CN116466182A - 一种电力系统线路故障测距方法 - Google Patents
一种电力系统线路故障测距方法 Download PDFInfo
- Publication number
- CN116466182A CN116466182A CN202310393069.4A CN202310393069A CN116466182A CN 116466182 A CN116466182 A CN 116466182A CN 202310393069 A CN202310393069 A CN 202310393069A CN 116466182 A CN116466182 A CN 116466182A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- data
- actual
- power system
- 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.)
- Pending
Links
- 238000000691 measurement method Methods 0.000 title abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 4
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 abstract description 2
- 230000006870 function Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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)
- Supply And Distribution Of Alternating Current (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种电力系统线路故障测距方法；本发明的方法侧重点在于利用非现场数据对故障测距模型进行预训练，然后利用实际故障数据对测距模型进行再训练。即先在PSCAD等电力系统仿真软件中依照要进行测距的电力系统故障线路搭建仿真模型，利用仿真软件自带的多重运行功能，自动采集大量的故障数据。然后对采集到的故障数据进行特征提取和特征选择，利用选择后的特征训练XGBoost模型，得到仿真故障测距模型。接着利用实际故障数据对仿真测距模型进行再训练，得到可以实际应用的故障测距模型。本发明有效地降低了基于机器学习方法的故障测距方法对原始数据集的依赖。
Description
技术领域
本发明涉及电力系统领域，尤其涉及一种电力系统线路故障测距方法。
背景技术
目前来说电力系统线路故障测距方法主要有两类，传统测距方法和基于机器学习的故障测距方法。传统故障测距方法通常使基于电路理论对故障距离进行求解，该方法适用性高，但是在理论分析过程中做了许多的近似处理，测距精度往往不能满足要求，同时很多传统的测距方法比如行波测距法对设备要求较高。基于机器学习的故障测距方法虽然应用简单方便，但是目前受限于实际故障数据很难采集的问题，因此无法广泛应用。基于此，本发明提出了一种基于迁移学习思想的故障模型训练方法，最终能够通过大量仿真数据加少量实际故障数据的方式训练测距模型，降低了测距模型对原始数据的依赖。
发明内容
本发明设计创造性地提出了一种充分利用仿真数据和实际数据的电力系统故障测距方法，能够充分利用非现场故障数据。
为实现本发明的技术目的，本发明提供如下的技术方案：
一种电力系统线路故障测距方法，包括以下步骤
A1依据电力系统线路发生故障时的实际故障线路搭建实际故障线路的仿真模型，并运行仿真模型获取仿真模型故障数据，所述仿真模型故障数据包括仿真故障波形数据和仿真故障距离；
A2首先提取仿真模型故障数据中仿真故障波形数据的稳态特征；然后利用GBDT算法进行特征筛选，将筛选出的仿真故障波形数据的稳态特征和仿真故障距离整合为仿真故障数据集；
A3利用仿真故障数据集对XGBoost模型进行训练，得到预训练模型；
A4在电力系统线路安装故障录波设备，当电力系统线路发生故障时，故障录波设备记录此时的故障波形数据；通过排查得到故障距离，将故障波形数据和故障距离整合为故障数据；当故障次数达到预设数值后，将收集的故障数据作为训练用的实际故障数据集；
A5.对训练用的实际故障数据集重复步骤A2、A3的操作，在执行A3步骤的操作时将初始的XGBoost模型替换成预训练模型进行再训练以获取能够实际应用的测距模型；
