publication Critical patent/CN116256602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Abstract

本发明公开了一种低压配电网状态异常的识别方法和系统，获取目标低压配电网的目标运行状态数据并进行第一预处理，生成目标故障概率训练集，对预设初始故障概率梯度提升决策树模型进行训练生成目标故障概率梯度提升决策树模型，当接收到待预测运行状态数据时，生成目标故障概率值，确定目标异常线路，获取目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集，对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型，当接收到待分析线路特征数据时，生成多个故障类型输出值，确定目标故障类型；解决现有的故障定位方法存在低压配电网故障识别工作效率低下的技术问题。

Description

一种低压配电网状态异常的识别方法和系统
技术领域
本发明涉及低压配电网状检测技术领域，尤其涉及一种低压配电网状态异常的识别方法和系统。
背景技术
电网的故障定位与故障类型识别对电网故障的全面综合诊断有着重要的作用，有利于故障的小范围隔离与快速检修，对于配电网的安全、稳定、高效运行有着重要的意义。低压配电网中的线路往往比较短，故障点距离电源较近，若不能快速隔离故障，将可能造成系统的频率稳定受到影响等严重后果。因此，在低压配电网中需要一种快速的故障预测定位方法，以确保故障能够被迅速、准确的定位与隔离。与此同时，在低压配电网内进行故障类型识别能够在故障定位的基础上提供更加全面的故障诊断信息。
目前，两种最广泛使用的故障定位方法是基于阻抗的方法和行波方法；基于阻抗的方法虽然是故障定位应用中使用最广泛的方法，但存在以下问题：当使用阻抗的方法进行故障定位时，存在识别属于不同分支但距离相同的多个故障位置的潜在风险。而行波方法具有更高的精度，但存在以下几个缺点：(a)依赖于波头的检测，这有时可能是相当具有挑战性的；(b)依赖于线路参数，这些参数在配电系统上变化很大，因为波速是基于线路的电感和电容；(c)容易受到外部信号干扰。同样，其他方法(例如稀疏测量或混合方法)在设备方面要求很高，并且成本很高。此外，由于故障电阻越大，检测和识别故障变得越困难，会存在低压配电网故障识别工作效率低下的问题。
发明内容
本发明提供了一种低压配电网状态异常的识别方法和系统，解决了现有的故障定位方法由于故障电阻越大，检测和识别故障变得越困难，会存在低压配电网故障识别工作效率低下的技术问题。
本发明第一方面提供的一种低压配电网状态异常的识别方法，包括：
获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集；
采用所述目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型；
当接收到待预测运行状态数据时，通过所述目标故障概率梯度提升决策树模型生成所述目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路；
获取所述目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集；
采用所述故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型；
当接收到待分析线路特征数据时，通过所述目标故障类型梯度提升决策树模型生成所述目标异常线路对应的多个故障类型输出值，确定所述目标低压配电网的目标故障类型。
可选地，所述目标运行状态数据包括运行电网特征数据、气象因素特征数据和日期类型特征数据，所述获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集的步骤，包括：
采用所述运行电网特征数据、所述气象因素特征数据和所述日期类型特征数据构建多个不同类型的初始输入特征向量；
计算各所述初始输入特征向量对应的最大互信息系数值；
比较各所述最大互信息系数值与预设的标准互信息系数值，根据比较结果从多个所述初始输入特征向量筛选出多个目标输入时序向量；
计算多个所述目标输入时序向量对应的前趋势相似度，并通过并联式融合多个所述目标输入时序向量，生成对应的初始故障概率训练集；
采用所述前趋势相似度对所述初始故障概率训练集进行加权，生成目标故障概率训练集。
可选地，所述采用所述目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型的步骤，包括：
将所述目标故障概率训练集输入预设初始故障概率梯度提升决策树模型，生成对应的训练样本故障概率值；
计算所述训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值；
比较所述变权综合损失函数值与预设变权综合损失标准阈值；
若所述变权综合损失函数值小于或等于所述预设变权综合损失标准阈值，则停止训练，生成目标故障概率梯度提升决策树模型；
若所述变权综合损失函数值大于所述预设变权综合损失标准阈值，则计算所述变权综合损失函数值对应的综合梯度值，通过所述综合梯度值对所述预设初始故障概率梯度提升决策树模型进行拟合，并按照预设梯度调整所述预设初始故障概率梯度提升决策树模型的参数；
跳转执行所述计算所述训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值的步骤。
可选地，所述当接收到待预测运行状态数据时，通过所述目标故障概率梯度提升决策树模型生成所述目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路的步骤，包括：
当接收到待预测运行状态数据时，通过所述目标故障概率梯度提升决策树模型生成所述目标低压配电网内各条目标检测线路对应的目标故障概率值；
比较各所述目标故障概率值与预设标准状态概率值，根据比较结果确定多条初始异常线路；
根据多条所述初始异常线路关联的所述目标故障概率值所处预设异常阈值区间，确定目标异常线路。
可选地，所述比较各所述目标故障概率值与预设标准状态概率值，根据比较结果确定多条初始异常线路的步骤，包括：
比较各所述目标故障概率值与预设标准状态概率值；
若所述目标故障概率值小于所述预设标准状态概率值，则判定所述目标检测线路为正常线路；
若所述目标故障概率值大于或等于所述预设标准状态概率值，则判定所述目标检测线路为初始异常线路。
可选地，所述根据多条所述初始异常线路关联的所述目标故障概率值所处预设异常阈值区间，确定目标异常线路的步骤，包括：
根据多条所述初始异常线路关联的所述目标故障概率值，确定对应的预设异常阈值区间，其中，所述预设异常阈值区间包括轻度异常阈值区间、中度异常阈值区间和重度异常阈值区间；
按照预设选取条件从处于所述重度异常阈值区间中的多条所述初始异常线路选取目标异常线路。
可选地，所述目标检测线路特征数据包括线路负载数据、三相四线电流数据、馈线目标电流数据和支路电压数据，所述获取所述目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集的步骤，包括：
获取故障信息集、所述线路负载数据、所述三相四线电流数据、所述馈线目标电流数据和所述支路电压数据；
采用所述线路负载数据、所述三相四线电流数据、所述馈线目标电流数据和所述支路电压数据构建对应的目标特征数据集；
按照故障类型将所述目标特征数据集与所述故障信息集输入所述故障类型对应数量的预设二进制分类器中进行拟合，生成对应的故障类型训练集。
可选地，所述采用所述故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型的步骤，包括：
采用所述故障类型训练集输入预设初始故障类型梯度提升决策树模型，生成对应的故障类型训练输出值；
采用所述故障类型训练输出值进行概率转换，生成对应的目标故障类型概率值；
计算所述目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值；
比较所述故障类型概率损失值与预设故障类型损失标准阈值；
若所述故障类型概率损失值小于或等于所述预设故障类型损失标准阈值，则停止训练，生成目标故障类型梯度提升决策树模型；
若所述故障类型概率损失值大于所述预设故障类型损失标准阈值，则计算所述故障类型概率损失值的故障类型梯度值，通过所述故障类型梯度值对所述预设初始故障类型梯度提升决策树模型进行拟合，并按照预设梯度调整所述预设初始故障类型梯度提升决策树模型的参数；
跳转执行所述计算所述目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值的步骤。
可选地，所述当接收到待分析线路特征数据时，通过所述目标故障类型梯度提升决策树模型生成所述目标异常线路对应的多个故障类型输出值，确定所述目标低压配电网的目标故障类型的步骤，包括：
当接收到待分析线路特征数据时，将所述待分析线路特征数据输入所述目标故障类型梯度提升决策树模型，生成所述目标异常线路对应的多个故障类型输出值；
将多个所述故障类型输出值进行概率转换，生成多个对应的初始故障类型概率值；
