CN117748507B - 基于高斯回归模型的配网谐波接入不确定性评估方法 - Google Patents
基于高斯回归模型的配网谐波接入不确定性评估方法 Download PDFInfo
- Publication number
- CN117748507B CN117748507B CN202410171220.4A CN202410171220A CN117748507B CN 117748507 B CN117748507 B CN 117748507B CN 202410171220 A CN202410171220 A CN 202410171220A CN 117748507 B CN117748507 B CN 117748507B
- Authority
- CN
- China
- Prior art keywords
- harmonic
- distribution network
- model
- data
- voltage
- 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 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 108010062616 filensin Proteins 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电能质量分析技术领域,公开一种基于高斯回归模型的配网谐波接入不确定性评估方法,通过收集配网电能质量监测数据,提取谐波电压的关键特征,通过高斯回归模型,将谐波电压、电流波形作为输入,谐波电流水平作为输出,建立模型以描述输入特征与配网谐波电流水平之间的关系;当配网存在新的谐波源接入时,读取接入点的电压电流数据,得到谐波源接入后的配网谐波电流水平,将之与配网的谐波越限标准进行对比来对谐波源接入进行进一步评估。本发明克服了传统谐波接入评估方法针对单节点,难以对配网整体进行分析的问题,利用接入谐波源的电能质量监测数据对配网各节点电压进行不确定性评估,提高供电安全性与可靠性。
Description
技术领域
本发明涉及电能质量分析技术领域,具体为一种基于高斯回归模型的配网谐波接入不确定性评估方法。
背景技术
随着能源领域的不断发展和技术的日新月异,分布式能源、电子设备以及非线性负载等在现代电力系统中扮演着愈发重要的角色。然而,这些新兴技术的广泛应用也引发了对电力系统电能质量的关切,注入电网的谐波电流显著增多,谐波问题作为电力系统电能质量的重要组成部分,常常源自于非线性负载的存在,如电子设备、变频器等。这些负载引入的谐波电流可能导致电压波形失真、设备过热甚至故障等严重后果。同时,随着分布式能源接入量的逐渐增加,其发电特性可能引入频率不稳定和谐波扰动,进一步加剧了谐波问题的复杂性。为了有效评估这些新技术接入电力系统时的谐波影响,配网谐波接入不确定性评估方法得以应运而生。
目前的谐波接入不确定性评估方法主要针对于单节点分析,尚未形成比较完整的对配网谐波接入不确定性评估的方法。现有的谐波接入评估方法主要分为两大类。一类是以研究网络中谐波源谐波电流注入量为基础的,基于谐波潮流计算的评估方法。这种方法的核心在于建立谐波源的模型,以计算注入到配电网各个节点的谐波电流。通过解网络节点电压方程,可以推导出配电网各节点的谐波电压。该方法的精确度受到所建立的谐波源模型准确性的影响。然而,由于不同谐波源用户具有独特的用电行为和谐波发射特性,谐波电流的计算变得相当复杂,这可能影响最终的谐波潮流计算和评估结果。另一类是基于大范围的电能质量监测数据的越限报警。该方法仅在电能质量监测装置附近起到一定作用,具有成本高,实用性差等缺点。
综上,现有技术的缺点主要表现为:
1、基于谐波潮流计算的配电网谐波评估方法,需要准确地建立谐波源的模型,然而由于用户用电行为等导致的谐波源模型的不确定性使该方法的准确性大大降低,缺乏适用性。
2、基于电能质量监测装置的配电网谐波评估方法,只对所能影响到监测装置点的谐波源起一定作用,成本高且实用性差。
另外,由于目前配网网络拓扑结构未知、系统参数获取困难,因此难以对配网的谐波接入进行准确、清晰的评估。现有的配网谐波接入不确定性评估方法依赖于对网络拓扑与系统参数的明确,且往往需要大量的仿真计算,工作冗杂,实用性较差。
但目前配网中安装了大量电能质量监测装置,用以对谐波数据进行高精度监测,为配网谐波接入不确定性评估提供了有效的数据支持。
发明内容
针对上述问题,本发明的目的在于提供一种基于高斯回归模型的配网谐波接入不确定性评估方法,提高了配网谐波接入评估的准确性。技术方案如下:
基于高斯回归模型的配网谐波接入不确定性评估方法,包括以下步骤:
