CN116644361A - 一种架空输电线路故障诊断方法及计算机可读介质 - Google Patents

一种架空输电线路故障诊断方法及计算机可读介质 Download PDF

Info

Publication number
CN116644361A
CN116644361A CN202310427627.4A CN202310427627A CN116644361A CN 116644361 A CN116644361 A CN 116644361A CN 202310427627 A CN202310427627 A CN 202310427627A CN 116644361 A CN116644361 A CN 116644361A
Authority
CN
China
Prior art keywords
fault
recorder
ith
data
result
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
Application number
CN202310427627.4A
Other languages
English (en)
Inventor
徐睿
郑卓杰
庞婧雯
张一凡
王晓乐
乐健
李健
吴敏
谢迎谱
雷梦飞
任华
汤亮亮
毛涛
廖小兵
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.)
Wuhan Yiciyuan Power Technology Co ltd
Wuhan University WHU
Wuhan NARI Ltd
Original Assignee
Wuhan Yiciyuan Power Technology Co ltd
Wuhan University WHU
Wuhan NARI 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 Wuhan Yiciyuan Power Technology Co ltd, Wuhan University WHU, Wuhan NARI Ltd filed Critical Wuhan Yiciyuan Power Technology Co ltd
Priority to CN202310427627.4A priority Critical patent/CN116644361A/zh
Publication of CN116644361A publication Critical patent/CN116644361A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Locating Faults (AREA)

Abstract

本发明提出了一种架空输电线路故障诊断方法及计算机可读介质。本发明收集历史记录的分布式故障录波样本；通过TOPSIS法确定不同录波器记录数据的可信度；根据录波器记录数据的可信度分配不同权值；通过数据融合处理得到历史记录的融合波形数据；提取由历史记录样本数据所得到的融合波形数据的故障特征量；利用随机森林的方法构建故障特征量与输电线路故障类型之间的诊断模型；根据实时故障根据行波折反射网络图确定不同分布式故障录波器距离故障点的距离；结合故障特征量与输电线路故障类型之间的诊断模型确定故障类型。本发明解决了传统故障诊断需要消耗大量人力资源和时间成本且准确度较低的问题，提高了故障诊断的效率和准确率。