从多个所述初始故障类型概率值中选取最大值作为目标故障类型概率值；
根据所述目标故障类型概率值关联的故障类型，确定所述目标低压配电网的目标故障类型。
本发明第二方面提供的一种低压配电网状态异常的识别系统，包括：
目标故障概率训练集模块，用于获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集；
目标故障概率梯度提升决策树模型模块，用于采用所述目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型；
目标异常线路模块，用于当接收到待预测运行状态数据时，通过所述目标故障概率梯度提升决策树模型生成所述目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路；
故障类型训练集模块，用于获取所述目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集；
目标故障类型梯度提升决策树模型模块，用于采用所述故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型；
目标故障类型模块，用于当接收到待分析线路特征数据时，通过所述目标故障类型梯度提升决策树模型生成所述目标异常线路对应的多个故障类型输出值，确定所述目标低压配电网的目标故障类型。
从以上技术方案可以看出，本发明具有以下优点：
获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集，采用目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型，当接收到待预测运行状态数据时，通过目标故障概率梯度提升决策树模型生成目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路，获取目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集，采用故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型，当接收到待分析线路特征数据时，通过目标故障类型梯度提升决策树模型生成目标异常线路对应的多个故障类型输出值，确定目标低压配电网的目标故障类型；解决了现有的故障定位方法由于故障电阻越大，检测和识别故障变得越困难，会存在低压配电网故障识别工作效率低下的技术问题；本发明采用最大互信息系数分析方法计算低压配电网的运行状态数据的最大互信息系数，计算冗余性对冗余度较大的数据进行滤除，排除差异较大数据的干扰，改善目标故障概率梯度提升决策树模型的故障预测的性能，依据并联式特征融合选择特征数据组成训练数据集对低压配电网故障进行预测，解决了原始数据集高维度造成的冗余问题。同时能够在故障预测定位后识别出故障的具体类型，有效，快速且自适应性良好，能够适用于三相平衡或不平衡、并网或孤岛运行、树状或环状结构的低压配电网，同时提前对低压配电网中可能发生故障进行提前预测和识别有利于提前应对措施和制定检修计划，实现了电网平稳安全运行的有益效果。
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，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种低压配电网状态异常的识别方法；
图2为本发明实施例二提供的一种低压配电网状态异常的识别方法的步骤流程图；
图3为本发明实施例二提供的一种低压配电网状态异常的识别方法的另一流程图；
图4为本发明实施例二提供的加权梯度提升树训练的流程图。
图5为本发明实施例二提供的低压配电网网络拓扑图。
图6为本发明实施例三提供的一种低压配电网状态异常的识别系统的结构框图。
具体实施方式
本发明实施例提供了一种低压配电网状态异常的识别方法和系统，用于解决现有的故障定位方法由于故障电阻越大，检测和识别故障变得越困难，会存在低压配电网故障识别工作效率低下的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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。
请参阅图1，图1为本发明实施例一提供的一种低压配电网状态异常的识别方法的步骤流程图。
本发明提供的一种低压配电网状态异常的识别方法，包括：
步骤101、获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集。
低压配电网，指的是由低压配电线路及其附属电气设备组成的向用户提供电能的配电网。其功能主要是以中压配电网的配电变压器为电源，将电能通过低压配电线路直接送给用户。目标低压配电网指的是用于进行故障检测的低压配电网。目标运行状态数据，指的是用于生成目标故障概率训练集的目标低压配电网的运行数据。第一预处理，指的是将获取到的目标运行状态数据分别进行构建输入时序向量，并借助最大互信息系数特征选择计算输入时序向量之间的冗余度以及特征与特征彼此之间的相关性以滤除误差较大的数据，将剩余的数据组合成训练样本集，然后对训练样本集进行加权，从而生成目标故障概率训练集。
在本发明实施例中，响应于接收到故障检测请求，获取故障检测请求对应的目标低压配电网，获取目标低压配电网在预设周期内的目标运行状态数据，并将目标运行状态数据进行第一预处理，从而生成对应的目标故障概率训练集。
步骤102、采用目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型。
初始故障概率梯度提升决策树模型，指的是由一个加法模型（GBDT模型）所构成的故障概率梯度提升决策树模型，用于进行训练，从而生成目标故障概率梯度提升决策树模型的一个初始加法模型。
在本发明实施例中，将通过第一预处理所获得的目标故障概率训练集输入到预设初始故障概率梯度提升决策树模型进行训练，从而生成对应的目标故障概率梯度提升决策树模型。
步骤103、当接收到待预测运行状态数据时，通过目标故障概率梯度提升决策树模型生成目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路。
待预测运行状态数据，指的是响应故障检测请求时所属的时段目标低压配电网的运行状态数据。待预测运行状态数据包含待预测运行电网特征数据、待预测气象因素特征数据和待预测日期类型特征数据，其中，待预测运行电网特征数据指的是目标低压配电网内全部线路的三相四线线路对应的电力数据（电压和电流），待预测气象因素特征数据（温度、风速和湿度），待预测日期类型特征数据（时间因子）。目标检测线路，指的是目标低压配电网内的低压配电线路，将所有低压配电线路作为目标检测线路，并将所有目标检测线路关联的三相四线线路对应的电力数据输入到目标故障概率梯度提升决策树模型中。目标故障概率值，指的是将待预测运行状态数据输入经过训练的目标故障概率梯度提升决策树模型中，所生成的故障概率值。目标异常线路，指的是根据目标检测线路关联的目标故障概率值所处的概率区间进行判断该条目标检测线路是否处于异常状态。
在本发明实施例中，当接收到目标低压配电网内各条目标检测线路关联的待预测运行状态数据时，通过目标故障概率梯度提升决策树模型生成各条目标检测线路对应的目标故障概率值，从而根据目标故障概率值关联的目标检测线路进行判断是否存在异常。
步骤104、获取目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集。
故障信息集，指的是低压配电网对应出现的故障类型集。目标检测线路特征数据，指的是目标异常线路对应的馈线关联的电力数据。第二预处理，指的是将获取到的目标异常线路对应的故障信息集和目标检测线路特征数据输入到预设二进制分类器中进行拟合处理。值得一提的是，目标异常线路指的是单独一条线路。
在本发明实施例中，将选取出的目标异常线路关联的故障信息集和目标检测线路特征数据输入到预设二进制分类器中进行拟合处理，从而生成用于训练初始故障类型梯度提升决策树模型的故障类型训练集。
步骤105、采用故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型。
初始故障类型梯度提升决策树模型，指的是由一个加法模型（GBDT模型）所构成的故障类型梯度提升决策树模型，用于进行训练，从而生成目标故障类型梯度提升决策树模型的一个初始加法模型。
在本发明实施例中，将经过第二预处理得到的故障类型训练集输入到预设初始故障类型梯度提升决策树模型进行训练，从而生成目标故障类型梯度提升决策树模型。
步骤106、当接收到待分析线路特征数据时，通过目标故障类型梯度提升决策树模型生成目标异常线路对应的多个故障类型输出值，确定目标低压配电网的目标故障类型。
待分析线路特征数据，指的是目标异常线路关联的馈线电力数据。故障类型输出值，指的是通过目标故障类型梯度提升决策树模型所生成目标异常线路对应的可能出现的故障类型的输出值。
在本发明实施例中，当接收到待分析线路特征数据时，通过目标故障类型梯度提升决策树模型生成目标异常线路对应的多个故障类型输出值，并将故障类型输出值进行概率转换，从而确定出现概率最大的故障类型，并将该故障类型确定为低压配电网的目标故障类型。
