CN117148044B - 基于人工智能的配电网故障定位方法及装置 - Google Patents
基于人工智能的配电网故障定位方法及装置 Download PDFInfo
- Publication number
- CN117148044B CN117148044B CN202311210847.8A CN202311210847A CN117148044B CN 117148044 B CN117148044 B CN 117148044B CN 202311210847 A CN202311210847 A CN 202311210847A CN 117148044 B CN117148044 B CN 117148044B
- Authority
- CN
- China
- Prior art keywords
- traveling wave
- fault
- distribution network
- power distribution
- branch
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G01R31/086—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于人工智能的配电网故障定位方法及装置,方法包括以下步骤:采集配电网各分支线末端的行波;根据各分支线末端的行波,获取初始行波的到达时间;对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性;根据行波在各分支线末端的传播特性,对行波波速进行预处理;根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵;根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果;根据所述判定结果,对配电网故障分支进行定位,得到故障位置。本发明通过获取初始行波到达时间和构建故障分支识别矩阵,更快速地完成了故障分支的定位,提高了故障定位的精确度和效率。
Description
技术领域
本发明涉及一种基于人工智能的配电网故障定位方法及装置,属于配电网故障定位技术领域。
背景技术
随着配电网的发展,其规模和复杂度不断增大,发生各种故障的概率也在提高。为了保证配电网的安全稳定运行,需要对发生故障的部位进行及时准确的定位和处理。传统的配电网故障定位方法有的主要依赖线路参数计算、传感器测量等手段,定位精度和速度较难满足要求。
近年来,配电网故障定位技术取得了长足发展。基于行波理论的故障定位方法成为热点,行波法定位是根据波在传输线路上波阻抗不连续节点的反射特性来确定故障点的距离,该方法利用行波传播特性反映故障信息的原理进行定位。但现有行波法定位方法可能对行波的提取和处理存在局限,难以准确获取行波在故障前后各分支线的传播特性,从而影响最后的故障定位精度。
针对上述问题,本本发明提出了一种基于人工智能的配电网故障定位措施。
发明内容
为了解决上述问题,本发明提出了一种基于人工智能的配电网故障定位方法及装置,能够获取行波的到达时间和构建故障分支识别矩阵,更快速地完成对故障分支的精确定位。
本发明解决其技术问题采取的技术方案是:
第一方面,本发明实施例提供的一种基于人工智能的配电网故障定位方法,包括以下步骤:
采集配电网各分支线末端的行波;
根据各分支线末端的行波,获取初始行波的到达时间;
对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性;
根据行波在各分支线末端的传播特性,对行波波速进行预处理;
根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵;
根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果;
根据所述判定结果,对配电网故障分支进行定位,得到故障位置。
作为本实施例一种可能的实现方式,所述采集配电网各分支线末端的行波,包括:
在配电网的各个分支线的末端安装行波检测设备Dx,x=1,2,…,y;Dx表示第x个分支线末端安装的行波检测设备,y为分支线总数;
通过行波检测设备进行监测:Sx=wx×Dx,采集原始行波信号,其中,Sx表示第x个分支线末端检测到的原始行波信号,wx表示该检测设备的可靠性权重;
对原始行波信号进行初步处理:Sx′=f(wx′×Sx),得到预处理行波信号,其中,Sx′表示预处理后得到的行波信号,f表示预处理函数,wx′表示预处理函数对第x个分支线信号的处理权重;
将预处理行波信号储存或传输至中央数据处理中心。
作为本实施例一种可能的实现方式,在将预处理行波信号储存或传输至中央数据处理中心过程中,
通过C={w″1×S′1,w″2×S′2,…,w″y×S′y}传输预处理信号,其中,C表示中央数据处理中心,wx″表示传输第x个分支线信号Sx′的优先级权重;
通过S=w1′×S1′+w2′×S2′+…+wy′×Sy′进行中央数据处理中心的信号融合,其中,S表示融合后的信号,wx′表示第x个分支线信号Sx′的融合权重。
作为本实施例一种可能的实现方式,所述根据各分支线末端的行波,获取初始行波的到达时间,包括:
根据配电网属性确定触发参数:根据将拓扑结构分为m个区域,每个区域确定触发参数,其中i=1,2,…,m;j=1,2,…,mi;mi是第i个区域的线路数,ωij,ηij,ζij是权重系数,Pi为触发参数,表示配电网某区域i的综合触发特征量;Uij表示配电网中第i个区域、第j条线路的电压;Iij表示配电网中第i个区域、第j条线路的电流;Rij表示配电网中第i个区域、第j条线路的电阻,其中,i表示配电网的第i个区域,j表示该区域中的第j条供电线路;
根据所述触发参数:Ti(t)=αTi(t-1)+(1-α)(kiPi(t)+bi),确定触发阈值Ti,当触发参数≥触发阈值时,则开始采集行波信号,其中α是平滑系数,ki,bi为该区域的线性系数,Ti表示配电网区域i需要达到的触发条件数值,t为时间;