Description

一种架空输电线路故障诊断方法及计算机可读介质
技术领域
本发明属于架空输电线路故障诊断技术领域，尤其涉及一种架空输电线路故障诊断方法及计算机可读介质。
背景技术
随着全球经济的迅速发展和人口的不断增加，现代电网结构日趋复杂，规模不断扩大，容量日趋升高，供电的可靠性成为世界各国共同面临的课题，并且以雷击故障为主体的架空输电线路故障，对电网稳定供电造成了巨大的冲击和破坏。
随着社会的不断发展，供电需求不断扩大，输电线路总长度不断扩张，这个趋势致使输电线路的稳定运行对电网的影响越来越明显。为了保证电能供给，必须在架空输电线路故障发生时，准确、快速、有效的诊断辨别出线路故障的类型。而人力巡检准确率低，巡检效率低，为了解决此问题，需要研发出架空输电线路故障的自动诊断方法。而输电线路故障类型本身具有多样性与复杂性，增加了研发故障诊断方法的难度。
关于输电线路故障的诊断方法，国内外均进行了大量的研究工作。按照数据源的不同，步骤9分为集中式故障诊断和分布式故障诊断。集中式故障诊断是指取电力系统中靠近故障线路点的单个单元监测点的数据，将数据进行处理分析，进行线路故障类型的诊断，即该单元的所有数据和度量均可作为判断故障的标准。分布式故障诊断是指，基于双端行波定位原理，每隔20-30km分布安装1个监测终端将线路分成若干区段，监测终端具备工频电流与高频行波电流采集的功能，线路发生故障时，首先利用工频故障电流判断故障相别和故障区间；然后选取该故障区间所接近的多台监测终端采集到的高频行波电流进行同步分析，再以高频行波电流的波形特征进行故障类型识别。
两者相比，集中式故障诊断的缺点在于电力系统作为大规模空间分布式系统,其某一单元并不能获得所有单元的测量值。而负责采集关键数据的录波器，在物理距离上距输电线路故障点较远，致使故障波形数据在线路上传递时容易发生畸变，传送到录波器的故障录波数据精度会大幅下降，导致故障诊断的准确率低。同时,集中式故障诊断方式为由经验丰富的运行人员调取各个分散系统的设备稳态数据、监控告警信息、故障录波信息等进行推理和分析，故障诊断效率低，大量的人力投入也不符合电网追求的经济效益最大化。而分布式诊断方法在数据分析方面具有容错率大、诊断维度高的优势，很好地弥补了前者的不足。分布式故障诊断系统通过在线路导线上安装多套分布式诊断装置，监测工频故障电流及行波电流，克服了行波衰减影响；通过分析对比故障行波波形，迅速准确判断故障类型。这使得分布式故障行波的输电线路故障智能诊断具有更优越的性能和更强大的实用性。
目前运用分布式模型进行故障诊断的研究较少且不成熟。存在录波数据采集不准确，数据特征量提取融合不当，算法模型精确度不高的缺陷。因此，研究出能够合理融合多个录波器记录的数据，预测准确度高，同时能够在信息不确定的情况下具有良好容错性的分布式故障诊断方法，实现故障类型的快速识别，对保证电网安全稳定运行，提高系统供电可靠性具有很大的意义。
发明内容
本发明要解决的问题是，克服原有的技术缺陷，本发明提出了一种架空输电线路故障诊断方法及计算机可读介质。
为解决上述技术问题，本发明方法采用的技术方案为一种架空输电线路故障诊断方法，其特征在于，包括以下步骤：
步骤1：收集历史记录的分布式故障录波样本；
步骤2：通过TOPSIS法确定不同录波器记录数据的可信度；
步骤3：根据录波器记录数据的可信度分配不同权值；
步骤4：基于已分配的权值将历史记录的分布式故障录波数据进行数据融合处理得到历史记录的融合波形数据；
步骤5：提取由历史记录样本数据所得到的融合波形数据的故障特征量；
步骤6：将大量历史样本按照步骤2至步骤5处理，建立数据库，利用随机森林的方法构建故障特征量与输电线路故障类型之间的诊断模型；
步骤7：根据实时故障根据行波折反射网络图确定不同分布式故障录波器距离故障点的距离；
步骤8：实时故障录波数据经过步骤2至步骤5相同的方法进行数据处理，并结合故障特征量与输电线路故障类型之间的诊断模型，故障类型；
作为优选，步骤1中所述历史记录的分布式故障录波样本为：
Sample*＝Sample*((s1，x1），(s2，x2)，...，(si，xi)，...，(sn，xn)，label
其中，si为故障发生后一段时间内第i台录波器所记录的样本，xi为第i台录波器在架空线路上安装点与故障点之间的距离，n为架空输电线上安装的录波器总数，label代表故障类型，取值范围为{label1，label2，label3，label4}，其中label1为雷击故障，label2为鸟害故障，label3为山火故障，label4为外力破坏故障；
步骤1中，每台录波器所记录的样本具体步骤9表示为：
si=[Vi Ii]
其中，Vi为第i台录波器所记录的样本中的电压，Ii为第i台录波器所记录的样本中的电流；
步骤1中，构建所有录波器记录故障波形数据的矩阵为：
其中，Vi为第i台录波器所记录的样本中的电压，Ii为第i台录波器所记录的样本中的电流，xi为第i台录波器在架空线路上安装点与故障点之间的距离；
在故障发生后瞬间记录到的数据为：
其中，为矩阵E在t＝0时刻的值，/>为第i台录波器在t＝0时刻记录到的电压瞬时值，/>为第i台录波器在t＝0时刻记录到的电流瞬时值；
步骤2中，将矩阵的元素分别进行正向化处理，得到正向化后的矩阵E′
电压为区间化指标，其正向化处理的方法为：
其中，M(V)为中间过渡量，和/>为故障录波器可能记录到的电压最大值与最小值，/>为第i台录波器在t＝0时刻记录到的电压瞬时值，Vi′为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果；
电流为区间化指标，其正向化处理的方法为：
其中，M(I)为中间过渡量，和/>分别为故障录波器可能记录到的电流最大值、电流最小值，/>为第i台录波器在t＝0时刻记录到的电流瞬时值，Ii′为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果；
录波器在架空线路上安装点与故障点之间的距离为极小型指标，其正向化处理办法为：
其中，xi′为录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果，xi为第i台录波器在架空线路上安装点与故障点之间的距离；
正向化后的矩阵E′为：
步骤2中，利用正向化后的矩阵E′求出最大向量E′+与最小向量E′-：
E′+＝(max{V1′，V2′，...，Vi′，...，Vn′}，max{I1′，I2′，...，Ii′，...，In′}，max{x1′，x2′，...，xi′，...，xn′})
E′-＝(min{V1′，V2′，...，Vi′，...，Vn′}，min{I1′，I2′，...，Ii′，...，In′}，min{x1′，x2′，...，xi′，...，xn′})
其中，E′+为最大向量，E′-为最小向量，Vi′为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果，Ii′为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果，xi′为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果，max表示最大化处理，min表示最小化处理；