A6.将能够实际应用的测距模型应用于实际电力系统线路中对电力系统线路故障测距。
作为本发明的优选方案，步骤A3中利用筛选后的特征集合对XGBoost模型进行训练具体为：将筛选后特征集合中的特征子集和对应的故障距离组成特征标签对，将所有的故障数据转成呈特征标签对构建原始数据集；在原始数据集中划分出训练集和测试集，利用训练集训练XGBoost模型，利用测试集验证XGBoost模型测距的准确度。
作为本发明的优选方案，步骤A6将能够实际应用的测距模型应用于实际电路中具体为：在实际电力系统线路中通过故障录波设备采集实际故障波形数据，将故障波形数据传输到上位机，该上位机部署有能够实际应用的测距模型；在上位机中将采集的实际故障波形数据按步骤A2进行特征提取和特征筛选的操作，得到实际故障波形数据的稳态特征；将实际故障波形数据的稳态特征输入能够实际应用的测距模型，再利用能够实际应用的测距模型进行故障测距。
作为本发明的优选方案，步骤A6中当新的故障发生时，采集新的实际故障数据，利用新的实际故障数据对能够实际应用的测距模型进行在线训练，并赋予新的实际故障数据较高的权重，以避免故障数据过期问题。
与现有技术相比，本发明提出的线路故障测距方法有以下有益效果：
1.实施简单，成本低廉，本发明的测距方法只需要在故障线路的一端安装相电压相电流采样装置，对采样频率和测量精度要求不高，亦不需要和其它测量设备保持时间同步。将采样故障信息通过网络传输到上位机，上位机再利用测距算法进行故障测距。该测距过程对操作人员没有相关专业知识的要求。
2.能够充分、有效利用非现场数据，在某一个特定的电力系统中，如某一区域的输配电网或新能源电站中，线路故障的频率很低，因此往往很难获得大量的实际故障数据，正是由于该问题基于机器学习的故障测距很难在实际电力系统中引用。本发明考虑到在仿真精度较高的情况下，仿真模型的故障特性和实际故障特性相仿，因此利用仿真数据训练故障测距模型，再之后利用少量的故障数据对该测距模型进行再训练，借助迁移学习的思想利用仿真数据降低故障测距模型对原始数据的依赖性。
3.能够及时的在线训练，电力系统在长时间运行后，会出现设备老化的现象，此时线路的故障特性就会发生变化；本发明的方法着重提高了新故障数据的权重，利用新故障数据对测距模型进行再训练，保持该模型的测距精度。
附图说明
图1为测距模型框架。
图2为测距模型迁移学习的实验框图。
具体实施方式
下面结合具体实施方式对本发明做进一步阐述和说明。所述实施例仅是本公开内容的示范且不圈定限制范围。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
如图1所示为本发明设计的测距模型框图；电力系统线路故障测距方法包括故障特征提取、故障测距模型、故障模型迁移、在线训练。故障特征提取负责将线路故障实时采样数据进行预处理分析，提取对于故障测距有显著作用的特征；如图2所示，故障测距模型主体为XGBoost模型，XGBoost模型的输入是故障特征，输出是故障距离，利用大量带有故障距离的故障特征数据对XGBoost模型进行多次迭代训练，实现故障测距；故障模型迁移是针对实际故障数据难以获取的问题，将大量仿真模型故障数据训练好的故障测距模型作为迁移至可以实际应用的模型；在线训练旨在解决数据过期问题，故障线路在较长时间后其特性会发生改变，就需要利用新的故障数据对模型进行矫正训练。
在本发明的一个具体实施例中，在故障数据采集环节，实际可只采样故障线路一段的三相电压和三相电流实时数据，采样频率高于1000Hz即可。在特征提取阶段，可直接提取三相电压和三相电流故障前后稳态阶段的基频幅值和相角，之后利用GBDT方法筛选有效特征防止模型过拟合。在搭建测距模型环节，利用XGBoost作为主体结构，将筛选后的特征作为XGBoost模型的输入，多次迭代训练实现故障测距。在模型迁移阶段，将仿真测距模型作为预训练模型，利用真实故障数据对仿真测距模型进行在训练。在新的故障发生后，赋予新故障数据较高的权重，对测距模型进行在线训练。
本发明实施例所述的电力系统故障测距步骤如下：
A1.依据实际故障线路在PSCAD软件(Power Systems Computer Aided Design)中搭建实际故障线路的仿真模型，并利用PSCAD的多重运行组件获取大量包括仿真故障波形数据和仿真故障距离的仿真模型故障数据；
