CN116975766A - 一种基于机器学习的配电网故障自愈方法和系统 - Google Patents
一种基于机器学习的配电网故障自愈方法和系统 Download PDFInfo
- Publication number
- CN116975766A CN116975766A CN202310961391.2A CN202310961391A CN116975766A CN 116975766 A CN116975766 A CN 116975766A CN 202310961391 A CN202310961391 A CN 202310961391A CN 116975766 A CN116975766 A CN 116975766A
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- fault
- distribution network
- power distribution
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 15
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- 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
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种基于机器学习的配电网故障自愈方法和系统,属于配电网故障自愈技术领域。本发明通过采集故障发生前后配电网中若干线路信息和设备信息,并提取其中的主干线路信息,然后对主干线路信息进行标准化处理,以使不同的设备具有相同标准化的信息,然后利用线路上大量的标准化设备信息和故障点信息进行基于机器学习的故障识别模型训练,最后,当主干线路采用传统自愈方式复电失败后,利用故障识别模型所识别的故障点位置和相应的联络开关信息进行再次复电。本发明在传统自愈的基础上,采用基于机器学习得到的识别模型进行传统自愈复电失败的补充方案,提升了配电网故障自愈的可靠性。
Description
技术领域
本发明属于配电网故障自愈技术领域,具体涉及一种基于机器学习的配电网故障自愈方法和系统。
背景技术
配电网的自愈即利用自动化装置或系统,监视配电线路的运行状况,及时发现线路故障,诊断出故障区间并将故障区间隔离,恢复对非故障区间的供电。根据实现方法的不同,主要可分为集中控制型、就地控制型及主站就地协同式。主站集中型的优势明显,因此考虑建设改造成本及现场终端运维工作量,主站集中型和由主站综合分析转供方案的主站就地协同式已成为配网的主流自愈策略。
目前的配电网自愈方式主要是通过终端采故障信息,然后依据一定的逻辑判断,确定故障位置,最后确定故障恢复方案,从而实现故障自愈。由于配电终端普遍存在质量不高的问题,常常会出现信号漏发、误发,并且自愈策略逻辑固定,经常会出现信号不完整导致自愈动作失败。
发明内容
有鉴于此,本发明旨在解决现有配电网自愈方式由于配电终端质量不高,可能出现信号不完整导致自愈动作失败的问题。
为了解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供了一种基于机器学习的配电网故障自愈方法,包括如下步骤:
采集配电网故障前后设定时间段内的线路信息、设备运行信息以及联络开关信息;
基于配电网的线路信息提取配电网中待监测主干线路信息,并关联主干线路上设备的故障信息和联络开关信息;
将主干线路上收集到的信息进行标准化处理,得到主干线路上的关联设备,针对每个关联设备,将故障时收集到的所有故障信息标准化为设备之前的信息、设备自身的信息和设备之后的信息,关联设备为互相存在供电联系的设备;
以主干线路上的标准化后的关联设备信息为训练数据,对应的故障点信息为标签,进行基于机器学习的故障识别模型训练;
响应于当前主干线路复电失败信号,基于故障识别模型所识别的故障点位置和相应的联络开关信息进行再次复电。
进一步的,设备运行信息具体包括:
设备的告警信息、遥测信息、位置信息和录波信息。
进一步的,将主干线路上收集到的信息进行标准化处理,具体包括:
对主干线路上的所有设备按照所处位置进行划分,针对每个设备,得到相关联的前后设备;
对关联设备的运行信息进行预处理,针对每个设备,得到设备本身、设备之前的信息和设备之后的信息;
根据故障点发生在设备前后的情况得到故障点信息。
进一步的,关联设备具体包括:
当前设备的上游设备和当前设备的下游设备,其中,上游设备是指当其分开时会影响到当前设备的带电状态的设备,下游设备是指与当前设备分开时会影响到其带电状态的设备。
进一步的,预处理具体包括:
针对每个设备,提取设备前后的告警信息、遥测信息、位置信息和录波信息中部分或者全部,当时告警信息出现重复时,进行去重,当告警信息出现冲突时,根据冲突的权重或者相互抵消进行取舍,对于遥测信息采取平均值,对于录波信息转换为过流信息进行处理。
进一步的,故障识别模型识别故障点位置,具体为:
利用训练好的故障识别模型识别当前主干线路的故障点位置在某个设备之后的概率,当概率超过设定阈值时判断发生故障,此时,得到故障点位置。
进一步的,当进行再次复电时,若存在多个复电联络开关时,选取负荷最低的联络开关进行复电。
第二方面,本发明提供了一种基于机器学习的配电网故障自愈系统,包括:
信息采集单元,用于采集配电网故障前后设定时间段内的线路信息、设备运行信息以及联络开关信息;
信息提取单元,用于基于配电网的线路信息提取配电网中待监测主干线路信息,并关联主干线路上设备的故障信息和联络开关信息;
信息处理单元,用于将主干线路上收集到的信息进行标准化处理,得到主干线路上的关联设备,针对每个关联设备,将故障时收集到的所有故障信息标准化为设备之前的信息、设备自身的信息和设备之后的信息,关联设备为互相存在供电联系的设备;
模型训练单元,用于以主干线路上的标准化后的关联设备信息为训练数据,对应的故障点信息为标签,进行基于机器学习的故障识别模型训练;
备用复电单元,响应于当前主干线路复电失败信号,用于基于故障识别模型所识别的故障点位置和相应的联络开关信息进行再次复电。
第三方面,本发明提供了一种基于机器学习的配电网故障自愈设备,设备包括处理器以及存储器:
存储器用于存储计算机程序,并将计算机程序的指令发送至处理器;
处理器根据计算机程序的指令执行如第一方面的一种基于机器学习的配电网故障自愈方法。
第四方面,本发明提供了一种计算机存储介质,计算机存储介质上存储有计算机程序,计算机程序被处理器执行时实现如第一方面的一种基于机器学习的配电网故障自愈方法。
综上,本发明提供了一种基于机器学习的配电网故障自愈方法和系统,通过采集故障发生前后配电网中若干线路信息和设备信息,并提取其中的主干线路信息,然后对主干线路信息进行标准化处理,以使不同的设备具有相同标准化的信息,然后利用线路上大量的标准化设备信息和故障点信息进行基于机器学习的故障识别模型训练,最后,当主干线路采用传统自愈方式复电失败后,利用故障识别模型所识别的故障点位置和相应的联络开关信息进行再次复电。本发明在传统自愈的基础上,采用基于机器学习得到的识别模型进行传统自愈复电失败的补充方案,提升了配电网故障自愈的可靠性。
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为本发明实施例提供的一种基于机器学习的配电网故障自愈方法的流程图。
具体实施方式
为使得本发明的目的、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,本发明实施例提供一种基于机器学习的配电网故障自愈方法,包括如下步骤:
S1:采集配电网故障前后设定时间段内的线路信息、设备运行信息以及联络开关信息。
需要说明的是,传统的配电网故障自愈是通过对配电网中单一终端及其相邻终端的信息进行综合分析判断,从而实现故障区段的快速定位并完成故障隔离。但是,由于部分地区配电终端普遍存在质量不高的问题,常常会出现信号漏发、误发,并且自愈策略逻辑固定,经常会出现信号不完整导致自愈动作失败。因此,本实施例中,采集配电网中更为多样、全面的信息,以为后续线路故障点的识别提供可靠的数据信息。
S2:基于配电网的线路信息提取配电网中待监测主干线路信息,并关联主干线路上设备的故障信息和联络开关信息。
由于配电网都存在一定的拓扑结构的,不同位置故障,影响的供电范围都不一样,故障恢复方案也不一样,并不是所有的故障都存在可转供电(复电)方案。配电网故障按照位置可分为主干线路故障和支路故障,对于支路故障一般无可转供电方案,对于主干线路故障,一般存在转供电方案。
因此,在前述采集配电网各项信息的基础上,需要进一步得到主干线路的相关信息。对于主干线路信息,可以在单线图拓扑结构的基础上,采用枝叶裁剪法得到主干线路图信息。通过主干线路可以得到主干线路上的设备,然后通过主干线路设备,得到规定时间内设备的相关信息。另外,通过主干线路图信息也可以得到主干线路相关的联络开关。
S3:将主干线路上收集到的信息进行标准化处理,得到主干线路上的关联设备,针对每个关联设备,将故障时收集到的所有故障信息标准化为设备之前的信息、设备自身的信息和设备之后的信息,关联设备为互相存在供电联系的设备。
S4:以主干线路上的标准化后的关联设备信息为训练数据,对应的故障点信息为标签,进行基于机器学习的故障识别模型训练。