步骤2中，第i台录波器正向化后的数据分别与最大向量E′+与最小向量E′-作差：
Ai＝(Vi′ Ii′ xi′)-E′+Bi＝(Vi′ Ii′ xi′)-E′-
Ai＝(ai1 ai2 ai3)
Bi＝(bi1 bi2 bi3)
其中，E′+为最大向量，E′-为最小向量，Vi′为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果，Ii′为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果，xi′为录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果，Ai和Bi为作差后所得到的向量，ai1为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最大值之差，ai2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最大值之差，ai3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最大值之差，bi1第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最小值之差，bi2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最小值之差，bi3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最小值之差。
其中，mi代表第i台录波器记录数据的可信度，aij为作差后所得向量Ai的元素，ai1为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最大值之差，ai2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最大值之差，ai3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最大值之差，bij为作差后所得向量Bi的元素，bi1第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最小值之差，bi2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最小值之差，bi3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最小值之差。
步骤3中，根据可信度判据给录波数据分配的权值表示为：
D＝(D1，D2，...，Di，...，Dn)
其中，Di表示第i台录波器记录的录波数据的权值；
步骤3中，根据可信度判据分配录波数据权值集合：
其中，Di表示第i台录波器记录的录波数据的权值，mj代表第j台录波器记录数据的可信度，n表示录波器的总台数；
步骤4中，历史记录的分布式故障录波数据进行加权处理得到历史记录的融合波形数据表示为：
其中，S代表数据加权处理得到的融合波形数据，Di表示第i台录波器记录的录波数据的权值，si表示i台录波器所记录的样本；
步骤5中，提取故障特征量的具体步骤为，根据所得到的融合波形数据，由融合波形数据可直接获得波头时间和波尾时间，并且通过等效电路法计算融合波形数据对应的接地电阻，对融合波形数据进行傅里叶分解获取其各次谐波含量以及其它电气特征量，提取得到的故障特征量表示为：
其中，T1和T2分别表示融合波形数据的波头时间和波尾时间，R表示融合波形数据对应的接地电阻，代表融合波形数据进行傅里叶分解所获得的频谱，Γj(S)表示由融合波形数据所提取到的第j种特征量，p-1表示由融合波形数据所提取到的特征量种数；
步骤6中，利用随机森林算法构建故障特征量与输电线路故障类型之间的诊断模型，诊断模型里体现了不同类型故障的故障特征量集合Γ与故障类型label的映射关系，k条不同类型故障的故障特征量集合与故障类型构成有源数据矩阵：
其中，SS为不同类型故障的故障特征量集合与故障类型构成的有源数据矩阵，T1(i)、T2(i)、R(i)、分别为第i条数据的故障特征量的波头时间、波尾时间、融合波形数据对应的接地电阻、融合波形数据进行傅里叶分解所获得的频谱,Γj(S)(i)表示第i条数据所提取到的第j种特征量，p-1表示由融合波形数据所提取到的特征量种数，label(i)为第i条数据的故障类型。
其中定义：
其中，ΓΓ为k条故障的故障特征量构成的矩阵，T1(i)、T2(i)、R(i)、分别为第i条数据的故障特征量的波头时间、波尾时间、融合波形数据对应的接地电阻、融合波形数据进行傅里叶分解所获得的频谱,Γj(S)(i)表示第i条数据所提取到的第j种特征量，p-1表示由融合波形数据所提取到的特征量种数，llabel为k个故障类型构成的矩阵，label(i)为第i条数据的故障类型，p-1表示故障特征量的种类数。
步骤6中，由SS随机生成P个子矩阵ss1、ss2、…、ssi、…、ssP
其中，ssi表示随机生成的第i个子矩阵，ΓΓ为k条故障的故障特征量构成的矩阵，llabel为k个故障类型构成的矩阵，r(ΓΓ)m×(q-1)为故障特征量集合的子矩阵，γ(llabel)m×1为故障类型矩阵llabel的子矩阵，表示分块矩阵的数学符号，把这个矩阵分成左右两个矩阵；
上式中，k、p、m和q满足约束条件：
其中，k代表历史记录的不同类型故障的故障特征量集合与故障类型的条数，p-1为故障特征量的种类数，m代表从k条历史记录的不同类型故障的故障特征量集合与故障类型随机抽样的条数，q-1代表从p-1种故障特征量随机抽样的故障特征量的种类数；
步骤6中，通过这P个子集进行随机森林训练得到P个决策树。
步骤6中，将历史故障录波数据按照步骤2-5进行数据处理，将处理后的数据投入到随机森林的P个树中，得到P个故障类型结果，计数何种故障类型的数目最多，就将此故障类型作为最后的预测结果；
步骤7中，获得的实时分布式故障录波样本步骤9表示为：
其中，si为故障发生后一段时间内第i台录波器所实时记录的样本，为n台故障录波器所实时记录的分布式故障录波样本；
根据行波折反射网络图确定不同分布式故障录波器距离故障点的距离得到：
Data＝((s1，x1)，(s2，x2)，...，(si，xi)，...，(sn，xn))
其中，si为故障发生后一段时间内第i台录波器所实时记录的样本，xi为第i台录波器在架空线路上安装点与故障点之间的距离，为n台故障录波器所实时记录的分布式故障录波样本；
步骤8中，将n台故障录波器所实时记录的分布式故障录波样本通过步骤2的方法处理得到不同录波器记录数据的可信度；
步骤8中，不同录波器记录数据的可信度通过步骤3的方法处理得到不同录波器的权值；