A2.首先提取仿真模型故障数据中三相电压电流的稳态特征，即对故障稳态阶段的波形进行傅里叶分解，提取基波幅值和相角；然后利用GBDT(Gradient BoostingDecision Tree，梯度提升决策树)算法进行特征筛选，选择对测距结果有明显效果的仿真故障波形数据的稳态特征，将筛选出的仿真故障波形数据的稳态特征和仿真故障距离整合为仿真故障数据集；
A3.将筛选后特征集合中的特征子集和对应的故障距离组成特征标签对，将所有的故障数据转成呈特征标签对构建原始数据集；在原始数据集中划分出训练集和测试集，利用训练集训练XGBoost模型，利用测试集验证XGBoost模型测距的准确度；得到预训练模型；
A4.在电力系统线路安装故障录波设备，当电力系统线路发生故障时，故障录波设备记录此时的故障波形数据；通过排查得到故障距离，将故障波形数据和故障距离整合为故障数据；当故障次数达到预设数值后，将收集的故障数据作为训练用的实际故障数据集；
A5.对训练用的实际故障数据集重复步骤A2、A3的操作，在执行A3步骤的操作时将初始的XGBoost模型替换成预训练模型进行再训练以获取能够实际应用的测距模型。
A6.将能够实际应用的测距模型应用于实际电力系统线路中对电力系统线路故障测距。
在本发明的一个具体实施例中，步骤A2中提取故障时三相电压电流的稳态特征具体为：
A2.1).截取故障波形，分别保留三相电压电流的故障稳态波形为SIA，SIB，SIC，SVA，SVB，SVC。其中第一个下标中，I和V分别代表电流和电压，第二个下标的A，B，C代表三相相序；
A2.2).利用DFT(Discrete Fourier Transform，离散傅里叶变化)算法提取三相电压电流的故障稳态波形的基频分量H(fbase)，如下式所示，
H(fbase)＝DFT(S(t1)，S(t2)，……S(tk))
其中fbase≈50Hz；S(t1)，S(t2)，S(t3)，...S(tk)是三相电压电流的故障稳态波形在各个时刻的离散采样值。
在一个具体实施例中，步骤A2中利用GBDT算法进行特征筛选具体为：提取仿真模型故障数据中三相电压电流的稳态特征并构成原始特征集W，W中第j个特征的重要程度通过其在单棵决策树中重要性平均值来衡量，经过量化各个特征的重要程度后，设定阈值对原始特征进行筛选；重要性平均值/>的衡量公式如下：
其中，n为决策树的数量，Wj(Tk)为特征j在第k个棵决策树Tk中的重要性，L是叶子结点的数量，由于是构建的是满二叉树，所以对于非叶子结点而言，节点数为L-1，vt是与结点t相关联的特征，是节点t在分裂之后平方损失减少的值。
在一个具体实施例中，步骤A5中在获取实际故障数据后，再对该预训练模型进行再训练，通过模型迁移以降低测距模型对原始数据集的依赖性，训练过程如式下：
mpre＝Train(m0，D0)
m1＝Train(mpre，D1)
其中Train(m，d)函数表示XGBoost模型的训练过程，D0为仿真故障数据集和D1为实际线路故障数据集，由于实际条件的限制数据集D0的大小远远大于D1；m0为初始XGBoost模型，mpre为预训练模型，m1为能够实际应用的测距模型。
在本发明的具体实施例中，在实际电力系统线路中通过故障录波设备采集实际故障波形数据，将故障波形数据传输到上位机，该上位机部署有能够实际应用的测距模型；在上位机中将采集的实际故障波形数据按步骤A2进行特征提取和特征筛选的操作，得到实际故障波形数据的稳态特征；将实际故障波形数据的稳态特征输入能够实际应用的测距模型，再利用能够实际应用的测距模型进行故障测距。
在本发明的具体实施例中，步骤A6中当新的故障发生时，采集新的故障数据，利用新的故障数据对测距模型进行在线训练，并赋予新的故障数据较高的权重，以避免故障数据过期问题。
综上所述，本发明能够充分、有效利用非现场数据，利用仿真数据训练故障测距模型，再之后利用少量的故障数据对该测距模型进行再训练，借助迁移学习的思想利用仿真数据降低故障测距模型对原始数据的依赖性；并且本发明着重提高了新故障数据的权重，利用新故障数据对测距模型进行再训练，保持该模型的测距精度。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (7)
1.一种电力系统线路故障测距方法，其特征在于，包括以下步骤
A1依据电力系统线路发生故障时的实际故障线路搭建实际故障线路的仿真模型，并运行仿真模型获取仿真模型故障数据，所述仿真模型故障数据包括仿真故障波形数据和仿真故障距离；
A2首先提取仿真模型故障数据中仿真故障波形数据的稳态特征；然后利用GBDT算法进行特征筛选，将筛选出的仿真故障波形数据的稳态特征和仿真故障距离整合为仿真故障数据集；