机器学习是基于给定带有标签的训练数据,学习一个从输入变量X到输入变量Y的函数映射。在本实施例中,以从配电网主干线路获取的若干设备信息为训练数据,以故障点是否发生在某个设备之后作为标签值,训练一个故障识别模型。对于一个故障就可以生成多个模型训练样本,对于模型的训练方法,这里不做限定。可以采用逻辑回归,神经网络等等方法进行训练。
S5:响应于当前主干线路复电失败信号,基于故障识别模型所识别的故障点位置和相应的联络开关信息进行再次复电。
需要说明的是,此故障恢复方案,由于需要收集到的信息比较多,相对传统的逻辑判断自愈方式可能会慢一些,但是在实际应用中可以作为传统逻辑自愈方式的补充。对于当前主干线路(即待监测主干线路),此自愈方式可以和传统自愈同时启动分析,由传统自愈方式进行优先复电,当传统自愈方式复电失败时,则采用此自愈方式作为补充。
该种自愈方案无需用户进行自愈参数维护,部署后不影响用户原来的自愈策略。
本实施例提供一种基于机器学习的配电网故障自愈方法,通过采集故障发生前后配电网中若干线路信息和设备信息,并提取其中的主干线路信息,然后对主干线路信息进行标准化处理,以使不同的设备具有相同标准化的信息,然后利用线路上大量的标准化设备信息和故障点信息进行基于机器学习的故障识别模型训练,最后,当主干线路采用传统自愈方式复电失败后,利用故障识别模型所识别的故障点位置和相应的联络开关信息进行再次复电。本发明在传统自愈的基础上,采用基于机器学习得到的识别模型进行传统自愈复电失败的补充方案,提升了配电网故障自愈的可靠性。
在本发明的一个实施例中,对于机器学习样本,主要收集包括故障前后一段时间内的单线图拓扑结构、单线图线路参数、单线图上各个设备的属性(包括主干线路设备/支路设备)、各个设备的告警信息(如保护动作、过流信号、闭锁信号等)、遥测信息(即有功、无功、电流等)、位置信息(即开关的分合状态)、录波信息(录波信息可以分析出当前设备是否存在过流信号,故障的大致位置等)以及联络开关信息,还需要收集故障点的位置或者故障点前后的主干线路设备、复电联络开关。
由于前述实施例中所获取的相关线路信息和设备信息是主干线路上的所有设备的信息。不同的主干图的,可能会需要不同的训练数据,为了减少训练需要的数据集,需要对数据进行标准化:
1、对主干线上所有的设备进行划分:按照设备所处的位置,以每一个设备为核心,对主干图上的所有设备进行分类,得到当前设备本身、当前设备的上游设备(即当某个设备分开时,会影响到本设备的供电状态)和当前设备的下游设备(即当本设备分开时,会影响到的供电设备),由于配电网环网运行的情况比较少,对于环网运行的情况不作考虑。
2、对设备的特征进行划分:设备本身的特征值、当前设备的上游设备特征值,由于当前设备的上游设备有多个,可能存在多个重复的告警信号特征值,取其中一个;对于遥测或者遥信信息,可以采取取平均值的方式,对于录波信息,可以转换为过流信息,对于设备下游的设备也按照该种方式处理。
3、标签值:将故障点是否在设备本身下游的布尔值作为标签值。
以上是对本发明的一种基于机器学习的配电网故障自愈方法的实施例进行的详细介绍,以下将对本发明的一种基于机器学习的配电网故障自愈系统及其它相关装置的实施例进行详细的介绍。
本实施例提供一种基于机器学习的配电网故障自愈系统,包括:
信息采集单元,用于采集配电网故障前后设定时间段内的线路信息、设备运行信息以及联络开关信息;
信息提取单元,基于配电网的线路信息提取配电网中待监测主干线路信息,并关联主干线路上设备的故障信息和联络开关信息;
信息处理单元,用于将主干线路上收集到的信息进行标准化处理,得到主干线路上的关联设备,针对每个关联设备,将故障时收集到的所有故障信息标准化为设备之前的信息、设备自身的信息和设备之后的信息,关联设备为互相存在供电联系的设备;
模型训练单元,用于以主干线路上的标准化后的关联设备信息为训练数据,对应的故障点信息为标签,进行基于机器学习的故障识别模型训练;
备用复电单元,响应于当前主干线路复电失败信号,用于基于故障识别模型所识别的故障点位置和相应的联络开关信息进行再次复电。
在本发明的另一个实施例中,提供了一种基于机器学习的配电网故障自愈设备,设备包括处理器以及存储器:
存储器用于存储计算机程序,并将计算机程序的指令发送至处理器;
处理器根据计算机程序的指令执行如前述实施例提供的一种基于机器学习的配电网故障自愈方法。
在本发明的另一个实施例中,提供了一种计算机存储介质,计算机存储介质上存储有计算机程序,计算机程序被处理器执行时实现如前述实施例提供的一种基于机器学习的配电网故障自愈方法。
需要说明的是,上述实施例提供的配电网故障自愈系统用于实现前述实施例提供的配电网故障自愈方法,各单元的具体设置均以互相配合完整实现该方法为准,在此不再赘述。