步骤S1:收集并处理配网电能质量监测数据:
通过对电能质量监测数据终端进行采集,获得包括谐波电压和电流波形的监测数据集;
步骤S2:构建基于高斯回归模型的配网黑箱模型:
将一个高斯过程的性质用其均值函数m(x)和协方差函数k(x,x′)确定,写作:
f~GP(m(x),k(x,x′)) (1);
公式中,x、x′∈Rn分别为随机变量;f~GP为高斯过程;
该高斯过程的均值函数m(x)和协方差函数k(x,x′)由下式定义:
公式中,f(x)和f(x′)分别为关于随机变量x和x′的高斯过程;m(x′)为关于随机变量x′的均值函数;E为函数的期望值;
为方便说明,本发明设均值函数m(x)为0,由于协方差函数k(x,x′)用于衡量输入样本之间的相似程度,因此选取有较好表示能力和灵活性的高斯核函数作为协方差函数:
公式中,x和x′为输入的谐波电压电流向量;σf为信号方差;1为方差尺度;
配网中谐波电压Vi和谐波电流Ii间的关系用下式描述,即为所构建的配网黑箱模型,用以描述输入特征与谐波电压水平之间的关系:
公式中,I1为配网中的基波电流;ai为各次谐波电压与电流之间的耦合系数,即为黑箱模型待求解的参数,Ui为各次谐波电压,n为数据所记录谐波电压电流的最高次数,C为常数;步骤S3:对模型进行训练与修正:
将监测数据集分为训练集和验证集,用于模型的训练和评估,使用训练集来训练模型;将步骤S2中的信号方差σf、方差尺度l、各次谐波电压与电流之间的耦合系数ai和常数C表示为超参数β={σf;l;ai;C},采用极大似然法对超参数β={af;l;ai;C}进行辨识:
公式中,y为谐波电流的真实值,K为协方差矩阵;N为输入数据的总数;T为转置符号;辨识出黑箱模型的超参数后,通过验证集与模型输出结果的均方根误差来评估模型性能,衡量模型的精度;根据模型评估结果,调整模型参数,以提高模型的性能;
公式中,MAE为均方根误差;y为谐波电流的真实值;为模型预测结果;M为模型预测结果的数量;
步骤S4:谐波接入不确定性评估:
当配网存在新的谐波源接入时,读取安装在接入点的电能质量监测装置监测到的电压电流数据;
再将处理过的电压和电流波形数据代入配网黑箱模型,得到谐波源接入后的配网谐波电流水平,将之与配网的谐波越限标准进行对比来对谐波源接入进行进一步评估。
进一步的,步骤S1中还包括:
采用临近数据平均值法对监测数据集中的空值进行处理具体为:
选取空值前的L个有效数据与空值后的L个有效数据取平均值估算并代替空值;并先选取奇次谐波为谐波数据样本,删除偶次谐波数据;
对异常数据的处理通过选取CP95值和人工检查的方式,将采样的点按从大到小的顺序排列,去掉设定比例的最大值;并将明显偏于实际测量值的数据用数据填充的方式替换。
与现有技术相比,本发明的有益效果是:
1、收集并处理了配网电能质量监测数据,采用高斯回归模型建立配网黑箱模型,用以描述谐波电流与电压间的关系。通过对模型进行训练与修正后,当存在新的谐波源接入系统时,根据谐波指标限值对所接入的谐波源进行不确定性评估,及时通知运维人员进行排查,实现了对谐波的治理。
2、通过电能质量监测装置提供的数据,采用高斯回归模型对配网进行建模,当新接入系统的谐波源时,产生的电压电流变化即可利用模型对配网的谐波指标进行接入不确定性评估,无需掌握配网的拓扑结构与系统参数,方便快捷,有助于保障配网安全稳定运行。
附图说明
图1为本发明基于高斯回归模型的配网谐波接入不确定性评估方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
谐波问题已经成为电力系统最显著的电能质量问题之一。为了对配网各节点谐波电流进行不确定性评估,本发明提出一种基于高斯回归模型的配网谐波接入不确定性评估方法,基本流程图如图1所示,分为S1~S4四个步骤:
步骤S1:收集并处理配网电能质量监测数据。
通过对电能质量监测数据终端进行采集,获得包括谐波电压、电流波形等监测数据信息;由于电能质量监测系统在数据转换与传输的各个环节都有可能受到干扰,导致数据或大量异常值的出现,影响数据的精确度和可信度。
本发明采用“临近数据平均值法”对空值进行处理:选取空值前的L个有效数据与空值后的L个有效数据取平均值估算并代替空值。而奇次谐波为主要的谐波成分,因此先选取奇次谐波为谐波数据样本,删除偶次谐波数据。
本发明对异常数据的处理主要是通过选取CP95值和人工检查的方式,将采样的点按从大到小的顺序排列,去掉5%最大值,剩下中最大的即为95%概率值。并将明显偏于实际测量值的数据用数据填充的方式替换,确保数据质量。
步骤S2:构建基于高斯回归模型的配网黑箱模型。
将一个高斯过程的性质用其均值函数m(x)和协方差函数k(x,x′)确定,写作:
f~GP(m(x),k(x,x′)) (1);
公式中,x、x′∈Rn分别为随机变量;f~GP为高斯过程;
该高斯过程的均值函数m(x)和协方差函数k(x,x′)由下式定义:
公式中,f(x)和f(x′)分别为关于随机变量x和x′的高斯过程;m(x′)为关于随机变量x′的均值函数;E为函数的期望值;
为方便说明,本发明设均值函数m(x)为0,由于协方差函数k(x,x′)用于衡量输入样本之间的相似程度,因此选取有较好表示能力和灵活性的高斯核函数作为协方差函数:
公式中,x和x′为输入的谐波电压电流向量;σf为信号方差,l为方差尺度。
相应地,配网中谐波电压Vi和谐波电流Ii间的关系用下式描述,即为所构建的配网黑箱模型,用以描述输入特征与谐波电压水平之间的关系:
公式中,I1为配网中的基波电流,ai为各次谐波电压与电流之间的耦合系数,即为黑箱模型待求解的参数,Ui为各次谐波电压,n为数据所记录谐波电压电流的最高次数,C为常数。
步骤S3:对模型进行训练与修正。
将监测数据集分为训练集和验证集,用于模型的训练和评估,使用训练集来训练模型;将步骤S2中的信号方差σf、方差尺度l、各次谐波电压与电流之间的耦合系数ai和常数C表示为超参数β={σf;l;ai;C},采用极大似然法对超参数β={σf;l;ai;C}进行辨识:
公式中,y为谐波电流的真实值,K为协方差矩阵;N为输入数据的总数;T为转置符号。
辨识出黑箱模型的超参数后,通过验证集与模型输出结果的均方根误差来评估模型性能,衡量模型的精度;根据模型评估结果,调整模型参数,以提高模型的性能;
公式中,MAE为均方根误差;y为谐波电流的真实值;为模型预测结果;M为模型预测结果的数量。
步骤S4:谐波接入不确定性评估。
当配网存在新的谐波源接入时,读取安装在接入点的电能质量监测装置监测到的电压电流数据;
再将处理过的电压和电流波形数据代入配网黑箱模型,得到谐波源接入后的配网谐波电流水平,将之与配网的谐波越限标准进行对比来对谐波源接入进行进一步评估。
谐波指标限值参考《GB/T 14549-1993电能质量公用电网谐波》设定如表1所示。
表1谐波指标限值
第h次谐波电压含有率与第h次谐波电流分类Ih的关系在近似的工程估算中表达如下:
公式中,Sk为公共连接点的三相短路容量(MVA);UN为电网的标称电压(kV);Ih为第h次的谐波电流值(A)。
综上,本发明提出一种基于高斯回归模型的配网谐波接入不确定性评估方法,通过收集配网电能质量监测数据,提取谐波电压的频谱分布、总谐波失真等关键特征,通过高斯回归模型,将谐波电压、电流波形作为输入,谐波电流水平作为输出,建立模型以描述输入特征与配网谐波电流水平之间的关系。当配网存在新的谐波源接入时,读取安装在接入点的电能质量检测装置监测到的电压电流数据,将处理过的数据代入模型,得到谐波源接入后的配网谐波电流水平,将之与配网的谐波越限标准进行对比来对谐波源接入进行进一步评估。本发明克服了传统谐波接入评估方法大多针对单节点的问题,难以对配网整体进行分析,利用接入谐波源的电能质量监测数据即可对配网各节点电压进行不确定性评估,提高供电安全性与可靠性。
Claims (2)
1.基于高斯回归模型的配网谐波接入不确定性评估方法,其特征在于,包括以下步骤:
步骤S1:收集并处理配网电能质量监测数据:
通过对电能质量监测数据终端进行采集,获得包括谐波电压和电流波形的监测数据集;
步骤S2:构建基于高斯回归模型的配网黑箱模型:
将一个高斯过程的性质用其均值函数m(x)和协方差函数k(x,x′)确定,写作:
f~GP(m(x),k(x,x′)) (1);
公式中,x、x′∈Rn分别为随机变量;f~GP为高斯过程;
该高斯过程的均值函数m(x)和协方差函数k(x,x′)由下式定义:
公式中,f(x)和f(x′)分别为关于随机变量x和x′的高斯过程;m(x′)为关于随机变量x′的均值函数;E为函数的期望值;
设均值函数m(x)为0,由于协方差函数k(x,x′)用于衡量输入样本之间的相似程度,故选取有特定表示能力和灵活性的高斯核函数作为协方差函数:
公式中,x和x′为输入的谐波电压电流向量;σf为信号方差;l为方差尺度;
配网中谐波电压Vi和谐波电流Ii间的关系用下式描述,即为所构建的配网黑箱模型,用以描述输入特征与谐波电压水平之间的关系:
公式中,I1为配网中的基波电流;ai为各次谐波电压与电流之间的耦合系数,即为黑箱模型待求解的参数;Ui为各次谐波电压;n为数据所记录谐波电压电流的最高次数;C为常数;
步骤S3:对模型进行训练与修正:
将监测数据集分为训练集和验证集,用于模型的训练和评估,使用训练集来训练模型;将步骤S2中的信号方差σf、方差尺度l、各次谐波电压与电流之间的耦合系数ai和常数C表示为超参数β={σf;l;ai;C},采用极大似然法对超参数β={σf;l;ai;C}进行辨识:
公式中,y为谐波电流的真实值,K为协方差矩阵;N为输入数据的总数;T为转置符号;
辨识出黑箱模型的超参数后,通过验证集与模型输出结果的均方根误差来评估模型性能,衡量模型的精度;根据模型评估结果,调整模型参数,以提高模型的性能;
公式中,MAE为均方根误差;y为谐波电流的真实值;为模型预测结果;M为模型预测结果的数量;
步骤S4:谐波接入不确定性评估:
当配网存在新的谐波源接入时,读取安装在接入点的电能质量监测装置监测到的电压电流数据;
再将处理过的电压和电流波形数据代入配网黑箱模型,得到谐波源接入后的配网谐波电流水平,将之与配网的谐波越限标准进行对比来对谐波源接入进行进一步评估。
2.根据权利要求1所述的基于高斯回归模型的配网谐波接入不确定性评估方法,其特征在于,步骤S1中还包括:
采用临近数据平均值法对监测数据集中的空值进行处理,具体为:
选取空值前的L个有效数据与空值后的L个有效数据取平均值估算并代替空值;并先选取奇次谐波为谐波数据样本,删除偶次谐波数据;
对异常数据的处理通过选取CP95值和人工检查的方式,将采样的点按从大到小的顺序排列,
去掉设定比例的最大值;并将明显偏于实际测量值的数据用数据填充的方式替换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410171220.4A CN117748507B (zh) | 2024-02-06 | 2024-02-06 | 基于高斯回归模型的配网谐波接入不确定性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410171220.4A CN117748507B (zh) | 2024-02-06 | 2024-02-06 | 基于高斯回归模型的配网谐波接入不确定性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117748507A CN117748507A (zh) | 2024-03-22 |
CN117748507B true CN117748507B (zh) | 2024-05-03 |
Family
ID=90283548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410171220.4A Active CN117748507B (zh) | 2024-02-06 | 2024-02-06 | 基于高斯回归模型的配网谐波接入不确定性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117748507B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117930787A (zh) * | 2024-03-21 | 2024-04-26 | 南京航空航天大学 | 一种数控机床加工的工艺参数优化方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038580A (zh) * | 2017-12-30 | 2018-05-15 | 国网江苏省电力公司无锡供电公司 | 基于同步挤压小波变换的光伏功率多模型综合预测方法 |
DE102019209561A1 (de) * | 2019-06-28 | 2020-12-31 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Optimieren eines Leiterplattenmaterials für die Herstellung einer Leiterplatte mithilfe eines Bayes`schen Optimierungsprozesses |
US11027743B1 (en) * | 2020-03-31 | 2021-06-08 | Secondmind Limited | Efficient computational inference using gaussian processes |
CN113051826A (zh) * | 2021-03-29 | 2021-06-29 | 福州大学 | 基于高斯过程回归的谐波源通用不确定性建模方法 |
WO2021199335A1 (ja) * | 2020-03-31 | 2021-10-07 | ソニーグループ株式会社 | 情報処理装置、情報処理方法及び通信装置 |