根据t0i=t∣当Pi(t)≥Ti(t)且SNRi(t)≥SNRmin时,记录开始采集行波信号的时间,并将开始采集行波信号的时间作为初始到达时间,t0i表示区域i的初始行波到达时间,记录区域i开始采集行波的时刻;SNRi表示区域i的信噪比,表示区域i采集信号的质量;
持续采集行波信号,直至行波信号结束或达到预设的采集时间为止,采集每个区域的全部线路信号之和,Si(t)表示区域i采集的行波信号,表示随时间变化的行波信号。
作为本实施例一种可能的实现方式,所述对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性,包括:
收集非故障区域的冗余行波信息:RWAi={rwai1,rwai2,…,rwaini},i=1,2,…,n;n为非故障区域数,ni为第i非故障区域的线路数,RWAi表示第i个非故障区域收集的冗余行波信息;rwaij表示区域i的第j条线路上的冗余行波,j=1,2,…,ni;
对所述冗余行波信息进行预处理,得到预处理冗余行波信息:RWAi′={f(rwai1),f(rwai2),…,f(rwaini)},f为冗余行波预处理函数,RWA'i表示区域i预处理后的冗余行波信息;
提取所述预处理冗余行波信息的行波特性:Fijk=g(rwa′ijk),i=1,2,…,n;j=1,2,…,ni;k=1,2,…,ni;g为特征提取函数;Fijk表示区域i线路j的第k个行波特征;
对提取的行波特性进行数据分析,获取冗余行波数据中的共同特性和差异:[Com,Dif]=h(F),h为分析函数;
根据冗余行波数据中的共同特性和差异,确定行波的传播特性:Pro=q([Com,Dif]);Com为冗余行波的共性;Dif为冗余行波的差异;Pro为确定的行波传播特性;q为确定传播特性的函数。
作为本实施例一种可能的实现方式,所述传播特性包括传播速度、衰减率、反射和折射。
作为本实施例一种可能的实现方式,所述根据行波在各分支线末端的传播特性,对行波波速进行预处理,包括:
根据行波传播特性,提取行波在各分支线末端的波速数据;
对提取的波速数据进行波速数据预处理得到预处理数据;
对预处理数据进行分析,得到预处理波速。
作为本实施例一种可能的实现方式,所述根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵,包括:
根据预处理后的行波波速和各分支线的长度,计算行波在各分支线上的传播时间;
根据初始行波的到达时间和所述传播时间,构建故障分支识别矩阵。
作为本实施例一种可能的实现方式,所述根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果,包括:
设定一个用于区分行波是否到达分支线末端的阈值;
依次遍历故障分支识别矩阵的每一分支线,对于每一分支线,检查分支线的元素值,如果分支线的元素中,有任一个元素值≥设定的阈值,则认为行波已经到达了分支线末端;如果一个分支线的行波到达时间>其他所有分支线,则为该分支线为故障分支。
第二方面,本发明实施例提供的一种基于人工智能的配电网故障定位装置,包括:
行波数据采集模块,用于采集配电网各分支线末端的行波;
初始行波到达时间获取模块,用于根据各分支线末端的行波,获取初始行波的到达时间;
行波传播特性确定模块,用于对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性;
波速预处理模块,用于根据行波在各分支线末端的传播特性,对行波波速进行预处理;
故障分支识别矩阵构建模块,用于根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵;
故障分支判定模块,用于根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果;
故障定位模块,用于根据所述判定结果,对配电网故障分支进行定位,得到故障位置。
本发明实施例的技术方案可以具有的有益效果如下:
本发明实施例的技术方案的一种基于人工智能的配电网故障定位方法,包括以下步骤:采集配电网各分支线末端的行波;根据各分支线末端的行波,获取初始行波的到达时间;对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性;根据行波在各分支线末端的传播特性,对行波波速进行预处理;根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵;根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果;根据所述判定结果,对配电网故障分支进行定位,得到故障位置。本发明提高了故障定位的精确度和效率。
本发明通过获取初始行波的到达时间、构建故障分支识别矩阵,更快速地完成对故障分支的定位,避免了传统方法中大量的手工计算和复杂的参数建模,可以更快速地完成对故障分支的定位。
本发明根据各分支线末端的行波传播特性,并对行波传播速度进行处理,构建识别矩阵进行判定,避免了行波提取和处理中存在的误差,从而提高了最终的故障定位精度。
本发明利用人工智能技术,通过行波的自动提取、传播特性分析、识别矩阵构建等实现了对故障分支的自动判定和定位,无需人工参与,提高了自动化程度。
本发明通过准确获取行波传播特性、构建识别矩阵等手段进行故障定位,降低了配电网故障定位的难度。
本发明故障定位方法的应用,可以帮助电力部门更快速和准确地定位故障,进行维护和处理,有利于提高配电网的可靠性和稳定性。
本发明实施例提供的一种基于人工智能的配电网故障定位装置,具有与一种基于人工智能的配电网故障定位方法同样的有益效果。
附图说明
图1是根据一示例性实施例示出的一种基于人工智能的配电网故障定位方法的流程图;
图2是根据一示例性实施例示出的一种基于人工智能的配电网故障定位装置的示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,本发明实施例提供的一种基于人工智能的配电网故障定位方法,包括以下步骤:
采集配电网各分支线末端的行波;
根据各分支线末端的行波,获取初始行波的到达时间;