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 (10)
1.一种基于机器学习的配电网故障自愈方法,其特征在于,包括如下步骤:
采集配电网故障前后设定时间段内的线路信息、设备运行信息以及联络开关信息;
基于配电网的所述线路信息提取配电网中待监测主干线路信息,并关联主干线路上设备的故障信息和所述联络开关信息;
将主干线路上收集到的信息进行标准化处理,得到主干线路上的关联设备,针对每个关联设备,将故障时收集到的所有故障信息标准化为设备之前的信息、设备自身的信息和设备之后的信息,所述关联设备为互相存在供电联系的设备;
以主干线路上的标准化后的关联设备信息为训练数据,对应的故障点信息为标签,进行基于机器学习的故障识别模型训练;
响应于当前主干线路复电失败信号,基于所述故障识别模型所识别的故障点位置和相应的联络开关信息进行再次复电。
2.根据权利要求1所述的基于机器学习的配电网故障自愈方法,其特征在于,所述设备运行信息具体包括:
设备的告警信息、遥测信息、位置信息和录波信息。
3.根据权利要求2所述的基于机器学习的配电网故障自愈方法,其特征在于,将主干线路上收集到的信息进行标准化处理,具体包括:
对主干线路上的所有设备按照所处位置进行划分,针对每个设备,得到相关联的前后设备;
对所述关联设备的运行信息进行预处理,针对每个设备,得到设备本身、设备之前的信息和设备之后的信息;
根据故障点发生在设备前后的情况得到所述故障点信息。
4.根据权利要求3所述的基于机器学习的配电网故障自愈方法,其特征在于,所述关联设备具体包括:
当前设备的上游设备和当前设备的下游设备,其中,所述上游设备是指当其分开时会影响到当前设备的带电状态的设备,下游设备是指与当前设备分开时会影响到其带电状态的设备。
5.根据权利要求3所述的基于机器学习的配电网故障自愈方法,其特征在于,所述预处理具体包括:
针对每个设备,提取设备前后的告警信息、遥测信息、位置信息和录波信息中部分或者全部,当时所述告警信息出现重复时,进行去重,当告警信息出现冲突时,根据冲突的权重或者相互抵消进行取舍,对于遥测信息采取平均值,对于录波信息转换为过流信息进行处理。
6.根据权利要求1所述的基于机器学习的配电网故障自愈方法,其特征在于,所述故障识别模型识别故障点位置,具体为:
利用训练好的所述故障识别模型识别所述当前主干线路的故障点位置在某个设备之后的概率,当概率超过设定阈值时判断发生故障,此时,得到所述故障点位置。
7.根据权利要求1所述的基于机器学习的配电网故障自愈方法,其特征在于,当进行再次复电时,若存在多个复电联络开关时,选取负荷最低的联络开关进行复电。
8.一种基于机器学习的配电网故障自愈系统,其特征在于,包括:
信息采集单元,用于采集配电网故障前后设定时间段内的线路信息、设备运行信息以及联络开关信息;
信息提取单元,用于基于配电网的所述线路信息提取配电网中待监测主干线路信息,并关联主干线路上设备的故障信息和所述联络开关信息;
信息处理单元,用于将主干线路上收集到的信息进行标准化处理,得到主干线路上的关联设备,针对每个关联设备,将故障时收集到的所有故障信息标准化为设备之前的信息、设备自身的信息和设备之后的信息,所述关联设备为互相存在供电联系的设备;
模型训练单元,用于以主干线路上的标准化后的关联设备信息为训练数据,对应的故障点信息为标签,进行基于机器学习的故障识别模型训练;
备用复电单元,响应于当前主干线路复电失败信号,用于基于所述故障识别模型所识别的故障点位置和相应的联络开关信息进行再次复电。
9.一种基于机器学习的配电网故障自愈设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序,并将所述计算机程序的指令发送至处理器;
所述处理器根据所述计算机程序的指令执行如权利要求1-7中任一项所述的一种基于机器学习的配电网故障自愈方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于机器学习的配电网故障自愈方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961391.2A CN116975766A (zh) | 2023-08-01 | 2023-08-01 | 一种基于机器学习的配电网故障自愈方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961391.2A CN116975766A (zh) | 2023-08-01 | 2023-08-01 | 一种基于机器学习的配电网故障自愈方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116975766A true CN116975766A (zh) | 2023-10-31 |