步骤8中，进一步，基于不同录波器分配到的不同权值通过步骤4的方法处理得到实时记录的融合波形数据；
步骤8中，故障类型的区分步骤为，由所提取得到的故障特征量集合Γ，根据已构建的随机森林模型中的不同类型故障的故障特征量集合Γ与故障类型label的映射关系，得到该故障的类型。
本发明还提供了一种计算机可读介质，所述计算机可读介质存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，执行所述架空输电线路故障诊断方法的步骤。
本发明的有益效果：克服原有的技术缺陷，基于机器学习提供一种办法解决分布式故障录波数据架空输电线路故障诊断问题。当故障发生时，通过对多台分布式故障录波器的数据进行可信度判定，剔除不可靠数据后进行数据融合处理得到融合波形，由融合波形提取故障特征量，并由机器学习算法由已通过历史样本建立的数据库及数学模型诊断出故障类型，并进一步实现机器学习算法的自适应功能，解决了传统故障诊断需要消耗大量人力资源和时间成本且准确度较低的问题，将由人工经验判断故障类型转化通过机器学习的模型判断故障类型，提高故障诊断的效率和准确率。
附图说明
图1：本发明实施例的方法流程图；
图2：本发明实施例的随机森林原理示意图。
具体实施方式
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他实施例，都属于本发明保护的范围。
下面结合图1-2介绍本发明的具体实施方式为一种众源卫星遥感影像数据集优选方法，具体如下：
如图1所示，本发明公开一种利用分布式故障录波数据架空输电线路故障诊断方法，包括以下步骤：
步骤1，收集历史记录的分布式故障录波样本。
首先，对历史记录的分布式故障录波样本进行表示：
Sample*＝Sample*((s1，x1)，(s2，x2)，...，(si，xi)，...，(sn，xn)，label)
其中，si为故障发生后一段时间内第i台录波器所记录的样本，xi为第i台录波器在架空线路上安装点与故障点之间的距离，n＝100为架空输电线上安装的录波器总数，label代表故障类型，取值范围为{label1，label2，label3，label4}，其中label1为雷击故障，label2为鸟害故障，label3为山火故障，label4为外力破坏故障。
每台录波器所记录的样本具体步骤9表示为：
si＝[Vi Ii]
其中，Vi为第i台录波器所记录的样本中的电压，Ii为第i台录波器所记录的样本中的电流。
然后，构建所有录波器记录故障波形数据的矩阵：
其中，Vi为第i台录波器所记录的样本中的电压，Ii为第i台录波器所记录的样本中的电流，xi为第i台录波器在架空线路上安装点与故障点之间的距离；
在故障发生后瞬间记录到的数据为：
其中，为矩阵E在t＝0时刻的值，/>为第i台录波器在t＝0时刻记录到的电压瞬时值，/>为第i台录波器在t＝0时刻记录到的电流瞬时值。
步骤2，通过TOPSIS法确定不同录波器记录数据的可信度。具体方式如下：
将矩阵的元素分别进行正向化处理，得到正向化后的矩阵E′
电压为区间化指标，其正向化处理的方法为：
式中：M(V)为中间过渡量，和/>为故障录波器可能记录到的电压最大值与最小值，/>为第i台录波器在t＝0时刻记录到的电压瞬时值，Vi′为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果。
同理电流为区间化指标，其正向化处理的方法为：
式中：M(I)为中间过渡量，和/>为故障录波器可能记录到的电流最大值与最小值，/>为第i台录波器在t＝0时刻记录到的电流瞬时值，Ii′为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果。
录波器在架空线路上安装点与故障点之间的距离为极小型指标，其正向化处理办法为：
式中：xi′为录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果，xi为第i台录波器在架空线路上安装点与故障点之间的距离。
从而，正向化后的矩阵E′为
利用正向化后的矩阵E′求出最大向量E′+与最小向量E′-：
E′+＝(max{V1′，V2′，...，Vi′，...，Vn′}，max{I1′，I2′，...，Ii′，...，In′}，max{x1′，x2′，...，xi′，...，xn′})
E′-＝(min{V1′，V2′，...，Vi′，...，Vn′}，min{I1′，I2′，...，Ii′，...，In′}，min{x1′，x2′，...，xi′，...，xn′})
其中，E′+为最大向量，E′-为最小向量，Vi′为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果，Ii′为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果，xi′为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果，max表示最大化处理，min表示最小化处理；
第i台录波器正向化后的数据分别与最大向量E′+与最小向量E′-作差：
Ai＝(Vi′ Ii′ xi′)-B′+
Bi＝(Vi′ Ii′ xi′)-E′-
Ai＝(ai1 ai2 ai3)
Bi＝(bi1 bi2 bi3)
其中，E′+为最大向量，E′-为最小向量，Vi′为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果，Ii′为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果，xi′为录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果，Ai和Bi为作差后所得到的向量，ai1为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最大值之差，ai2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最大值之差，ai3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最大值之差，bi1第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最小值之差，bi2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最小值之差，bi3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最小值之差。