对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性;
根据行波在各分支线末端的传播特性,对行波波速进行预处理;
根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵;
根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果;
根据所述判定结果,对配电网故障分支进行定位,得到故障位置。
作为本实施例一种可能的实现方式,所述采集配电网各分支线末端的行波,包括:
在配电网的各个分支线的末端安装行波检测设备Dx,x=1,2,…,y;Dx表示第x个分支线末端安装的行波检测设备,y为分支线总数;
通过行波检测设备进行监测:Sx=wx×Dx,采集原始行波信号,其中,Sx表示第x个分支线末端检测到的原始行波信号,wx表示该检测设备的可靠性权重;
对原始行波信号进行初步处理:Sx′=f(wx′×Sx),得到预处理行波信号,其中,Sx′表示预处理后得到的行波信号,f表示预处理函数,wx′表示预处理函数对第x个分支线信号的处理权重;
将预处理行波信号储存或传输至中央数据处理中心:
通过C={w1″×S11,w2″×S′2,…,wy″×S′y}传输预处理信号,其中,C表示中央数据处理中心,wx″表示传输第x个分支线信号Sx′的优先级权重;
通过S=w1′×S1′+w2′×S2′+…+wy′×Sy′进行中央数据处理中心的信号融合,其中,S表示融合后的信号,wx′表示第x个分支线信号Sx′的融合权重。
本发明通过在各分支线末端实时监测和获取行波信号;对获取的行波信号进行等初步处理,提高了行波信号质量;通过将各分支线末端的预处理行波信号传输到中央数据处理中心,实现了信号的集中化,便于进行统一分析和处理;中央数据处理中心利用各分支线信号进行多源数据融合,提高了故障定位的准确性;分布式获取行波信号,集中传输和处理,避免了大量数据的网络传输,提高了处理的效率,有利于构建配电网的智能化监控和管理;配电网各节点获取实时数据上报的模式,有利于构建配电网的数字化、信息化监控和管理平台;获取的高质量行波数据,为构建故障识别矩阵、波速处理等故障定位算法提供了可靠的原始数据支持;总体来说,该行波获取模式有利于提高后续故障定位的精确度和效率。
作为本实施例一种可能的实现方式,所述根据各分支线末端的行波,获取初始行波的到达时间,包括:
根据配电网属性确定触发参数:根据将拓扑结构分为m个区域,每个区域确定触发参数,其中i=1,2,…,m;j=1,2,…,mi;mi是第i个区域的线路数,ωij,ηij,ζij是权重系数,Pi为触发参数,表示配电网某区域i的综合触发特征量;Uij表示配电网中第i个区域、第j条线路的电压;Iij表示配电网中第i个区域、第j条线路的电流;Rij表示配电网中第i个区域、第j条线路的电阻,其中,i表示配电网的第i个区域,j表示该区域中的第j条供电线路;
根据所述触发参数:Ti(t)=αTi(t-1)+(1-α)(kiPi(t)+bi),确定触发阈值Ti,当上述触发参数≥触发阈值时,则开始采集行波信号,其中α是平滑系数,ki,bi为该区域的线性系数,Ti表示配电网区域i需要达到的触发条件数值,t为时间;
根据t0i=t∣当Pi(t)≥Ti(t)且SNRi(t)≥SNRmin时,记录开始采集行波信号的时间,并将开始采集行波信号的时间作为初始到达时间,t0i表示区域i的初始行波到达时间,记录区域i开始采集行波的时刻;SNRi表示区域i的信噪比,表示区域i采集信号的质量;
持续采集行波信号,直至行波信号结束或达到预设的采集时间为止,采集每个区域的全部线路信号之和,Si(t)表示区域i采集的行波信号,表示随时间变化的行波信号。
本发明根据配电网属性确定触发参数,选择配电网参数中对行波信号影响显著、变化明显的特征作为触发参数,提高了数据采集效果;合理设置触发阈值,避免了漏采集或误采集行波信号,提高了有效信号采集率;准确记录初始行波到达时间,初始行波到达时间直接影响到行波传播时间的计算,记录准确有利于提高传播特性分析的精度;完整采集行波信号,采集完整的行波过程,可以还原行波的详细传播特性,提供更丰富的分析数据。综上,本发明提高了行波信号有效采集率,记录准确初始到达时间,并采集完整的行波过程,有利于后续获取更精准的行波传播特性,提高故障定位的效果。
作为本实施例一种可能的实现方式,所述对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性,包括:
收集非故障区域的冗余行波信息:RWAi={rwai1,rwai2,…,rwaini},i=1,2,…,n;n为非故障区域数,ni为第i非故障区域的线路数,RWAi表示第i个非故障区域收集的冗余行波信息;rwaij表示区域i的第j条线路上的冗余行波,j=1,2,…,ni;
对所述冗余行波信息进行预处理,得到预处理冗余行波信息:RWAi′={f(rwai1),f(rwai2),…,f(rwaini)},f为冗余行波预处理函数,RWA'i表示区域i预处理后的冗余行波信息;
提取所述预处理冗余行波信息的行波特性:Fijk=g(rwa′ijk),i=1,2,…,n;j=1,2,…,ni;k=1,2,…,ni;g为特征提取函数;Fijk表示区域i线路j的第k个行波特征;
对提取的行波特性进行数据分析,获取冗余行波数据中的共同特性和差异:[Com,Dif]=h(F),h为分析函数;
根据冗余行波数据中的共同特性和差异,确定行波的传播特性:Pro=q([Com,Dif]);Com为冗余行波的共性;Dif为冗余行波的差异;Pro为确定的行波传播特性;q为确定传播特性的函数。
作为本实施例一种可能的实现方式,所述传播特性包括传播速度、衰减率、反射和折射。
本发明提取反映传播特性的特征参数,分析在不同线路上的共性反映传播规律,差异反映线路影响,根据分析总结行波在配电网中的传播特性;本发明从数据收集到分析总结,有助于准确获得行波在配电网中的传播特性。
作为本实施例一种可能的实现方式,所述根据行波在各分支线末端的传播特性,对行波波速进行预处理,包括:
根据行波传播特性,提取行波在各分支线末端的波速数据;
对提取的波速数据进行波速数据预处理得到预处理数据;
对预处理数据进行分析,得到预处理波速。
本发明提取波速数据,根据传播特性,可以有针对性地提取波速,获得关键参数;预处理波速数据,对提取的波速数据进行处理,提高了数据质量,消除噪声影响;分析得到预处理波速,通过分析预处理后的数据,可以获得反映实际传播情况的波速。
作为本实施例一种可能的实现方式,所述根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵,包括:
根据预处理后的行波波速和各分支线的长度,计算行波在各分支线上的传播时间;
根据初始行波的到达时间和所述传播时间,构建故障分支识别矩阵。
本发明方根据预处理后的行波波速和各分支线的长度,计算行波在各分支线上的传播时间,获得行波到达各分支线末端的准确时间,为计算传播时间提供依据;计算传播时间,根据预处理波速和线路长度,计算行波在各线路上的理论传播时间;构建识别矩阵,将到达时间和传播时间构建成矩阵,通过其差值大小可以识别故障分支。
作为本实施例一种可能的实现方式,所述根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果,包括:
设定一个用于区分行波是否到达分支线末端的阈值;
依次遍历故障分支识别矩阵的每一分支线,对于每一分支线,检查分支线的元素值,如果分支线的元素中,有任一个元素值≥设定的阈值,则认为行波已经到达了分支线末端;如果一个分支线的行波到达时间>其他所有分支线,则为该分支线为故障分支。
本发明将设定的阈值作为判断行波是否到达分支线末端的标准,遍历每个分支线对应的矩阵元素,根据阈值判断行波是否到达,如果某一分支线上的行波到达时间明显滞后,则可以判定该分支线为故障分支,提高了最终的故障定位精度。
如图2所示,本发明实施例提供的一种基于人工智能的配电网故障定位装置,包括:
行波数据采集模块,用于采集配电网各分支线末端的行波;
初始行波到达时间获取模块,用于根据各分支线末端的行波,获取初始行波的到达时间;
行波传播特性确定模块,用于对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性;
波速预处理模块,用于根据行波在各分支线末端的传播特性,对行波波速进行预处理;
故障分支识别矩阵构建模块,用于根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵;
故障分支判定模块,用于根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果;
故障定位模块,用于根据所述判定结果,对配电网故障分支进行定位,得到故障位置。
如图1所示,采用本发明所述基于人工智能的配电网故障定位装置进行配电网故障定位的具体过程如下。
步骤1,采集配电网各分支线末端的行波。
①在配电网的各个分支线的末端安装行波检测设备。
安装行波检测设备,Dx,x=1,2,…,y,其中,Dx表示第x个分支线末端安装的行波检测设备,y为分支线总数,可以实时监测配电网各分支线的行波信号。
②通过行波检测设备进行监测,以获取行波信号。
通过Sx=wx×Dx(监测),x=1,2,…,y,获取原始行波信号,其中,Sx表示第x个分支线末端检测到的原始行波信号,wx表示该检测设备的可靠性权重。
③对上述行波信号进行初步处理,以得到预处理行波信号。
通过Sx′=f(wx′×Sx),x=1,2,…,y,预处理行波信号,其中,Sx′表示预处理后得到的行波信号,f表示预处理函数,wx′表示预处理函数对第x个分支线信号的处理权重,在分支线末端就完成信号获取和预处理,减少了大量数据的网络传输量。
④将上述预处理行波信号储存或传输至中央数据处理中心。
通过C={w″1×S′1,w″2×S′2,…,w″y×S′y},传输预处理信号,其中,C表示中央数据处理中心,wx″表示传输第x个分支线信号Sx′的优先级权重;
通过S=w1′×S1′+w2′×S2′+…+wy′×Sy′,进行中央数据处理中心信号融合,其中,S表示融合后的信号,wx′表示第x个分支线信号Sx′的融合权重,中央数据处理中心可以利用各分支线信号进行多源数据融合,提高故障定位的准确性,分布式获取集中处理的模式,有利于构建配电网的智能化监控和管理。
本发明通过在各分支线末端设置行波检测设备,可以实时监测和获取行波信号;对获取的行波信号进行初步处理,可以滤波、放大等,提高行波信号质量;通过将各分支线末端的预处理行波信号传输到中央数据处理中心,实现了信号的集中化,便于进行统一分析和处理;分布式获取行波信号,集中传输和处理,避免了大量数据的网络传输,提高了处理的效率;配电网各节点获取实时数据上报的模式,有利于构建配电网的数字化、信息化监控和管理平台;获取的高质量行波数据,为构建故障识别矩阵、波速处理等故障定位算法提供了可靠的原始数据支持;总体来说,该行波获取模式有利于提高后续故障定位的精确度和效率。
步骤2,根据各分支线末端的行波,获取初始行波的到达时间。
①根据配电网属性确定触发参数。
考虑到配电网的拓扑结构,根据将拓扑结构分为m个区域,每个区域确定触发参数,其中i=1,2,…,m;j=1,2,…,mi;mi是第i个区域的线路数,ωij,ηij,ζij是权重系数,Pi为触发参数,表示配电网某区域i的综合触发特征量;Uij表示配电网中第i个区域、第j条线路的电压;Iij表示配电网中第i个区域、第j条线路的电流;Rij表示配电网中第i个区域、第j条线路的电阻,其中,i表示配电网的第i个区域,j表示该区域中的第j条供电线路。
②根据触发参数确定触发阈值,当触发参数≥触发阈值时,则开始采集行波信号。
根据Ti(t)=αTi(t-1)+(1-α)(kiPi(t)+bi),确定触发阈值,其中α是平滑系数,ki,bi为该区域的线性系数,Ti表示触发阈值,表示配电网区域i需要达到的触发条件数值,t为时间。
③记录开始采集行波信号的时间,并将开始采集行波信号的时间作为初始到达时间。