CN114004162A (zh) * | 2021-11-03 | 2022-02-01 | 国网重庆市电力公司电力科学研究院 | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 |
CN114297922A (zh) * | 2021-12-24 | 2022-04-08 | 杭州电子科技大学 | 基于贝叶斯优化的多倍频程功率放大器设计方法 |
CN114417677A (zh) * | 2022-02-23 | 2022-04-29 | 陕西交通职业技术学院 | 一种开关类设备操作强电磁骚扰特性分析方法 |
CN115236398A (zh) * | 2022-07-18 | 2022-10-25 | 国网山西省电力公司电力科学研究院 | 配网谐波实时状态评估及数据传输方法与系统 |
GB2610449A (en) * | 2021-09-06 | 2023-03-08 | Harbin Inst Technology | Efficient high-resolution non-destructive detecting method based on convolutional neural network |
CN117236744A (zh) * | 2023-08-31 | 2023-12-15 | 福州大学 | 一种考虑多谐波源的谐波影响评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011002735A1 (en) * | 2009-07-01 | 2011-01-06 | Carnegie Mellon University | Methods and apparatuses for monitoring energy consumption and related operations |
-
2024
- 2024-02-06 CN CN202410171220.4A patent/CN117748507B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038580A (zh) * | 2017-12-30 | 2018-05-15 | 国网江苏省电力公司无锡供电公司 | 基于同步挤压小波变换的光伏功率多模型综合预测方法 |
DE102019209561A1 (de) * | 2019-06-28 | 2020-12-31 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Optimieren eines Leiterplattenmaterials für die Herstellung einer Leiterplatte mithilfe eines Bayes`schen Optimierungsprozesses |
US11027743B1 (en) * | 2020-03-31 | 2021-06-08 | Secondmind Limited | Efficient computational inference using gaussian processes |
WO2021199335A1 (ja) * | 2020-03-31 | 2021-10-07 | ソニーグループ株式会社 | 情報処理装置、情報処理方法及び通信装置 |
CN113051826A (zh) * | 2021-03-29 | 2021-06-29 | 福州大学 | 基于高斯过程回归的谐波源通用不确定性建模方法 |
GB2610449A (en) * | 2021-09-06 | 2023-03-08 | Harbin Inst Technology | Efficient high-resolution non-destructive detecting method based on convolutional neural network |
CN114004162A (zh) * | 2021-11-03 | 2022-02-01 | 国网重庆市电力公司电力科学研究院 | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 |
CN114297922A (zh) * | 2021-12-24 | 2022-04-08 | 杭州电子科技大学 | 基于贝叶斯优化的多倍频程功率放大器设计方法 |
CN114417677A (zh) * | 2022-02-23 | 2022-04-29 | 陕西交通职业技术学院 | 一种开关类设备操作强电磁骚扰特性分析方法 |