在本发明中，获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集，采用目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型，当接收到待预测运行状态数据时，通过目标故障概率梯度提升决策树模型生成目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路，获取目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集，采用故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型，当接收到待分析线路特征数据时，通过目标故障类型梯度提升决策树模型生成目标异常线路对应的多个故障类型输出值，确定目标低压配电网的目标故障类型；解决了现有的故障定位方法由于故障电阻越大，检测和识别故障变得越困难，会存在低压配电网故障识别工作效率低下的技术问题；本发明采用最大互信息系数分析方法计算低压配电网的运行状态数据的最大互信息系数，计算冗余性对冗余度较大的数据进行滤除，排除差异较大数据的干扰，改善目标故障概率梯度提升决策树模型的故障预测的性能，依据并联式特征融合选择特征数据组成训练数据集对低压配电网故障进行预测，解决了原始数据集高维度造成的冗余问题。同时能够在故障预测定位后识别出故障的具体类型，有效，快速且自适应性良好，能够适用于三相平衡或不平衡、并网或孤岛运行、树状或环状结构的低压配电网，同时提前对低压配电网中可能发生故障进行提前预测和识别有利于提前应对措施和制定检修计划，实现了电网平稳安全运行的有益效果。
请参阅图2，图2为本发明实施例二提供的一种低压配电网状态异常的识别方法的步骤流程图。
如图3所示，获取目标低压配电网的目标运行状态数据，计算目标运行状态数据的最大互信息系数，计算冗余性对冗余度较大的数据进行滤除，排除差异较大数据的干扰，依据并联式特征融合选择特征数据组成目标故障概率训练集，采用目标故障概率训练集训练预设初始故障概率梯度提升决策树模型，构建目标故障概率梯度提升决策树模型，将待预测运行状态数据输入目标故障概率梯度提升决策树模型进行故障概率预测，选取故障概率高的线路作为目标异常线路，提取目标异常线路的特征数据，并构建对应的目标故障类型梯度提升决策树模型，将待分析线路特征数据输入目标故障概率梯度提升决策树模型进行故障类型识别，确定目标低压配电网的故障类型。
本发明提供的一种低压配电网状态异常的识别方法，包括：
步骤201、获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集。
预设周期指的是提前设定好的时间周期，用于数据获取所设定的一个时间周期。在本发明实施例中，优选为获取目标低压配电网从响应于故障检测请求之日起前三年的所有数据，其中，值得一提的是，一天24数据点。可以理解的是，低压配电网故障检测是结合配电网结构参数、设备运行参数、外界环境因素、气象因素及历史故障数据，对配电网长期运行中存在的趋势性故障以及统计规律的故障进行预测，从而预知配电网故障风险。
进一步地，目标运行状态数据包括运行电网特征数据、气象因素特征数据和日期类型特征数据，步骤201包括以下子步骤：
S11、采用运行电网特征数据、气象因素特征数据和日期类型特征数据构建多个不同类型的初始输入特征向量。
运行电网特征数据指的是低压配电网的运行电压U特征数据和电流I特征数据。气象因素特征数据指的是低压配电网湿度特征数据、日最高特征数据、最低气温特征数据、降雨量特征数据和风速特征数据。日期类型特征数据指的是时间因子特征数据。初始输入特征向量，指的是将获取的运行电网特征数据、气象因素特征数据和日期类型特征数据构建为向量形式的数据。
具体的构建向量步骤如下：
设待预测日和第
Figure SMS_1
个历史日的特征向量分别为/>
Figure SMS_2
和
Figure SMS_3
，/>
Figure SMS_4
，/>
Figure SMS_5
，i为历史记录天数，j为特征数据个数。值得一提的是，待预测日指的是接收到故障检测请求之日。
在本发明实施例中，采用运行电网特征数据、气象因素特征数据和日期类型特征数据构建为多个不同类型的初始输入特征向量。
S12、计算各初始输入特征向量对应的最大互信息系数值。
假设两个影响初始输入特征向量
Figure SMS_6
和/>
Figure SMS_7
首先通过公式（1）计算互信息MI
Figure SMS_8
（式1）
式（1）中，
Figure SMS_10
指的是/>
Figure SMS_12
与/>
Figure SMS_14
两个初始输入特征向量之间的互信息，/>
Figure SMS_15
是/>
Figure SMS_16
边缘概率分布密度，/>
Figure SMS_17
是/>
Figure SMS_18
的边缘概率分布密度，/>
Figure SMS_9
是两个初始输入特征向量的联合概率密度，G表示的是一个划分方法，将变量/>
Figure SMS_11
的取值范围分成x段，也将变量/>
Figure SMS_13
的取值范围分成y段。因此，将 G 作为一个大小为x×y的网格。
其次利用公式（2）计算最大互信息系数值MIC，通过比较最大互信息数值剔除冗余数据提升数据质量。
Figure SMS_19
（式2）
式（2）中，
Figure SMS_20
指的是/>
Figure SMS_21
与/>
Figure SMS_22
两个初始输入特征向量之间的最大互信息系数值，B表示为大小为 x×y 的网格的上限，且当/>
Figure SMS_23
时网格的划分效果最好。
在本发明实施例中，计算各初始输入特征向量对应的最大互信息系数值。
S13、比较各最大互信息系数值与预设的标准互信息系数值，根据比较结果从多个初始输入特征向量筛选出多个目标输入时序向量。
值得一提的是，对于任意两类初始输入特征向量
Figure SMS_25
和初始输入特征向量/>
Figure SMS_26
相关性为/>
Figure SMS_27
，若/>
Figure SMS_28
值越大，则特征/>
Figure SMS_29
和特征/>
Figure SMS_30
之间的冗余性就越大。若/>
Figure SMS_31
为零，此时，特征/>
Figure SMS_24
和特征/>
Figure SMS_32
彼此相互独立。剔除冗余性较大的数据，提高训练数据质量，优化梯度提升树训练效果。
最大互信息系数值，指的是采用低压配电网所受影响的特征数据经过构建向量，然后通过公式1和公式2计算得到的最大互信息系数。值得一提的是，在本实施例中，影响特征数据包括运行电网特征数据、气象因素特征数据和日期类型特征数据，具体的影响特征数据根据实际情况而定。
预设的标准互信息系数值，指的是用于判断特征数据是否需要进行剔除的冗余度阈值。具体的标准互信息系数值根据实际需求而定。
具体的步骤如下：
比较各最大互信息系数值与预设的标准互信息系数值；若特征数据关联的最大互信息系数值大于或等于预设的标准互信息系数值，则将特征数据进行剔除；若特征数据关联的最大互信息系数值小于预设的标准互信息系数值，则将特征数据进行保留。
在本发明实施例中，比较各最大互信息系数值与预设的标准互信息系数值，若特征数据关联的最大互信息系数值大于或等于预设的标准互信息系数值，则将特征数据进行剔除，若特征数据关联的最大互信息系数值小于预设的标准互信息系数值，则将特征数据进行保留，从多个特征数据关联的初始输入特征向量筛选出保留下来的特征数据关联的初始输入特征向量作为目标输入时序向量，从而生成多个目标输入时序向量。
S14、计算多个目标输入时序向量对应的前趋势相似度，并通过并联式融合多个目标输入时序向量，生成对应的初始故障概率训练集。
利用公式（3）计算前趋势相似度：
Figure SMS_33
（式3）
式（3）中，
Figure SMS_34
表示第/>
Figure SMS_35
个历史日与预测日关联的目标输入时序向量之间的前趋势相似度，/>
Figure SMS_36
为第/>
Figure SMS_37
个历史日和待预测日之前的故障记录集成报警信息、
Figure SMS_38
为通用对象变电站事件形成的前趋势向量，E为期望，D为方差。
不同类型因素之间的相对重要性难以判定为此采用公式（4）并联各重要特征数据集合：
Figure SMS_39
（式4）
式（4）中，
Figure SMS_40
为第/>
Figure SMS_41
个历史日与待预测日的综合加权系数，/>
Figure SMS_42
为第/>
Figure SMS_43
个历史日与待预测日的最大互信息系数值。
在本发明实施例中，计算多个目标输入时序向量对应的前趋势相似度，并通过并联式融合多个目标输入时序向量，生成对应的初始故障概率训练集。
S15、采用前趋势相似度对初始故障概率训练集进行加权，生成目标故障概率训练集。
在本发明实施例中，采用前趋势相似度对初始故障概率训练集进行加权，生成目标故障概率训练集。
值得一提的是，采用加权完的70％的归一化初始故障概率训练集作为目标故障概率训练集，30％的归一化初始故障概率训练集作为目标故障概率验证集。