Family
ID=88480974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310961391.2A Pending CN116975766A (zh) | 2023-08-01 | 2023-08-01 | 一种基于机器学习的配电网故障自愈方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975766A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117791597A (zh) * | 2024-02-23 | 2024-03-29 | 广东电网有限责任公司广州供电局 | 基于机器学习的配电网故障自愈方法和系统 |
-
2023
- 2023-08-01 CN CN202310961391.2A patent/CN116975766A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117791597A (zh) * | 2024-02-23 | 2024-03-29 | 广东电网有限责任公司广州供电局 | 基于机器学习的配电网故障自愈方法和系统 |
CN117791597B (zh) * | 2024-02-23 | 2024-05-28 | 广东电网有限责任公司广州供电局 | 基于机器学习的配电网故障自愈方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109787979B (zh) | 一种电力网络事件和入侵的检测方法 | |
CN107994539A (zh) | 一种基于云服务器的配电线路故障检测系统 | |
CN116975766A (zh) | 一种基于机器学习的配电网故障自愈方法和系统 | |
CN110456234B (zh) | 故障电弧的检测方法、装置和系统 | |
GB2606284A (en) | Non-intrusive load monitoring method | |
CN103324128B (zh) | 电力调度自动化系统中一次设备故障告警综合压缩方法 | |
CN108919044B (zh) | 一种基于互校验机制的单元制配电网故障主动识别方法 | |
CN112485597A (zh) | 基于多源数据的电力系统输电线路故障诊断方法及系统 | |
CN111999605B (zh) | 基于故障相关性分析的配电网故障容错判定方法及装置 | |
CN107612148A (zh) | 配网架空线路故障自愈方法及系统 | |
CN111884347A (zh) | 多源电力信息融合的电力数据集中控制系统 | |
CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警系统 | |
CN112415330A (zh) | 一种基于广域信息的电网故障智能辨识方法及系统 | |
CN112419701A (zh) | 远动设备数据异常判断方法、装置、设备及存储介质 | |
CN111044846A (zh) | 一种复杂有源配电网容错性在线故障定位的概率评估方法 | |
CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
CN105634781B (zh) | 一种多故障数据解耦方法和装置 | |
CN111060780B (zh) | 一种配电网容错性在线故障定位的概率评估方法 | |
CN113437730A (zh) | 一种基于边缘网关系统的自适应拓扑变化配电网保护方法 | |
CN113644748A (zh) | 一种区域内变电站设备模拟监控系统及方法 | |
CN107563528A (zh) | 一种加强ems系统防御与快速愈合的智能运维系统 | |
CN104749493B (zh) | 基于规则树的电网故障设备分析推理方法 | |
CN117791597B (zh) | 基于机器学习的配电网故障自愈方法和系统 | |
CN117289144B (zh) | 一种故障定位方法、装置、设备、系统和介质 | |
Zhao et al. | Research on machine learning-based correlation analysis method for power equipment alarms |
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 |