其中，mi代表第i台录波器记录数据的可信度，aij为作差后所得向量Ai的元素，ai1为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最大值之差，ai2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最大值之差，ai3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最大值之差，bij为作差后所得向量Bi的元素，bi1第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最小值之差，bi2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最小值之差，bi3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最小值之差。
步骤3，根据录波器记录数据的可信度分配不同权值。具体地，分配的不同权值可表示为：
D＝(D1，D2，...，Di，...，Dn)
其中，Di表示第i台录波器记录的录波数据的权值。
其中，Di表示第i台录波器记录的录波数据的权值，mj代表第j台录波器记录数据的可信度，n表示录波器的总台数。
步骤4，基于已分配的权值将历史记录的分布式故障录波数据进行加权处理得到历史记录的融合波形数据，具体实现方式为：
其中，S代表数据加权处理得到的融合波形数据，Di表示第i台录波器记录的录波数据的权值，si表示第i台录波器所记录的样本。
步骤5，提取历史记录样本数据所得到的融合波形数据的故障特征量。提取故障特征量的具体步骤为，根据所得到的融合波形数据，由融合波形数据可直接获得波头时间和波尾时间，并且通过等效电路法计算融合波形数据对应的接地电阻，对融合波形数据进行傅里叶分解获取其各次谐波含量以及其它电气特征量，提取得到的故障特征量表示为：
其中，T1和T2分别表示融合波形数据的波头时间和波尾时间，R表示融合波形数据对应的接地电阻，代表融合波形数据进行傅里叶分解所获得的频谱，Γj(S)表示由融合波形数据所提取到的第j种特征量，p-1＝100表示由融合波形数据所提取到的特征量种数。
步骤6，将大量历史样本按照步骤2至步骤5处理，建立数据库，利用随机森林的方法构建故障特征量与输电线路故障类型之间的诊断模型。
如图2所示，利用随机森林算法构建故障特征量与输电线路故障类型之间的诊断模型，诊断模型里体现了不同类型故障的故障特征量集合Γ与故障类型label的映射关系，k＝10000条不同类型故障的故障特征量集合与故障类型构成有源数据矩阵：
其中，SS为不同类型故障的故障特征量集合与故障类型构成的有源数据矩阵，T1(i)、T2(i)、R(i)、分别为第i条数据的故障特征量的波头时间、波尾时间、融合波形数据对应的接地电阻、融合波形数据进行傅里叶分解所获得的频谱,Γj(S)(i)表示第i条数据所提取到的第j种特征量，p-1表示由融合波形数据所提取到的特征量种数，label(i)为第i条数据的故障类型。
其中定义：
其中，ΓΓ为k条故障的故障特征量构成的矩阵，R1(i)、T2(i)、R(i)、分别为第i条数据的故障特征量的波头时间、波尾时间、融合波形数据对应的接地电阻、融合波形数据进行傅里叶分解所获得的频谱,Γj(S)(i)表示第i条数据所提取到的第j种特征量，p-1表示由融合波形数据所提取到的特征量种数，llabel为k个故障类型构成的矩阵，label(i)为第i条数据的故障类型，p-1表示故障特征量的种类数。
随后，由SS随机生成P＝1000个子矩阵ss1、ss2、…、ssi、…、ssP
其中，ssi表示随机生成的第i个子矩阵，ΓΓ为k条故障的故障特征量构成的矩阵，llabel为k个故障类型构成的矩阵，r(ΓΓ)m×(q-1)为故障特征量集合的子矩阵，γ(llabel)m×1为故障类型矩阵llabel的子矩阵，表示分块矩阵的数学符号，把这个矩阵分成左右两个矩阵。
上式中，k、p、m和q满足约束条件：
其中，k代表历史记录的不同类型故障的故障特征量集合与故障类型的条数，p-1为故障特征量的种类数，m＝1000代表从k条历史记录的不同类型故障的故障特征量集合与故障类型随机抽样的条数，q-1＝50代表从p-1种故障特征量随机抽样的故障特征量的种类数。
最后，通过这P个子集进行随机森林训练得到P个决策树。
将历史故障录波数据按照步骤2-5进行数据处理，将处理后的数据投入到随机森林的P个树中，得到P个故障类型结果，计数何种故障类型的数目最多，就将此故障类型作为最后的预测结果。
步骤7，根据实时故障根据行波折反射网络图确定不同分布式故障录波器距离故障点的距离。
具体地，获得的实时分布式故障录波样本步骤9表示为：
其中，si为故障发生后一段时间内第i台录波器所实时记录的样本，为n台故障录波器所实时记录的分布式故障录波样本。
根据行波折反射网络图确定不同分布式故障录波器距离故障点的距离得到：
Data＝((s1，x1)，(s2，x2)，…，(si，xi)，…，(sn，xn))
其中，si为故障发生后一段时间内第i台录波器所实时记录的样本，xi为第i台录波器在架空线路上安装点与故障点之间的距离，为n台故障录波器所实时记录的分布式故障录波样本。
步骤8，实时故障录波数据经过步骤2至步骤5相同的方法进行数据处理，并由建立好的诊断模型确定故障类型。
首先，将n台故障录波器所实时记录的分布式故障录波样本通过步骤2的方法处理得到不同录波器记录数据的可信度。不同录波器记录数据的可信度通过步骤3的方法处理得到不同录波器的权值。进一步，基于不同录波器分配到的不同权值通过步骤4的方法处理得到实时记录的融合波形数据。
故障类型的区分步骤为，由所提取得到的故障特征量集合Γ，根据已构建的随机森林模型中的不同类型故障的故障特征量集合Γ与故障类型label的映射关系，得到该故障的类型。
步骤9，归档整合实时故障的融合波形数据的故障特征量及其故障类型，更新数据库，使得具有自适应功能的机器学习算法不断提高诊断模型的精度。
具体方法是将步骤8中实时故障实时故障的融合波形数据的故障特征量及机器学习所诊断出的故障类型归档并入数据库，供给机器学习，提高模型故障诊断的精度。
步骤9，基于已分配的权值将实时记录的分布式故障录波数据进行数据融合处理得到融合波形数据。该步骤的计算方式与步骤3相同。
步骤10，提取由实时记录录波数据所得到的融合波形数据的故障特征量。
该步骤的计算方式与步骤4相同。
步骤11，利用已构建的机器学习模型诊断出实时故障的故障类型。
具体地，根据已构建的机器学习模型中的不同类型故障的故障特征量集合Γ与故障类型label的映射关系，得到该故障的类型。
步骤12，归档整合实时故障的融合波形数据的故障特征量及其故障类型。
将融合波形数据的故障特征量及机器学习所诊断出的故障类型归档并入数据库，更新数据库，供给机器学习，使得机器学习算法具有自适应功能，并随着实时故障录波数据的增多不断提高诊断模型的精度。
本发明的具体实施例还提供了一种计算机可读介质。
所述计算机可读介质为服务器工作站；
所述服务器工作站存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行本发明实施例的众源卫星遥感影像数据集优选方法的步骤。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (10)