步骤202、采用目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型。
进一步地，步骤202包括以下子步骤：
S21、将目标故障概率训练集输入预设初始故障概率梯度提升决策树模型，生成对应的训练样本故障概率值。
值得一提的是，采用前趋势相似度进行加权生成的目标故障概率训练集输入到预设初始故障概率梯度提升决策树模型进行训练，进一步对预设初始故障概率梯度提升决策树模型引入并联式特征融合加权的变权综合损失函数值
Figure SMS_44
。
在本发明实施例中，将目标故障概率训练集输入预设初始故障概率梯度提升决策树模型，生成对应的训练样本故障概率值。
S22、计算训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值。
训练样本故障概率值，指的是通过预设初始故障概率梯度提升决策树模型生成的故障概率值，用于判断预设初始故障概率梯度提升决策树模型是否完成训练的概率值参数。模型标准故障概率值，指的是目标故障概率训练集所对应的标准故障概率值。变权综合损失函数值，指的是用于判断模型是否训练完成的损失函数值。
在本发明实施例中，计算训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值。
S23、比较变权综合损失函数值与预设变权综合损失标准阈值。
值得一提的是，模型训练设置有最大迭代次数K，给定变权综合损失标准阈值为
Figure SMS_45
。预设变权综合损失标准阈值，指的是模型完成训练的损失标准阈值。
在本发明实施例中，比较变权综合损失函数值与预设变权综合损失标准阈值。
S24、若变权综合损失函数值小于或等于预设变权综合损失标准阈值，则停止训练，生成目标故障概率梯度提升决策树模型。
在具体实现中，为方便方法的实现，若
Figure SMS_46
，可以通过将上述过程转换为公式封装的形式，目标故障概率梯度提升决策树模型的计算方式可以如下：/>
Figure SMS_47
（式5）
式（5）中，
Figure SMS_48
为第/>
Figure SMS_49
个历史日与待预测日的综合加权系数，/>
Figure SMS_50
为预测函数，/>
Figure SMS_51
为输入数据，/>
Figure SMS_52
输出故障概率值。
在本发明实施例中，若变权综合损失函数值小于或等于预设变权综合损失标准阈值，则判定模型训练完成，停止训练，生成目标故障概率梯度提升决策树模型。
进一步地，步骤202还包括以下子步骤：
S25、若变权综合损失函数值大于预设变权综合损失标准阈值，则计算变权综合损失函数值对应的综合梯度值，通过综合梯度值对预设初始故障概率梯度提升决策树模型进行拟合，并按照预设梯度调整预设初始故障概率梯度提升决策树模型的参数。
若变权综合损失函数值大于预设变权综合损失标准阈值，则计算变权综合损失函数值对应的综合梯度值，设置最大迭代次数K，初始化划分区域为全空间，其输出常量为
Figure SMS_53
，即预设初始故障概率梯度提升决策树模型中的初始决策树对应的预测函数为/>
Figure SMS_54
，利用公式（6）计算损失函数的梯度下降方向的综合梯度值/>
Figure SMS_55
：
Figure SMS_56
（式6）
利用公式（7）在梯度下降方向上重新拟合新的回归树：
Figure SMS_57
（式7）
式（7）中
Figure SMS_59
为该棵树对应的叶子节点区域划分；/>
Figure SMS_60
为叶子节点的数量；/>
Figure SMS_61
为示性函数，若/>
Figure SMS_62
为真，则/>
Figure SMS_63
，否则/>
Figure SMS_64
，/>
Figure SMS_65
为区域上/>
Figure SMS_58
的输出值。
利用公式（8）更新预测函数：
Figure SMS_66
（式8）
式(8)中
Figure SMS_67
为学习速率，/>
Figure SMS_68
；表示为：
Figure SMS_69
（式9）
式（9）中，
Figure SMS_70
为k-1次损失函数，/>
Figure SMS_71
表示损失函数最小时取值，更新预测函数，n表示天数，/>
Figure SMS_72
表示更新前/>
Figure SMS_73
取值。
在本发明实施例中，若变权综合损失函数值大于预设变权综合损失标准阈值，则计算变权综合损失函数值对应的综合梯度值，通过综合梯度值对预设初始故障概率梯度提升决策树模型进行拟合，并按照预设梯度调整预设初始故障概率梯度提升决策树模型的参数。
S26、跳转执行计算训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值的步骤。
如图4所示，将第一预处理后的数据样本进行划分，得到目标故障概率训练集，初始化预设初始故障概率梯度提升决策树模型的预测函数，并将其作为回归树根节点，将目标故障概率训练集输入到预设初始故障概率梯度提升决策树模型，确定变权综合损失函数值，计算变权综合损失函数值梯度下降方向的综合梯度值，利用综合梯度值对回归树进行拟合，更新回归树模块，若变权综合损失函数值是否小于或等于预设变权综合损失标准阈值
Figure SMS_74
，则得到最终的回归树模型，若变权综合损失函数值是否大于预设变权综合损失标准阈值，则跳转计算变权综合损失函数值。
在本发明实施例中，若变权综合损失函数值大于预设变权综合损失标准阈值，则按照预设梯度调整模型参数，并跳转执行计算训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值的步骤。
步骤203、当接收到待预测运行状态数据时，通过目标故障概率梯度提升决策树模型生成目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路。
进一步地，步骤203包括以下子步骤：
S31、当接收到待预测运行状态数据时，通过目标故障概率梯度提升决策树模型生成目标低压配电网内各条目标检测线路对应的目标故障概率值。
在本发明实施例中，当接收到待预测运行状态数据时，将待预测运行状态数据输入目标故障概率梯度提升决策树模型，生成目标低压配电网内各条目标检测线路对应的目标故障概率值。
S32、比较各目标故障概率值与预设标准状态概率值，根据比较结果确定多条初始异常线路。
进一步地，S32包括以下子步骤：
S321、比较各目标故障概率值与预设标准状态概率值。
预设标准状态概率值，指的是由于判断目标检测线路是否处于异常的概率阈值。
在本发明实施例中，比较各目标检测线路关联的目标故障概率值与预设标准状态概率值。
S322、若目标故障概率值小于预设标准状态概率值，则判定目标检测线路为正常线路。
在本发明实施例中，预设标准状态概率值为50%，若目标故障概率值小于50%，则判定目标检测线路为正常线路。
S323、若目标故障概率值大于或等于预设标准状态概率值，则判定目标检测线路为初始异常线路。
在本发明实施例中，若目标故障概率值大于或等于50%，则判定目标检测线路为初始异常线路。
S33、根据多条初始异常线路关联的目标故障概率值所处预设异常阈值区间，确定目标异常线路。
进一步地，S33包括以下子步骤：
S331、根据多条初始异常线路关联的目标故障概率值，确定对应的预设异常阈值区间，其中，预设异常阈值区间包括轻度异常阈值区间、中度异常阈值区间和重度异常阈值区间。
其中，预设异常阈值区间包含有轻度异常阈值区间、中度异常阈值区间和重度异常阈值区间，其中，轻度异常阈值区间为
Figure SMS_75
，中度异常阈值区间为/>
Figure SMS_76
，重度异常阈值区间大于70%。
在本发明实施例中，根据多条初始异常线路关联的目标故障概率值，若目标故障概率值处于
Figure SMS_77
，则判定为轻度故障，若目标故障概率值处于/>
Figure SMS_78
，则判定为中度故障，若目标故障概率值大于70%，则判定为重度故障。
S332、按照预设选取条件从处于重度异常阈值区间中的多条初始异常线路选取目标异常线路。
在本发明实施例中，在所有判定为重度故障的初始异常线路中采用随机抽取法任意选取一条作为目标异常线路。预设选取条件，指的是随机抽取法。
步骤204、获取目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集。
进一步地，目标检测线路特征数据包括线路负载数据、三相四线电流数据、馈线目标电流数据和支路电压数据，步骤204包括以下子步骤：
S41、获取故障信息集、线路负载数据、三相四线电流数据、馈线目标电流数据和支路电压数据。
首先对目标异常线路获取对应的目标检测线路特征数据，其中，线路负载数据指的是时间t时线路中的负载
Figure SMS_79
，三相四线电流数据指的是考虑时间t的每个馈线开始的三相和中性线的电流/>
Figure SMS_80
，馈线目标电流数据指的是前5分钟每个馈线开始时的电流/>
Figure SMS_81
，支路电压数据指的是时间t的每个支路上的电压值/>
Figure SMS_82
，故障信息集/>
Figure SMS_83
。
在本发明实施例中，获取目标异常线路的时间t时线路中的负载