A3利用仿真故障数据集对XGBoost模型进行训练，得到预训练模型；
A4在电力系统线路安装故障录波设备，当电力系统线路发生故障时，故障录波设备记录此时的故障波形数据；通过排查得到故障距离，将故障波形数据和故障距离整合为故障数据；当故障次数达到预设数值后，将收集的故障数据作为训练用的实际故障数据集；
A5.对训练用的实际故障数据集重复步骤A2、A3的操作，在执行A3步骤的操作时将初始的XGBoost模型替换成预训练模型进行再训练以获取能够实际应用的测距模型；
A6.将能够实际应用的测距模型应用于实际电力系统线路中对电力系统线路故障测距。
2.根据权利要求1所述的电力系统线路故障测距方法，其特征在于，步骤A2中提取仿真故障波形数据的稳态特征具体为：
A2.1)分别截取各个时刻仿真模型中三相电压电流的故障稳态波形；
A2.2)利用DFT算法提取三相电压电流的故障稳态波形的基频分量H(fbase)，如下式所示，
H(fbase)＝DFT(S(t1)，S(t2)，......S(tk))
其中fbase≈50Hz；S(t1)，S(t2)，S(t3)，...S(tk)是三相电压电流的故障稳态波形在各个时刻的离散采样值。
3.根据权利要求1所述的电力系统线路故障测距方法，其特征在于，步骤A2中利用GBDT算法进行特征筛选具体为：提取仿真模型故障数据中三相电压电流的稳态特征并构成原始特征集W，W中第j个特征的重要程度通过其在单棵决策树中重要性平均值来衡量，经过量化各个特征的重要程度后，设定阈值对原始特征进行筛选；重要性平均值/>的衡量公式如下：
其中，n为决策树的数量，Wj(Tk)为特征j在第k个棵决策树Tk中的重要性，L是叶子结点的数量，vt是与结点t相关联的特征，是节点t在分裂之后平方损失减少的值。
4.根据权利要求1所述的电力系统线路故障测距方法，其特征在于，步骤A3中利用仿真故障数据集对XGBoost模型进行训练具体为：将仿真故障数据集的稳态特征和对应的故障距离组成特征标签对，从特征标签对数据集合中划分出训练集和测试集，利用训练集训练XGBoost模型，利用测试集验证XGBoost模型测距的准确度。
5.根据权利要求1所述的电力系统线路故障测距方法，其特征在于，步骤A5中在获取实际故障数据后，再对预训练模型进行再训练，通过模型迁移以降低测距模型对仿真故障数据集的依赖性，训练过程如下式所示：
mpre＝Train(m0，D0)
m1＝Train(mpre，D1)
其中Train(m，d)函数表示XGBoost的训练过程，D0为仿真故障数据集和D1为训练用的实际故障数据集，由于实际条件的限制数据集D0的大小远远大于D1；m0为初始XGBoost模型，mpre为预训练模型，m1为能够实际应用的测距模型。
6.根据权利要求1所述的电力系统线路故障测距方法，其特征在于，步骤A6将能够实际应用的测距模型应用于实际电路中具体为：在实际电力系统线路中通过故障录波设备采集实际故障波形数据，将故障波形数据传输到上位机，该上位机部署有能够实际应用的测距模型；在上位机中将采集的实际故障波形数据按步骤A2进行特征提取和特征筛选的操作，得到实际故障波形数据的稳态特征；将实际故障波形数据的稳态特征输入能够实际应用的测距模型，再利用能够实际应用的测距模型进行故障测距。
7.根据权利要求1所述的电力系统线路故障测距方法，其特征在于，步骤A6中当新的故障发生时，采集新的实际故障数据，利用新的实际故障数据对能够实际应用的测距模型进行在线训练，并赋予新的实际故障数据较高的权重，以避免故障数据过期问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310393069.4A CN116466182A (zh) | 2023-04-13 | 2023-04-13 | 一种电力系统线路故障测距方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310393069.4A CN116466182A (zh) | 2023-04-13 | 2023-04-13 | 一种电力系统线路故障测距方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116466182A true CN116466182A (zh) | 2023-07-21 |
Family