1.一种架空输电线路故障诊断方法，其特征在于：
基于已分配的权值将历史记录的分布式故障录波数据进行数据融合处理得到历史记录的融合波形数据；
提取由历史记录样本数据所得到的融合波形数据的故障特征量；
建立数据库，利用随机森林的方法构建故障特征量与输电线路故障类型之间的诊断模型；
根据实时故障根据行波折反射网络图确定不同分布式故障录波器距离故障点的距离；
结合故障特征量与输电线路故障类型之间的诊断模型确定故障类型。
2.根据权利要求1所述的架空输电线路故障诊断方法，其特征在于：一种架空输电线路故障诊断方法，其特征在于，包括以下步骤：
步骤1：收集历史记录的分布式故障录波样本；
步骤2：通过TOPSIS法确定不同录波器记录数据的可信度；
步骤3：根据录波器记录数据的可信度分配不同权值；
步骤4：基于已分配的权值将历史记录的分布式故障录波数据进行数据融合处理得到历史记录的融合波形数据；
步骤5：提取由历史记录样本数据所得到的融合波形数据的故障特征量；
步骤6：将大量历史样本按照步骤2至步骤5处理，建立数据库，利用随机森林的方法构建故障特征量与输电线路故障类型之间的诊断模型；
步骤7：根据实时故障根据行波折反射网络图确定不同分布式故障录波器距离故障点的距离；
步骤8：实时故障录波数据经过步骤2至步骤5相同的方法进行数据处理，并结合故障特征量与输电线路故障类型之间的诊断模型确定故障类型。
3.根据权利要求2所述的架空输电线路故障诊断方法，其特征在于：步骤1中所述历史记录的分布式故障录波样本为：
Sample*＝Sample*((s1，x1)，(s2，x2)，...，(si，xi)，...，(sn，xn)，label)
其中，si为故障发生后一段时间内第i台录波器所记录的样本，xi为第i台录波器在架空线路上安装点与故障点之间的距离，n为架空输电线上安装的录波器总数，label代表故障类型，取值范围为{label1，label2，label3，label4}，其中label1为雷击故障，label2为鸟害故障，label3为山火故障，label4为外力破坏故障；
步骤1中，每台录波器所记录的样本表示为：
si＝[Vi Ii]
其中，Vi为第i台录波器所记录的样本中的电压，Ii为第i台录波器所记录的样本中的电流；
步骤1中，构建所有录波器记录故障波形数据的矩阵为：
其中，Vi为第i台录波器所记录的样本中的电压，Ii为第i台录波器所记录的样本中的电流，xi为第i台录波器在架空线路上安装点与故障点之间的距离；
在故障发生后瞬间记录到的数据为：
其中，为矩阵E在t＝0时刻的值，/>为第i台录波器在t＝0时刻记录到的电压瞬时值，/>为第i台录波器在t＝0时刻记录到的电流瞬时值。
4.根据权利要求3所述的架空输电线路故障诊断方法，其特征在于：
所述步骤2具体如下：
将矩阵的元素分别进行正向化处理，得到正向化后的矩阵E′
电压为区间化指标，其正向化处理的方法为：
其中，M(V)为中间过渡量，和/>为故障录波器可能记录到的电压最大值与最小值，为第i台录波器在t＝0时刻记录到的电压瞬时值，Vi′为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果；
电流为区间化指标，其正向化处理的方法为：
其中，M(I)为中间过渡量，和/>分别为故障录波器可能记录到的电流最大值、电流最小值，/>为第i台录波器在t＝0时刻记录到的电流瞬时值，Ii′为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果；
录波器在架空线路上安装点与故障点之间的距离为极小型指标，其正向化处理办法为：
其中，xi′为录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果，xi为第i台录波器在架空线路上安装点与故障点之间的距离；
正向化后的矩阵E′为：
步骤2中，利用正向化后的矩阵E′求出最大向量E′+与最小向量E′-：
E′+＝(max{V1′，V2′，...，Vi′，...，Vn′}，max{I1′，I2′，...，Ii′，...，In′}，max{x1′，x2′，...，xi′，...，xn′})
E′-＝(min{V1′，V2′，…，Vi′，...，Vn′}，min{I1′，I2′，...，Ii′，...，In′}，min{x1′，x2′，...，xi′，...，xn′})
其中，E′+为最大向量，E′-为最小向量，Vi′为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果，Ii′为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果，xi′为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果，max表示最大化处理，min表示最小化处理；
步骤2中，第i台录波器正向化后的数据分别与最大向量E′+与最小向量E′-作差：
Ai＝(Vi′ Ii′ xi′)-E′+
Bi＝(Vi′ Ii′ xi′)-E′-
Ai＝(ai1 ai2 ai3)
Bi＝(bi1 bi2 bi3)
其中，E′+为最大向量，E′-为最小向量，Vi′为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果，Ii′为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果，xi′为录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果，Ai和Bi为作差后所得到的向量，ai1为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最大值之差，ai2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最大值之差，ai3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最大值之差，bi1第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最小值之差，bi2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最小值之差，bi3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最小值之差；