Figure SMS_84
、考虑时间t的每个馈线开始的三相和中性线的电流/>
Figure SMS_85
、前5分钟每个馈线开始时的电流/>
Figure SMS_86
、时间t的每个支路上的电压值/>
Figure SMS_87
、故障信息集/>
Figure SMS_88
，/>
Figure SMS_89
表示故障样本数。
S42、采用线路负载数据、三相四线电流数据、馈线目标电流数据和支路电压数据构建对应的目标特征数据集。
在本发明实施例中，采用线路负载数据、三相四线电流数据、馈线目标电流数据和支路电压数据构建对应的目标特征数据集，目标特征数据集为
Figure SMS_90
。
S43、按照故障类型将目标特征数据集与故障信息集输入故障类型对应数量的预设二进制分类器中进行拟合，生成对应的故障类型训练集。
在训练集中选择故障样本
Figure SMS_91
,该样本的故障特征信息集为/>
Figure SMS_92
在4个二进制分类器中故障样本的真实分类情况作为拟合目标/>
Figure SMS_93
,以指示故障发生情况，1表示属于该故障，0表示属于其他三个故障，拟合目标与故障类型对应关系如下表所示。形成由故障特征信息集和拟合目标组成的输入：/>
Figure SMS_94
。
如表1所示，表1拟合目标与故障类型对应关系表
Figure SMS_95
在本发明实施例中，按照故障类型将目标特征数据集与故障信息集输入故障类型对应数量的预设二进制分类器中进行拟合，生成对应的故障类型训练集。
步骤205、采用故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型。
进一步地，步骤205包括以下子步骤：
S51、采用故障类型训练集输入预设初始故障类型梯度提升决策树模型，生成对应的故障类型训练输出值。
在本发明实施例中，采用故障类型训练集输入预设初始故障类型梯度提升决策树模型中4个弱梯度决策树中，并获得故障类型训练输出值：
Figure SMS_96
。
S52、采用故障类型训练输出值进行概率转换，生成对应的目标故障类型概率值。
利用公式（10）将输出结果转换为概率，将目标故障类型概率值
Figure SMS_97
作为预测函数：
Figure SMS_98
（式10）
式（10）中，n为故障类型数，
Figure SMS_99
为故障类型训练输出值，/>
Figure SMS_100
为目标故障类型概率值，
在本发明实施例中，采用故障类型训练输出值进行概率转换，生成对应的目标故障类型概率值。
S53、计算目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值。
标准故障类型概率值，指的是故障类型训练集所对应的标准概率值。
故障类型概率损失值，指的是用于判断模型是否训练完成的损失值。
在本发明实施例中，计算目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值。
S54、比较故障类型概率损失值与预设故障类型损失标准阈值。
预设故障类型损失标准阈值，指的是模型完成训练的损失标准阈值。
在本发明实施例中，比较故障类型概率损失值与预设故障类型损失标准阈值。
S55、若故障类型概率损失值小于或等于预设故障类型损失标准阈值，则停止训练，生成目标故障类型梯度提升决策树模型。
在本发明实施例中，若故障类型概率损失值小于或等于预设故障类型损失标准阈值，则停止训练，生成目标故障类型梯度提升决策树模型。
进一步地，步骤205还包括以下子步骤：
S56、若故障类型概率损失值大于预设故障类型损失标准阈值，则计算故障类型概率损失值的故障类型梯度值，通过故障类型梯度值对预设初始故障类型梯度提升决策树模型进行拟合，并按照预设梯度调整预设初始故障类型梯度提升决策树模型的参数。
利用公式（11）计算损失函数，求解损失函数的故障类型梯度值
Figure SMS_101
：
Figure SMS_102
（式11）
式（11）中，
Figure SMS_103
表示拟合目标。
利用公式（12）计算损失函数的拟合目标
Figure SMS_104
：
Figure SMS_105
（式12）
式（12）中，
Figure SMS_106
表示拟合目标；
在梯度下降方向上更新的拟合目标，即
Figure SMS_107
，并重复迭代。
按照上述步骤迭代M次，生成M个弱学习器后，完成一次训练。训练集包含故障集中的4种故障，并具有多个相应的训练样本。训练集每个样本训练一次后，可以得到精度更高的梯度提升树4分类模型，进而指示故障类型。
S57、跳转执行计算目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值的步骤。
在本发明实施例中，若故障类型概率损失值大于预设故障类型损失标准阈值，调整模型参数，并跳转执行计算目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值的步骤。
步骤206、当接收到待分析线路特征数据时，将待分析线路特征数据输入目标故障类型梯度提升决策树模型，生成目标异常线路对应的多个故障类型输出值。
故障类型输出值，指的是通过训练完成后目标故障类型梯度提升决策树模型输出的故障类型输出值。
在本发明实施例中，当接收到待分析线路特征数据时，将待分析线路特征数据输入目标故障类型梯度提升决策树模型，生成目标异常线路对应的多个故障类型输出值。
步骤207、将多个故障类型输出值进行概率转换，生成多个对应的初始故障类型概率值。
在本发明实施例中，将多个故障类型输出值通过公式（10）进行概率转换，从而生成多个故障类型输出值关联的初始故障类型概率值。
步骤208、从多个初始故障类型概率值中选取最大值作为目标故障类型概率值。
在本发明实施例中，根据多个初始故障类型概率值，从中选取最大值作为目标故障类型概率值。
步骤209、根据目标故障类型概率值关联的故障类型，确定目标低压配电网的目标故障类型。
在本发明实施例中，而目标故障类型概率值关联的故障类型则判定为目标低压配电网的目标故障类型。
在本发明中，获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集，采用目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型，当接收到待预测运行状态数据时，通过目标故障概率梯度提升决策树模型生成目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路，获取目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集，采用故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型，当接收到待分析线路特征数据时，通过目标故障类型梯度提升决策树模型生成目标异常线路对应的多个故障类型输出值，确定目标低压配电网的目标故障类型；解决了现有的故障定位方法由于故障电阻越大，检测和识别故障变得越困难，会存在低压配电网故障识别工作效率低下的技术问题；本发明采用最大互信息系数分析方法计算低压配电网的运行状态数据的最大互信息系数，计算冗余性对冗余度较大的数据进行滤除，排除差异较大数据的干扰，改善目标故障概率梯度提升决策树模型的故障预测的性能，依据并联式特征融合选择特征数据组成训练数据集对低压配电网故障进行预测，解决了原始数据集高维度造成的冗余问题。同时能够在故障预测定位后识别出故障的具体类型，有效，快速且自适应性良好，能够适用于三相平衡或不平衡、并网或孤岛运行、树状或环状结构的低压配电网，同时提前对低压配电网中可能发生故障进行提前预测和识别有利于提前应对措施和制定检修计划，实现了电网平稳安全运行的有益效果。
为验证所提方法的有效性，选用一个实例对本方法进行验证。选用某地区包含91用户，226节点的低压配电网验证本发明正确性。图5为某地低压配电网网络拓扑结构图。选用当地三年真实电网数据(一天24数据点)、气象因素(温度、风速、湿度)、日期类型(年、月、日)为例。首先利用最大互信息系数对故障相关影响因素进行特征选择，如表2所示。
Figure SMS_108
使用上表MIC系数，对梯度提升决策树预测函数进行加权处理，将预测日数据矩阵代入训练好的梯度提升决策树模型，对低压配电网线路进行故障预测。预测结果的矩阵如表所示。表中等级1-３为前文定义的３类故障等级，其中，等级1表示为重度故障，等级2表示为中度故障，等级3表示为轻度故障；精确率表示被预测为某类的样本中实际为某类的比例；召回率表示实际为某类的样本中被预测正确的比例；总准确率统计了所有样本被准确预测的概率。由表可知，总准确率为90.38％，证实了本文算法的有效性。
Figure SMS_109
从等级1中挑选一个重度故障点进行故障类型识别，将该故障点特征集合带入训练好的梯度提升决策树模型输出如下表4所示的结果。
Figure SMS_110
可以看出，此故障最有可能是
Figure SMS_111
，输出诊断结果集
Figure SMS_112
对照真实故障类型为三相接地故障，验证故障类型识别的有效性。
为了验证本文方法在故障特征信息完全的情况下是否具有普遍较高的准确性，从历史故障样本中选取了377组未使用的样本。通过该方法进行故障诊断。故障样本分布及诊断结果见表5。