根据t0i=t∣当Pi(t)≥Ti(t)且SNRi(t)≥SNRmin时,记录初始到达时间,t0i表示区域i的初始行波到达时间,记录区域i开始采集行波的时刻;SNRi表示区域i的信噪比,表示区域i采集信号的质量;SNRmin表示信噪比最小值。
④持续采集行波信号,直至行波信号结束或达到预设的采集时间。
采集行波信号采集每个区域的全部线路信号之和,Si(t)表示区域i采集的行波信号,表示随时间变化的行波信号。
本发明根据配电网属性确定触发参数,可以选择配电网参数中对行波信号影响显著、变化明显的特征作为触发参数,提高采集效果;合理设置触发阈值,避免漏采集或误采集行波信号,提高有效信号采集率;准确记录初始到达时间,初始到达时间直接影响到行波传播时间的计算,记录准确有利于提高传播特性分析的精度;完整采集行波信号,采集完整的行波过程,可以还原行波的详细传播特性,提供更丰富的分析数据。综上,这些步骤提高了行波信号有效采集率,记录准确初始到达时间,并采集完整的行波过程,有利于后续获取更精准的行波传播特性,提高故障定位的效果。
步骤3,对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性。
①收集非故障区域的冗余行波信息。
设n为非故障区域数,ni为第i非故障区域的线路数,则:RWAi={rwai1,rwai2,…,rwaini},RWAi表示第i个非故障区域收集的冗余行波信息;rwaij表示区域i的第j条线路上的冗余行波;rwaij表示区域i的第j条线路上的冗余行波,i=1,2,…,n;j=1,2,…,ni。
②对上述冗余行波信息进行预处理,以得到预处理冗余行波信息。
预处理冗余行波设预处理函数为f,则RWAi′={f(rwai1),f(rwai2),…,f(rwaini)};RWA'i表示区域i预处理后的冗余行波信息。
③提取所述预处理冗余行波信息的行波特性。
提取行波特性,设特征提取函数为g,则Fijk=g(rwa′ijk),i=1,2,…,n;j=1,2,…,ni;k=1,2,…,ni;Fijk表示区域i线路j的第k个行波特征。
④对提取的行波特性进行数据分析,以获取冗余行波数据中的共同特性和差异。
设分析函数为h,则[Com,Dif]=h(F);Com表示冗余行波的共性;Dif表示冗余行波的差异;h表示分析函数。
⑤根据冗余行波数据中的共同特性和差异,确定行波的传播特性,其中传播特性包括传播速度、衰减率、反射和折射。
设确定传播特性的函数为q,则Pro=q([Com,Dif]),Pro表示确定的行波传播特性;q表示确定传播特性的函数。
本发明提取反映传播特性的特征参数,分析在不同线路上的共性反映传播规律,差异反映线路影响,根据分析总结行波在配电网中的传播特性;这些步骤从数据收集到分析总结,有助于准确获得行波在配电网中的传播特性。
步骤4,根据行波在各分支线末端的传播特性,对行波波速进行预处理。
①通过上述行波传播特性,提取行波在各分支线末端的波速数据;
②对提取的波速数据进行波速数据预处理以得到预处理数据;
③对上述预处理数据进行分析,以得到预处理波速。
本发明提取波速数据,根据传播特性,可以有针对性地提取波速,获得关键参数;预处理波速数据,对提取的波速数据进行处理,可以提高数据质量,消除噪声影响;分析得到预处理波速,通过分析预处理后的数据,可以获得反映实际传播情况的波速。
步骤5,根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵。
①获取行波在各分支线末端的初始到达时间信息;
②根据预处理波速和各分支线的长度,计算行波在各分支线上的传播时间;
③根据行波的到达时间和计算的传播时间,构建故障分支识别矩阵。
本发明获得行波到达各分支线末端的准确时间,为计算传播时间提供依据;计算传播时间,根据预处理波速和线路长度,计算行波在各线路上的理论传播时间;构建识别矩阵,将到达时间和传播时间构建成矩阵,通过其差值大小可以识别故障分支。
步骤6,根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果。
①根据实际需求和配电网的具体情况,设定一个用于区分行波是否到达分支线末端的阈值;
②依次遍历故障分支识别矩阵的每一分支线,对于每一分支线,检查分支线的元素值,如果分支线的元素中,有任一个元素值≥设定的阈值,则认为行波已经到达了分支线末端;如果一个分支线的行波到达时间>其他所有分支线,则为该分支线为故障分支。
本发明设定一个合理的阈值,作为判断行波是否到达分支线末端的标准,遍历每个分支线对应的矩阵元素,根据阈值判断行波是否到达,如果某一分支线上的行波到达时间明显滞后,则可以判定该分支线为故障分支。
步骤7,根据所述判定结果,对配电网故障分支进行定位,得到故障位置。
本发明通过获取行波的到达时间、构建识别矩阵快速判断故障分支,避免了传统方法中大量的手工计算和复杂的参数建模,可以更快速地完成对故障分支的定位。本发明能够准确获取各分支线末端的行波传播特性,对行波传播速度进行处理,构建识别矩阵进行判定,避免了行波提取和处理中存在的误差,从而提高了最终的故障定位精度。本发明利用人工智能技术,通过行波的自动提取、传播特性分析、识别矩阵构建等实现了对故障分支的自动判定和定位,无需人工参与,提高了自动化程度。本发明从行波获取到故障定位的技术方案,通过准确获取行波传播特性、构建识别矩阵等手段,降低了配电网故障定位的难度。本发明故障定位方法的应用,可以帮助电力部门更快速和准确地定位故障,进行维护和处理,有利于提高配电网的可靠性和稳定性。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.一种基于人工智能的配电网故障定位方法,其特征在于,包括以下步骤:
采集配电网各分支线末端的行波;
根据各分支线末端的行波,获取初始行波的到达时间;
对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性;
根据行波在各分支线末端的传播特性,对行波波速进行预处理;
根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵;