其中，mi代表第i台录波器记录数据的可信度，aij为作差后所得向量Ai的元素，ai1为第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最大值之差，ai2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最大值之差，ai3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最大值之差，bij为作差后所得向量Bi的元素，bi1第i台录波器t＝0时刻电压瞬时值经正向化处理后的结果与n台录波器t＝0时刻电压瞬时值经正向化处理后的结果中最小值之差，bi2为第i台录波器t＝0时刻电流瞬时值经正向化处理后的结果与n台录波器t＝0时刻电流瞬时值经正向化处理后的结果中最小值之差，bi3为第i台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果与n台录波器在架空线路上安装点与故障点之间的距离正向化处理后的结果中最小值之差。
5.根据权利要求4所述的架空输电线路故障诊断方法，其特征在于：
步骤3所述根据可信度判据给录波数据分配的权值表示为：
D＝(D1，D2，...，Di，...，Dn)
其中，Di表示第i台录波器记录的录波数据的权值；
步骤3中，根据可信度判据分配录波数据权值集合：
其中，Di表示第i台录波器记录的录波数据的权值，mj代表第j台录波器记录数据的可信度，n表示录波器的总台数。
6.根据权利要求5所述的架空输电线路故障诊断方法，其特征在于：
步骤4所述历史记录的分布式故障录波数据进行加权处理得到历史记录的融合波形数据为：
其中，S代表数据加权处理得到的融合波形数据，Di表示第i台录波器记录的录波数据的权值，si表示i台录波器所记录的样本。
7.根据权利要求6所述的架空输电线路故障诊断方法，其特征在于：
步骤5所述提取故障特征量的具体步骤为：
根据所得到的融合波形数据，由融合波形数据可直接获得波头时间和波尾时间，并且通过等效电路法计算融合波形数据对应的接地电阻，对融合波形数据进行傅里叶分解获取其各次谐波含量以及其它电气特征量，提取得到的故障特征量表示为：
其中，T1和T2分别表示融合波形数据的波头时间和波尾时间，R表示融合波形数据对应的接地电阻，代表融合波形数据进行傅里叶分解所获得的频谱，Γj(S)表示由融合波形数据所提取到的第j种特征量，p-1表示由融合波形数据所提取到的特征量种数。
8.根据权利要求7所述的架空输电线路故障诊断方法，其特征在于：
步骤6所述利用随机森林算法构建故障特征量与输电线路故障类型之间的诊断模型，诊断模型里体现了不同类型故障的故障特征量集合Γ与故障类型label的映射关系，k条不同类型故障的故障特征量集合与故障类型构成有源数据矩阵：
其中，SS为不同类型故障的故障特征量集合与故障类型构成的有源数据矩阵，T1(i)、T2(i)、R(i)、分别为第i条数据的故障特征量的波头时间、波尾时间、融合波形数据对应的接地电阻、融合波形数据进行傅里叶分解所获得的频谱，Γj(S)(i)表示第i条数据所提取到的第j种特征量，p-1表示由融合波形数据所提取到的特征量种数，label(i)为第i条数据的故障类型；
其中定义：
其中，ΓΓ为k条故障的故障特征量构成的矩阵，T1(i)、T2(i)、R(i)、分别为第i条数据的故障特征量的波头时间、波尾时间、融合波形数据对应的接地电阻、融合波形数据进行傅里叶分解所获得的频谱，Γj(S)(i)表示第i条数据所提取到的第j种特征量，p-1表示由融合波形数据所提取到的特征量种数，llabel为k个故障类型构成的矩阵，label(i)为第i条数据的故障类型，p-1表示故障特征量的种类数；
步骤6中，由SS随机生成P个子矩阵ss1、ss2、…、ssi、…、ssP
其中，ssi表示随机生成的第i个子矩阵，ΓΓ为k条故障的故障特征量构成的矩阵，llabel为k个故障类型构成的矩阵，r(ΓΓ)m×(q-1)为故障特征量集合的子矩阵，γ(llabel)m×1为故障类型矩阵llabel的子矩阵，表示分块矩阵的数学符号，把这个矩阵分成左右两个矩阵；
上式中，k、p、m和q满足约束条件：
其中，k代表历史记录的不同类型故障的故障特征量集合与故障类型的条数，p-1为故障特征量的种类数，m代表从k条历史记录的不同类型故障的故障特征量集合与故障类型随机抽样的条数，q-1代表从p-1种故障特征量随机抽样的故障特征量的种类数；
步骤6中，通过这P个子集进行随机森林训练得到P个决策树；
步骤6中，将历史故障录波数据按照步骤2-5进行数据处理，将处理后的数据投入到随机森林的P个树中，得到P个故障类型结果，计数何种故障类型的数目最多，就将此故障类型作为最后的预测结果。
9.根据权利要求8所述的架空输电线路故障诊断方法，其特征在于：
步骤7所述获得的实时分布式故障录波样本表示为：
其中，si为故障发生后一段时间内第i台录波器所实时记录的样本，为n台故障录波器所实时记录的分布式故障录波样本；
根据行波折反射网络图确定不同分布式故障录波器距离故障点的距离得到：
Data＝((s1，x1)，(s2，x2)，...，(si，xi)，...，(sn，xn))
其中，si为故障发生后一段时间内第i台录波器所实时记录的样本，xi为第i台录波器在架空线路上安装点与故障点之间的距离，为n台故障录波器所实时记录的分布式故障录波样本；
步骤8中，将n台故障录波器所实时记录的分布式故障录波样本通过步骤2的方法处理得到不同录波器记录数据的可信度；
步骤8中，不同录波器记录数据的可信度通过步骤3的方法处理得到不同录波器的权值；
步骤8中，进一步，基于不同录波器分配到的不同权值通过步骤4的方法处理得到实时记录的融合波形数据；
步骤8中，故障类型的区分步骤为，由所提取得到的故障特征量集合Γ，根据已构建的随机森林模型中的不同类型故障的故障特征量集合Γ与故障类型label的映射关系，得到该故障的类型。
10.一种计算机可读介质，其特征在于，其存储电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行如权利要求1-9任一项所述方法的步骤。
CN202310427627.4A 2023-04-20 2023-04-20 一种架空输电线路故障诊断方法及计算机可读介质 Pending CN116644361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310427627.4A CN116644361A (zh) 2023-04-20 2023-04-20 一种架空输电线路故障诊断方法及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310427627.4A CN116644361A (zh) 2023-04-20 2023-04-20 一种架空输电线路故障诊断方法及计算机可读介质