Figure SMS_113
最终准确率为95.29%，因此本方法具有较高的普遍性。
请参阅图6，图6为本发明实施例三提供的一种低压配电网状态异常的识别系统的结构框图。
本发明实施例提供了一种低压配电网状态异常的识别系统，包括：
目标故障概率训练集模块301，用于获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集。目标故障概率梯度提升决策树模型模块302，用于采用目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型。目标异常线路模块303，用于当接收到待预测运行状态数据时，通过目标故障概率梯度提升决策树模型生成目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路。故障类型训练集模块304，用于获取目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集。目标故障类型梯度提升决策树模型模块305，用于采用故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型。目标故障类型模块306，用于当接收到待分析线路特征数据时，通过目标故障类型梯度提升决策树模型生成目标异常线路对应的多个故障类型输出值，确定目标低压配电网的目标故障类型。
进一步地，目标运行状态数据包括运行电网特征数据、气象因素特征数据和日期类型特征数据，目标故障概率训练集模块301包括：向量构建子模块，用于采用运行电网特征数据、气象因素特征数据和日期类型特征数据构建多个不同类型的初始输入特征向量。最大互信息系数值子模块，用于计算各初始输入特征向量对应的最大互信息系数值。目标输入时序向量子模块，用于比较各最大互信息系数值与预设的标准互信息系数值，根据比较结果从多个初始输入特征向量筛选出多个目标输入时序向量。初始故障概率训练集子模块，用于计算多个目标输入时序向量对应的前趋势相似度，并通过并联式融合多个目标输入时序向量，生成对应的初始故障概率训练集。加权子模块，用于采用前趋势相似度对初始故障概率训练集进行加权，生成目标故障概率训练集。
进一步地，目标故障概率梯度提升决策树模型模块302包括：训练样本故障概率值子模块，用于将目标故障概率训练集输入预设初始故障概率梯度提升决策树模型，生成对应的训练样本故障概率值；变权综合损失函数值子模块，用于计算训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值；第一比较子模块，用于比较变权综合损失函数值与预设变权综合损失标准阈值；第一模型训练子模块，用于若变权综合损失函数值小于或等于预设变权综合损失标准阈值，则停止训练，生成目标故障概率梯度提升决策树模型。第一参数调整子模块，用于若变权综合损失函数值大于预设变权综合损失标准阈值，则计算变权综合损失函数值对应的综合梯度值，通过综合梯度值对预设初始故障概率梯度提升决策树模型进行拟合，并按照预设梯度调整预设初始故障概率梯度提升决策树模型的参数；第一跳转子模块，用于跳转执行计算训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值的步骤。
进一步地，目标异常线路模块303包括：目标故障概率值子模块，用于当接收到待预测运行状态数据时，通过目标故障概率梯度提升决策树模型生成目标低压配电网内各条目标检测线路对应的目标故障概率值。第二比较子模块，用于比较各目标故障概率值与预设标准状态概率值，根据比较结果确定多条初始异常线路。目标异常线路确定子模块，用于根据多条初始异常线路关联的目标故障概率值所处预设异常阈值区间，确定目标异常线路。
进一步地，第二比较子模块包括：第一比较单元，用于比较各目标故障概率值与预设标准状态概率值。正常线路单元，用于若目标故障概率值小于预设标准状态概率值，则判定目标检测线路为正常线路。初始异常线路单元，用于若目标故障概率值大于或等于预设标准状态概率值，则判定目标检测线路为初始异常线路。
进一步地，目标异常线路确定子模块包括：异常阈值区间单元，用于根据多条初始异常线路关联的目标故障概率值，确定对应的预设异常阈值区间，其中，预设异常阈值区间包括轻度异常阈值区间、中度异常阈值区间和重度异常阈值区间。选取单元，用于按照预设选取条件从处于重度异常阈值区间中的多条初始异常线路选取目标异常线路。
进一步地，目标检测线路特征数据包括线路负载数据、三相四线电流数据、馈线目标电流数据和支路电压数据，故障类型训练集模块304包括：数据获取子模块，用于获取故障信息集、线路负载数据、三相四线电流数据、馈线目标电流数据和支路电压数据。目标特征数据集子模块，用于采用线路负载数据、三相四线电流数据、馈线目标电流数据和支路电压数据构建对应的目标特征数据集。拟合子模块，用于按照故障类型将目标特征数据集与故障信息集输入故障类型对应数量的预设二进制分类器中进行拟合，生成对应的故障类型训练集。
进一步地，目标故障类型梯度提升决策树模型模块305包括：故障类型训练输出值子模块，用于采用故障类型训练集输入预设初始故障类型梯度提升决策树模型，生成对应的故障类型训练输出值。目标故障类型概率值子模块，用于采用故障类型训练输出值进行概率转换，生成对应的目标故障类型概率值。故障类型概率损失值子模块，用于计算目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值。第二比较子模块，用于比较故障类型概率损失值与预设故障类型损失标准阈值。第二模型训练子模块，用于若故障类型概率损失值小于或等于预设故障类型损失标准阈值，则停止训练，生成目标故障类型梯度提升决策树模型。第二参数调整子模块，用于若故障类型概率损失值大于预设故障类型损失标准阈值，则计算故障类型概率损失值的故障类型梯度值，通过故障类型梯度值对预设初始故障类型梯度提升决策树模型进行拟合，并按照预设梯度调整预设初始故障类型梯度提升决策树模型的参数。第二跳转子模块，用于跳转执行计算目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值的步骤。
进一步地，目标故障类型模块306包括：故障类型输出值子模块，用于当接收到待分析线路特征数据时，将待分析线路特征数据输入目标故障类型梯度提升决策树模型，生成目标异常线路对应的多个故障类型输出值。初始故障类型概率值子模块，用于将多个故障类型输出值进行概率转换，生成多个对应的初始故障类型概率值。目标故障类型概率值子模块，用于从多个初始故障类型概率值中选取最大值作为目标故障类型概率值。故障类型确定子模块，用于根据目标故障类型概率值关联的故障类型，确定目标低压配电网的目标故障类型。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，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。另一点，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，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种低压配电网状态异常的识别方法，其特征在于，包括：
获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集；
采用所述目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型；
当接收到待预测运行状态数据时，通过所述目标故障概率梯度提升决策树模型生成所述目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路；
获取所述目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集；
采用所述故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型；
当接收到待分析线路特征数据时，通过所述目标故障类型梯度提升决策树模型生成所述目标异常线路对应的多个故障类型输出值，确定所述目标低压配电网的目标故障类型；
所述目标运行状态数据包括运行电网特征数据、气象因素特征数据和日期类型特征数据，所述获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集的步骤，包括：
采用所述运行电网特征数据、所述气象因素特征数据和所述日期类型特征数据构建多个不同类型的初始输入特征向量；
计算各所述初始输入特征向量对应的最大互信息系数值；
比较各所述最大互信息系数值与预设的标准互信息系数值，根据比较结果从多个所述初始输入特征向量筛选出多个目标输入时序向量；
计算多个所述目标输入时序向量对应的前趋势相似度，并通过并联式融合多个所述目标输入时序向量，生成对应的初始故障概率训练集；
采用所述前趋势相似度对所述初始故障概率训练集进行加权，生成目标故障概率训练集。