根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果;
根据所述判定结果,对配电网故障分支进行定位,得到故障位置;
所述根据各分支线末端的行波,获取初始行波的到达时间,包括:
根据配电网属性确定触发参数:根据 将拓扑结构分为m个区域,每个区域确定触发参数,其中i=1,2,…,m;j=1,2,…,mi;mi是第i个区域的线路数,ωij,ηij,ζij是权重系数,Pi为触发参数,表示配电网某区域i的综合触发特征量;Uij表示配电网中第i个区域、第j条线路的电压;Iij表示配电网中第i个区域、第j条线路的电流;Rij表示配电网中第i个区域、第j条线路的电阻,其中,i表示配电网的第i个区域,j表示该区域中的第j条供电线路;
根据所述触发参数:Ti(t)=αTi(t-1)+(1-α)(kiPi(t)+bi),确定触发阈值Ti,当触发参数≥触发阈值时,则开始采集行波信号,其中α是平滑系数,ki,bi为该区域的线性系数,Ti表示配电网区域i需要达到的触发条件数值,t为时间;
根据t0i=t∣当Pi(t)≥Ti(t)且SNRi(t)≥SNRmin时,记录开始采集行波信号的时间,并将开始采集行波信号的时间作为初始到达时间,t0i表示区域i的初始行波到达时间,记录区域i开始采集行波的时刻;SNRi表示区域i的信噪比,表示区域i采集信号的质量;
持续采集行波信号,直至行波信号结束或达到预设的采集时间为止,采集每个区域的全部线路信号之和,Si(t)表示区域i采集的行波信号,表示随时间变化的行波信号;
所述对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性,包括:
收集非故障区域的冗余行波信息:RWAi={rwai1,rwai2,…,rwaini},i=1,2,…,n;n为非故障区域数,ni为第i非故障区域的线路数,RWAi表示第i个非故障区域收集的冗余行波信息;rwaij表示区域i的第j条线路上的冗余行波,j=1,2,…,ni;
对所述冗余行波信息进行预处理,得到预处理冗余行波信息:RWAi′={f(rwai1),f(rwai2),…,f(rwaini)},f为冗余行波预处理函数,RWA'i表示区域i预处理后的冗余行波信息;
提取所述预处理冗余行波信息的行波特性:Fijk=g(rwa′ijk),i=1,2,…,n;j=1,2,…,ni;k=1,2,…,ni;g为特征提取函数;Fijk表示区域i线路j的第k个行波特征;
对提取的行波特性进行数据分析,获取冗余行波数据中的共同特性和差异:[Com,Dif]=h(F),h为分析函数;
根据冗余行波数据中的共同特性和差异,确定行波的传播特性:Pro=q([Com,Dif]);Com为冗余行波的共性;Dif为冗余行波的差异;Pro为确定的行波传播特性;q为确定传播特性的函数;
所述传播特性包括传播速度、衰减率、反射和折射。
2.根据权利要求1所述的基于人工智能的配电网故障定位方法,其特征在于,所述采集配电网各分支线末端的行波,包括:
在配电网的各个分支线的末端安装行波检测设备Dx,x=1,2,…,y;Dx表示第x个分支线末端安装的行波检测设备,y为分支线总数;
通过行波检测设备进行监测:Sx=wx×Dx,采集原始行波信号,其中,Sx表示第x个分支线末端检测到的原始行波信号,wx表示该检测设备的可靠性权重;
对原始行波信号进行初步处理:Sx′=f(wx′×Sx),得到预处理行波信号,其中,Sx′表示预处理后得到的行波信号,f表示预处理函数,wx′表示预处理函数对第x个分支线信号的处理权重;
将预处理行波信号储存或传输至中央数据处理中心。
3.根据权利要求2所述的基于人工智能的配电网故障定位方法,其特征在于,在将预处理行波信号储存或传输至中央数据处理中心过程中,
通过C={w″1×S′1,w″2×S′2,…,w″y×S′y}传输预处理信号,其中,C表示中央数据处理中心,wx″表示传输第x个分支线信号Sx′的优先级权重;
通过S=w1′×S1′+w2′×S2′+…+wy′×Sy′进行中央数据处理中心的信号融合,其中,S表示融合后的信号,wx′表示第x个分支线信号Sx′的融合权重。
4.根据权利要求1所述的基于人工智能的配电网故障定位方法,其特征在于,所述根据行波在各分支线末端的传播特性,对行波波速进行预处理,包括:
根据行波传播特性,提取行波在各分支线末端的波速数据;
对提取的波速数据进行波速数据预处理得到预处理数据;
对预处理数据进行分析,得到预处理波速。
5.根据权利要求1所述的基于人工智能的配电网故障定位方法,其特征在于,所述根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵,包括:
根据预处理后的行波波速和各分支线的长度,计算行波在各分支线上的传播时间;
根据初始行波的到达时间和所述传播时间,构建故障分支识别矩阵。
6.根据权利要求1-5任意一项所述的基于人工智能的配电网故障定位方法,其特征在于,所述根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果,包括:
设定一个用于区分行波是否到达分支线末端的阈值;
依次遍历故障分支识别矩阵的每一分支线,对于每一分支线,检查分支线的元素值,如果分支线的元素中,有任一个元素值≥设定的阈值,则认为行波已经到达了分支线末端;如果一个分支线的行波到达时间>其他所有分支线,则为该分支线为故障分支。
7.一种基于人工智能的配电网故障定位装置,其特征在于,包括:
行波数据采集模块,用于采集配电网各分支线末端的行波;
初始行波到达时间获取模块,用于根据各分支线末端的行波,获取初始行波的到达时间;
行波传播特性确定模块,用于对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性;
波速预处理模块,用于根据行波在各分支线末端的传播特性,对行波波速进行预处理;
故障分支识别矩阵构建模块,用于根据初始行波的到达时间和预处理后的行波波速,构建故障分支识别矩阵;
故障分支判定模块,用于根据所述故障分支识别矩阵及预设的阈值,对配电网故障分支进行判定,得到判定结果;