Publications (1)

Publication Number Publication Date
CN116644361A true CN116644361A (zh) 2023-08-25

Family

ID=87623730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310427627.4A Pending CN116644361A (zh) 2023-04-20 2023-04-20 一种架空输电线路故障诊断方法及计算机可读介质

Country Status (1)

Country Link
CN (1) CN116644361A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117216485A (zh) * 2023-11-09 2023-12-12 国网山东省电力公司电力科学研究院 一种基于客观赋权的输电录波鸟害故障判别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117216485A (zh) * 2023-11-09 2023-12-12 国网山东省电力公司电力科学研究院 一种基于客观赋权的输电录波鸟害故障判别方法及系统
CN117216485B (zh) * 2023-11-09 2024-01-30 国网山东省电力公司电力科学研究院 一种基于客观赋权的输电录波鸟害故障判别方法及系统

Similar Documents

Publication Publication Date Title
CN115170000B (zh) 一种基于电能表通信模块的远程监测方法及系统
CN109858140B (zh) 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法
CN105974265A (zh) 一种基于svm分类技术的电网故障原因诊断方法
CN113156917A (zh) 基于人工智能的电网设备故障诊断方法及系统
CN112462736B (zh) 一种基于数据分析的风电机组故障诊断方法
CN111669123B (zh) 用于对光伏组串进行故障诊断的方法和装置
CN112085621B (zh) 一种基于K-Means-HMM模型的分布式光伏电站故障预警算法
CN116614177B (zh) 一种光纤状态多维度参量监测系统
CN112069930A (zh) 提升gis设备故障诊断准确率的振动信号处理方法及装置
CN113486291B (zh) 一种基于深度学习的石油钻机微电网故障预测方法
CN110794254B (zh) 一种基于强化学习的配电网故障预测方法及系统
CN116644361A (zh) 一种架空输电线路故障诊断方法及计算机可读介质
CN113360555A (zh) 一种基于电网二次设备大数据的故障诊断分析方法及系统
CN115877068A (zh) 基于深度学习的区域电网的电压暂降传播轨迹识别方法
CN115017828A (zh) 基于双向长短时记忆网络的电力电缆故障识别方法及系统
CN118036819A (zh) 环境因素对配电网运行的影响和设备检修系统及方法
CN111143835A (zh) 基于机器学习的电力计量系统业务逻辑非侵入式防护方法
CN116381493A (zh) 一种电池组故障检测方法、系统、电子设备及存储介质
CN115587016A (zh) 一种电力设备运行分析方法
CN115684835B (zh) 配电网故障诊断方法、装置、设备及存储介质
CN114217168B (zh) 基于录波数据最优特征选取的输电线路故障高效诊断方法
CN114139753A (zh) 一种用于配电网的故障预测方法
CN115955011A (zh) 一种基于数字孪生的交改直线路参数确定方法
CN117394537A (zh) 一种配电线路数字运维系统
Zhou et al. Binary Tree Algorithm-based Fault Location Method for Tripping in Ultra-high Voltage Substations

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