2.根据权利要求1所述的低压配电网状态异常的识别方法，其特征在于，所述采用所述目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型的步骤，包括：
将所述目标故障概率训练集输入预设初始故障概率梯度提升决策树模型，生成对应的训练样本故障概率值；
计算所述训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值；
比较所述变权综合损失函数值与预设变权综合损失标准阈值；
若所述变权综合损失函数值小于或等于所述预设变权综合损失标准阈值，则停止训练，生成目标故障概率梯度提升决策树模型；
若所述变权综合损失函数值大于所述预设变权综合损失标准阈值，则计算所述变权综合损失函数值对应的综合梯度值，通过所述综合梯度值对所述预设初始故障概率梯度提升决策树模型进行拟合，并按照预设梯度调整所述预设初始故障概率梯度提升决策树模型的参数；
跳转执行所述计算所述训练样本故障概率值与关联的模型标准故障概率值之间的变权综合损失函数值的步骤。
3.根据权利要求1所述的低压配电网状态异常的识别方法，其特征在于，所述当接收到待预测运行状态数据时，通过所述目标故障概率梯度提升决策树模型生成所述目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路的步骤，包括：
当接收到待预测运行状态数据时，通过所述目标故障概率梯度提升决策树模型生成所述目标低压配电网内各条目标检测线路对应的目标故障概率值；
比较各所述目标故障概率值与预设标准状态概率值，根据比较结果确定多条初始异常线路；
根据多条所述初始异常线路关联的所述目标故障概率值所处预设异常阈值区间，确定目标异常线路。
4.根据权利要求3所述的低压配电网状态异常的识别方法，其特征在于，所述比较各所述目标故障概率值与预设标准状态概率值，根据比较结果确定多条初始异常线路的步骤，包括：
比较各所述目标故障概率值与预设标准状态概率值；
若所述目标故障概率值小于所述预设标准状态概率值，则判定所述目标检测线路为正常线路；
若所述目标故障概率值大于或等于所述预设标准状态概率值，则判定所述目标检测线路为初始异常线路。
5.根据权利要求3所述的低压配电网状态异常的识别方法，其特征在于，所述根据多条所述初始异常线路关联的所述目标故障概率值所处预设异常阈值区间，确定目标异常线路的步骤，包括：
根据多条所述初始异常线路关联的所述目标故障概率值，确定对应的预设异常阈值区间，其中，所述预设异常阈值区间包括轻度异常阈值区间、中度异常阈值区间和重度异常阈值区间；
按照预设选取条件从处于所述重度异常阈值区间中的多条所述初始异常线路选取目标异常线路。
6.根据权利要求1所述的低压配电网状态异常的识别方法，其特征在于，所述目标检测线路特征数据包括线路负载数据、三相四线电流数据、馈线目标电流数据和支路电压数据，所述获取所述目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集的步骤，包括：
获取故障信息集、所述线路负载数据、所述三相四线电流数据、所述馈线目标电流数据和所述支路电压数据；
采用所述线路负载数据、所述三相四线电流数据、所述馈线目标电流数据和所述支路电压数据构建对应的目标特征数据集；
按照故障类型将所述目标特征数据集与所述故障信息集输入所述故障类型对应数量的预设二进制分类器中进行拟合，生成对应的故障类型训练集。
7.根据权利要求1所述的低压配电网状态异常的识别方法，其特征在于，所述采用所述故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型的步骤，包括：
采用所述故障类型训练集输入预设初始故障类型梯度提升决策树模型，生成对应的故障类型训练输出值；
采用所述故障类型训练输出值进行概率转换，生成对应的目标故障类型概率值；
计算所述目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值；
比较所述故障类型概率损失值与预设故障类型损失标准阈值；
若所述故障类型概率损失值小于或等于所述预设故障类型损失标准阈值，则停止训练，生成目标故障类型梯度提升决策树模型；
若所述故障类型概率损失值大于所述预设故障类型损失标准阈值，则计算所述故障类型概率损失值的故障类型梯度值，通过所述故障类型梯度值对所述预设初始故障类型梯度提升决策树模型进行拟合，并按照预设梯度调整所述预设初始故障类型梯度提升决策树模型的参数；
跳转执行所述计算所述目标故障类型概率值与关联的标准故障类型概率值之间的故障类型概率损失值的步骤。
8.根据权利要求1所述的低压配电网状态异常的识别方法，其特征在于，所述当接收到待分析线路特征数据时，通过所述目标故障类型梯度提升决策树模型生成所述目标异常线路对应的多个故障类型输出值，确定所述目标低压配电网的目标故障类型的步骤，包括：
当接收到待分析线路特征数据时，将所述待分析线路特征数据输入所述目标故障类型梯度提升决策树模型，生成所述目标异常线路对应的多个故障类型输出值；
将多个所述故障类型输出值进行概率转换，生成多个对应的初始故障类型概率值；
从多个所述初始故障类型概率值中选取最大值作为目标故障类型概率值；
根据所述目标故障类型概率值关联的故障类型，确定所述目标低压配电网的目标故障类型。
9.一种低压配电网状态异常的识别系统，其特征在于，包括：
目标故障概率训练集模块，用于获取目标低压配电网在预设周期内的目标运行状态数据并进行第一预处理，生成目标故障概率训练集；
目标故障概率梯度提升决策树模型模块，用于采用所述目标故障概率训练集对预设初始故障概率梯度提升决策树模型进行训练，生成目标故障概率梯度提升决策树模型；
目标异常线路模块，用于当接收到待预测运行状态数据时，通过所述目标故障概率梯度提升决策树模型生成所述目标低压配电网内各条目标检测线路对应的目标故障概率值，确定目标异常线路；
故障类型训练集模块，用于获取所述目标异常线路对应的故障信息集和目标检测线路特征数据并进行第二预处理，生成故障类型训练集；
目标故障类型梯度提升决策树模型模块，用于采用所述故障类型训练集对预设初始故障类型梯度提升决策树模型进行训练，生成目标故障类型梯度提升决策树模型；
目标故障类型模块，用于当接收到待分析线路特征数据时，通过所述目标故障类型梯度提升决策树模型生成所述目标异常线路对应的多个故障类型输出值，确定所述目标低压配电网的目标故障类型；
所述目标运行状态数据包括运行电网特征数据、气象因素特征数据和日期类型特征数据，所述目标故障概率训练集模块包括：
向量构建子模块，用于采用所述运行电网特征数据、所述气象因素特征数据和所述日期类型特征数据构建多个不同类型的初始输入特征向量；
最大互信息系数值子模块，用于计算各所述初始输入特征向量对应的最大互信息系数值；
目标输入时序向量子模块，用于比较各所述最大互信息系数值与预设的标准互信息系数值，根据比较结果从多个所述初始输入特征向量筛选出多个目标输入时序向量；
初始故障概率训练集子模块，用于计算多个所述目标输入时序向量对应的前趋势相似度，并通过并联式融合多个所述目标输入时序向量，生成对应的初始故障概率训练集；
加权子模块，用于采用所述前趋势相似度对所述初始故障概率训练集进行加权，生成目标故障概率训练集。
CN202310538938.8A 2023-05-15 2023-05-15 一种低压配电网状态异常的识别方法和系统 Active CN116256602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310538938.8A CN116256602B (zh) 2023-05-15 2023-05-15 一种低压配电网状态异常的识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310538938.8A CN116256602B (zh) 2023-05-15 2023-05-15 一种低压配电网状态异常的识别方法和系统

Publications (2)

Publication Number Publication Date
CN116256602A CN116256602A (zh) 2023-06-13
CN116256602B true CN116256602B (zh) 2023-07-11

Family

ID=86688365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310538938.8A Active CN116256602B (zh) 2023-05-15 2023-05-15 一种低压配电网状态异常的识别方法和系统

Country Status (1)

Country Link
CN (1) CN116256602B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116436106B (zh) * 2023-06-14 2023-09-05 浙江卓松电气有限公司 低压配电检测系统、方法、终端设备及计算机存储介质
CN116842349B (zh) * 2023-08-31 2023-11-21 天津鑫宝龙电梯集团有限公司 一种智能故障识别方法、装置、设备和介质