故障定位模块,用于根据所述判定结果,对配电网故障分支进行定位,得到故障位置;
所述根据各分支线末端的行波,获取初始行波的到达时间,包括:
根据配电网属性确定触发参数:根据 将拓扑结构分为m个区域,每个区域确定触发参数,其中i=1,2,…,m;j=1,2,…,mi;mi是第i个区域的线路数,ωij,ηij,ζij是权重系数,Pi为触发参数,表示配电网某区域i的综合触发特征量;Uij表示配电网中第i个区域、第j条线路的电压;Iij表示配电网中第i个区域、第j条线路的电流;Rij表示配电网中第i个区域、第j条线路的电阻,其中,i表示配电网的第i个区域,j表示该区域中的第j条供电线路;
根据所述触发参数:Ti(t)=αTi(t-1)+(1-α)(kiPi(t)+bi),确定触发阈值Ti,当触发参数≥触发阈值时,则开始采集行波信号,其中α是平滑系数,ki,bi为该区域的线性系数,Ti表示配电网区域i需要达到的触发条件数值,t为时间;
根据t0i=t∣当Pi(t)≥Ti(t)且SNRi(t)≥SNRmin时,记录开始采集行波信号的时间,并将开始采集行波信号的时间作为初始到达时间,t0i表示区域i的初始行波到达时间,记录区域i开始采集行波的时刻;SNRi表示区域i的信噪比,表示区域i采集信号的质量;
持续采集行波信号,直至行波信号结束或达到预设的采集时间为止,采集每个区域的全部线路信号之和,Si(t)表示区域i采集的行波信号,表示随时间变化的行波信号;
所述对非故障区域的冗余行波信息进行分析和处理,确定行波在各分支线末端的传播特性,包括:
收集非故障区域的冗余行波信息:RWAi={rwai1,rwai2,…,rwaini},i=1,2,…,n;n为非故障区域数,ni为第i非故障区域的线路数,RWAi表示第i个非故障区域收集的冗余行波信息;rwaij表示区域i的第j条线路上的冗余行波,j=1,2,…,ni;
对所述冗余行波信息进行预处理,得到预处理冗余行波信息:RWAi′={f(rwai1),f(rwai2),…,f(rwaini)},f为冗余行波预处理函数,RWA'i表示区域i预处理后的冗余行波信息;
提取所述预处理冗余行波信息的行波特性:Fijk=g(rwa′ijk),i=1,2,…,n;j=1,2,…,ni;k=1,2,…,ni;g为特征提取函数;Fijk表示区域i线路j的第k个行波特征;
对提取的行波特性进行数据分析,获取冗余行波数据中的共同特性和差异:[Com,Dif]=h(F),h为分析函数;
根据冗余行波数据中的共同特性和差异,确定行波的传播特性:
Pro=q([Com,Dif]);Com为冗余行波的共性;Dif为冗余行波的差异;
Pro为确定的行波传播特性;q为确定传播特性的函数;
所述传播特性包括传播速度、衰减率、反射和折射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210847.8A CN117148044B (zh) | 2023-09-19 | 2023-09-19 | 基于人工智能的配电网故障定位方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311210847.8A CN117148044B (zh) | 2023-09-19 | 2023-09-19 | 基于人工智能的配电网故障定位方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117148044A CN117148044A (zh) | 2023-12-01 |
CN117148044B true CN117148044B (zh) | 2024-04-02 |
Family
ID=88902553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311210847.8A Active CN117148044B (zh) | 2023-09-19 | 2023-09-19 | 基于人工智能的配电网故障定位方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148044B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297638A (zh) * | 2014-11-07 | 2015-01-21 | 广东电网有限责任公司电力科学研究院 | 一种高精度、低成本的配电网故障定位方法 |
CN106443335A (zh) * | 2016-09-20 | 2017-02-22 | 广西电网有限责任公司钦州供电局 | 雷击故障识别方法及系统 |
CN106526424A (zh) * | 2016-11-21 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种输电线路单相接地故障参数识别方法 |
CN109557421A (zh) * | 2018-12-29 | 2019-04-02 | 山东科技大学 | 一种基于初始行波时差关系的多分支配电网故障测距方法 |
CN110470944A (zh) * | 2019-08-28 | 2019-11-19 | 三峡大学 | 一种节点故障域时差法的区域电网故障定位方法 |
CN113009278A (zh) * | 2021-03-05 | 2021-06-22 | 西华大学 | 一种基于故障行波时间检测的配电网故障定位方法 |
CN113567804A (zh) * | 2021-06-25 | 2021-10-29 | 海南电网有限责任公司临高供电局 | 一种配电网故障快速定位方法 |
CN116520080A (zh) * | 2023-04-25 | 2023-08-01 | 国网湖南省电力有限公司 | 基于时差矩阵数据拟合的配电网多分支故障行波定位方法和装置 |