ID=87172982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310393069.4A Pending CN116466182A (zh) | 2023-04-13 | 2023-04-13 | 一种电力系统线路故障测距方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116466182A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117192312A (zh) * | 2023-11-07 | 2023-12-08 | 云南电网有限责任公司 | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 |
-
2023
- 2023-04-13 CN CN202310393069.4A patent/CN116466182A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117192312A (zh) * | 2023-11-07 | 2023-12-08 | 云南电网有限责任公司 | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 |
| CN117192312B (zh) * | 2023-11-07 | 2024-04-19 | 云南电网有限责任公司 | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107340456B (zh) | 基于多特征分析的配电网工况智能识别方法 | |
| CN108761287B (zh) | 一种变压器局部放电类型识别方法 | |
| CN103064008B (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
| CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
| CN106226635A (zh) | 一种配电网馈线故障类型识别方法及装置 | |
| CN112098889B (zh) | 一种基于神经网络和特征矩阵的单相接地故障定位方法 | |
| CN114021433B (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
| CN110456217B (zh) | 一种基于wpd-foa-lssvm双模型的mmc故障定位方法 | |
| CN108562811A (zh) | 基于双向长短期记忆的复杂电能质量扰动分析方法 | |
| CN114414942A (zh) | 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统 | |
| CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
| CN110808580B (zh) | 基于小波变换和极限学习机的电压暂降源快速辨识方法 | |
| CN107402334A (zh) | 电力系统次/超同步耦合阻抗模型的频域辨识方法与系统 | |
| CN116466182A (zh) | 一种电力系统线路故障测距方法 | |
| CN114002501A (zh) | 一种带有数字滤波的采集终端拓扑识别方法 | |
| CN108154223A (zh) | 基于网络拓扑及长时序信息的配电网工况录波分类方法 | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
| CN115563464A (zh) | 一种基于量子卷积神经网络的核阀门异常状态识别方法 | |
| CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
| CN109782158B (zh) | 一种基于多级分类的模拟电路诊断方法 | |
| CN114021424B (zh) | 一种基于pca-cnn-lvq的电压暂降源识别方法 | |
| CN114252725A (zh) | 基于HHT和ResNet18的单相接地故障类型综合辨识方法 | |
| CN117420385A (zh) | 一种基于卷积的高压直流输电线路故障识别方法 | |
| CN115308538B (zh) | 基于yolov5的配电网故障定位方法、系统、终端及存储介质 |
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 |