CN115236398A (zh) * | 2022-07-18 | 2022-10-25 | 国网山西省电力公司电力科学研究院 | 配网谐波实时状态评估及数据传输方法与系统 |
CN117236744A (zh) * | 2023-08-31 | 2023-12-15 | 福州大学 | 一种考虑多谐波源的谐波影响评估方法 |
Non-Patent Citations (3)
Title |
---|
基于遗传算法的LS-SVM在谐波源建模中的应用;郑连清;吴萍;刘小龙;;电力系统保护与控制;20110201(第03期);23-29 * |
基于预估的用户谐波评估方法;孔飘红;李京;余彬;夏刚;;电力电容器与无功补偿;20120630(第03期);52-56 * |
稀疏贝叶斯回归及其在谐波电流异常检测中的应用;邱思语;杨洪耕;;电力系统及其自动化学报;20170515(第05期);104-107 * |
Also Published As
Publication number | Publication date |
---|---|
CN117748507A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537939B (zh) | 一种基于多指标融合的电压互感器状态评估方法及装置 | |
CN117748507B (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
CN106548021B (zh) | 一种基于高维随机矩阵的电子式互感器误差状态评估方法 | |
CN112485747A (zh) | 一种电容式电压互感器误差状态评估方法 | |
CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
Jin-qiang | Fault prediction of a transformer bushing based on entropy weight TOPSIS and gray theory | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
Shi et al. | Early anomaly detection and localisation in distribution network: A data‐driven approach | |
Wang et al. | Cable incipient fault identification using restricted Boltzmann machine and stacked autoencoder | |
CN109902735B (zh) | 一种实现变电站内三相电压互感器运行误差评估的方法 | |
CN108872803B (zh) | 一种基于绝缘介质回复电压的变压器绝缘状态的检测方法 | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN107918704A (zh) | 电荷放大器贮存寿命预测方法、装置、存储介质和计算机设备 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN115840185B (zh) | 一种电压互感器误差在线监测与分析方法、介质及终端 | |
CN115951292A (zh) | 一种电子式电压互感器误差状态在线评估方法及装置 | |
CN113884805B (zh) | 基于d-s证据理论的单相接地故障绝缘劣化识别方法及系统 | |
CN113052249B (zh) | 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 | |
Yue et al. | A power system harmonic problem based on the BP neural network learning algorithm | |
Khaledian et al. | Event-Based Dynamic Response Modeling of Large Behind-the-Meter Solar Farms: A Data-Driven Method Based on Real-World Data | |
Feng et al. | A method for identifying major disturbance sources in a regional grid |
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 |