CN116990744B (zh) * 2023-09-25 2023-12-05 北京志翔科技股份有限公司 一种电能表检测方法、装置、设备及介质
CN117074628B (zh) * 2023-10-17 2024-01-09 山东鑫建检测技术有限公司 一种多传感器空气质量检测设备故障定位方法
CN117145752B (zh) * 2023-10-26 2024-01-30 意朗智能科技(南通)有限公司 用于空压机的过滤故障识别方法及系统
CN117171710A (zh) * 2023-11-02 2023-12-05 四川乐电新能源科技有限公司 一种电力系统的故障诊断方法及故障诊断装置
CN117313018B (zh) * 2023-11-29 2024-01-30 国网浙江省电力有限公司 一种电力输电线路异常状态识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109765462A (zh) * 2019-03-05 2019-05-17 国家电网有限公司 输电线路的故障检测方法、装置和终端设备
CN209342847U (zh) * 2018-11-13 2019-09-03 国网湖北省电力有限公司 基于天气和XBoost算法的配网线路故障停电预测装置及系统
CN111046581A (zh) * 2019-12-27 2020-04-21 国网江苏省电力有限公司电力科学研究院 一种输电线路故障类型识别方法及系统
CN111262238A (zh) * 2020-02-12 2020-06-09 浙江大学 基于机器学习的含iidg配电网短路电流预测方法
CN113033845A (zh) * 2021-04-25 2021-06-25 广东电网有限责任公司江门供电局 一种电力传输资源共建共享的建设方法及装置
CN114330437A (zh) * 2021-12-28 2022-04-12 北京百度网讯科技有限公司 一种故障检测方法及故障分类模型的训练方法、装置
CN115130550A (zh) * 2022-05-27 2022-09-30 广东电网有限责任公司广州供电局 一种基于梯度提升决策树的配电变压器故障识别方法
WO2022237207A1 (zh) * 2021-10-22 2022-11-17 广西电网有限责任公司电力科学研究院 一种配电网线路故障定位方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2711032A1 (fr) * 2010-07-28 2012-01-28 Hydro Quebec Localisation d'un defaut sur une section de ligne d'un reseau de distribution hors tension

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN209342847U (zh) * 2018-11-13 2019-09-03 国网湖北省电力有限公司 基于天气和XBoost算法的配网线路故障停电预测装置及系统
CN109765462A (zh) * 2019-03-05 2019-05-17 国家电网有限公司 输电线路的故障检测方法、装置和终端设备
CN111046581A (zh) * 2019-12-27 2020-04-21 国网江苏省电力有限公司电力科学研究院 一种输电线路故障类型识别方法及系统
CN111262238A (zh) * 2020-02-12 2020-06-09 浙江大学 基于机器学习的含iidg配电网短路电流预测方法
CN113033845A (zh) * 2021-04-25 2021-06-25 广东电网有限责任公司江门供电局 一种电力传输资源共建共享的建设方法及装置
WO2022237207A1 (zh) * 2021-10-22 2022-11-17 广西电网有限责任公司电力科学研究院 一种配电网线路故障定位方法及系统
CN114330437A (zh) * 2021-12-28 2022-04-12 北京百度网讯科技有限公司 一种故障检测方法及故障分类模型的训练方法、装置
CN115130550A (zh) * 2022-05-27 2022-09-30 广东电网有限责任公司广州供电局 一种基于梯度提升决策树的配电变压器故障识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A PCA‐NPOGBDT strategy‐based protection scheme to differentiate between inverter and distribution line faults plus detection and identification of faulty section in microgrid;Singaram Gopinath et al.;IJIS;第37卷(第2期);第1273-1298页 *
基于LightGBM算法的配电网单相接地故障区段定位方法;郑一斌 等;电力自动化设备;第41卷(第12期);第54-61页 *
风光储直流微电网直流线路在线故障检测和定位方法研究;王若瑾;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第01期);第36-38页 *

Also Published As

Publication number Publication date
CN116256602A (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN116256602B (zh) 一种低压配电网状态异常的识别方法和系统
US11544426B2 (en) Systems and methods for enhanced sequential power system model parameter estimation
CN109873610B (zh) 基于iv特性和深度残差网络的光伏阵列故障诊断方法
He et al. Robust online dynamic security assessment using adaptive ensemble decision-tree learning
CN109146124B (zh) 一种基于时变失效率的配电终端改造决策方法
CN111064180B (zh) 基于ami潮流匹配的中压配电网拓扑检测与辨识方法
CN111861023A (zh) 基于统计学的混合风电功率预测方法、装置
CN114202129A (zh) 风电出力预测方法、电子设备、存储介质及系统
CN110794254B (zh) 一种基于强化学习的配电网故障预测方法及系统
CN104392056A (zh) 一种直驱风电机组建模方法及装置
CN112001644A (zh) 一种配电网运行可靠性检测方法、装置、终端及存储介质
CN110766313A (zh) 一种基于运维检修制度的电缆隧道综合状态评价方法
Cho et al. Failure diagnosis method of photovoltaic generator using support vector machine
CN114386753A (zh) 一种基于主变负载状况的设备风险综合分析预警方法
CN115545479A (zh) 一种配电网重要节点或重要线路的确定方法及装置
CN113740666B (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
CN114553671A (zh) 一种电力通信网故障告警的诊断方法
CN105701265B (zh) 一种双馈风电机组建模方法及装置
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
CN116467648A (zh) 一种基于物联表的非线性台区电力故障的早期监测方法
CN114139809A (zh) 基于XGBoost电力系统动态频率响应曲线预测方法及系统
Karunarathne et al. A GMM-Based Phase Group Identification for Residential Low Voltage Networks
Shan et al. Root Cause Analysis of Failures for Power Communication Network Based on CNN
Cai et al. A practical approach to construct a digital twin of a power grid using harmonic spectra
Moradzadeh et al. Image processing-based data integrity attack detection in dynamic line rating forecasting applications

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