CN116559591A (zh) * | 2023-05-17 | 2023-08-08 | 湖南湘能智能电器股份有限公司 | 一种智能输配电分布式故障诊断及类型识别系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10345358B2 (en) * | 2016-04-25 | 2019-07-09 | Qatar University | Smart fault detection device to anticipate impending faults in power transformers |
US20230280386A1 (en) * | 2022-03-02 | 2023-09-07 | Electric Power Research Institute Of Yunnan Power Grid Co., Ltd | Method and system for locating fault of complex power line, device, and storage medium |
-
2023
- 2023-09-19 CN CN202311210847.8A patent/CN117148044B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104297638A (zh) * | 2014-11-07 | 2015-01-21 | 广东电网有限责任公司电力科学研究院 | 一种高精度、低成本的配电网故障定位方法 |
CN106443335A (zh) * | 2016-09-20 | 2017-02-22 | 广西电网有限责任公司钦州供电局 | 雷击故障识别方法及系统 |
CN106526424A (zh) * | 2016-11-21 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种输电线路单相接地故障参数识别方法 |
CN109557421A (zh) * | 2018-12-29 | 2019-04-02 | 山东科技大学 | 一种基于初始行波时差关系的多分支配电网故障测距方法 |
CN110470944A (zh) * | 2019-08-28 | 2019-11-19 | 三峡大学 | 一种节点故障域时差法的区域电网故障定位方法 |
CN113009278A (zh) * | 2021-03-05 | 2021-06-22 | 西华大学 | 一种基于故障行波时间检测的配电网故障定位方法 |
CN113567804A (zh) * | 2021-06-25 | 2021-10-29 | 海南电网有限责任公司临高供电局 | 一种配电网故障快速定位方法 |
CN116520080A (zh) * | 2023-04-25 | 2023-08-01 | 国网湖南省电力有限公司 | 基于时差矩阵数据拟合的配电网多分支故障行波定位方法和装置 |
CN116559591A (zh) * | 2023-05-17 | 2023-08-08 | 湖南湘能智能电器股份有限公司 | 一种智能输配电分布式故障诊断及类型识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117148044A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765883B (zh) | 配电自动化终端运行状态评价与故障诊断方法 | |
CN110850232B (zh) | 基于继电保护辅助决策系统的电网故障诊断系统及其方法 | |
CN101539241A (zh) | 一种管道泄漏监测网络的层级式多源数据融合方法 | |
CN109649432A (zh) | 基于导波技术的云端平台钢轨完整性监测系统及方法 | |
CN112727704B (zh) | 一种叶片前缘腐蚀的监测方法及系统 | |
CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN110209999A (zh) | 一种车载设备故障趋势预测方法 | |
CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN116227752A (zh) | 一种基于物联网的园区设施管理系统 | |
CN114966699A (zh) | 基于车载雷达运动监测的定点监测系统 | |
CN117390378B (zh) | 一种双碳平台数据智能管理方法及系统 | |
CN112819988A (zh) | 基于5g的无人机电站智能巡检方法、系统和网络侧服务端 | |
CN114720819A (zh) | 一种基于自校验学习的故障区段二分定位方法 | |
CN113109666A (zh) | 一种基于深度卷积神经网络的轨道电路故障诊断方法 | |
CN117148044B (zh) | 基于人工智能的配电网故障定位方法及装置 | |
CN113497725A (zh) | 告警监控方法、系统、计算机可读存储介质及电子设备 | |
CN112016739B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN116259161B (zh) | 一种电力故障预警系统 | |
CN112114229A (zh) | 配电网故障定位方法、装置和系统 | |
CN113114388B (zh) | 一种基于电平时序动态记忆的天线沾湿损耗确定方法 | |
CN114545069A (zh) | 一种用电信息采集核对模拟测试装置及其方法 | |
CN116985664B (zh) | 一种基于通信协议的充电桩监控管理方法及系统 | |
CN116679258A (zh) | 一种基于空间定位的电缆覆冰监测系统及方法 | |
CN118264315B (zh) | 光链路交叉比对与故障精准定位方法及系统 | |
CN116683627A (zh) | 一种输电线路的覆冰定位系统、方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |