CN105277852A - 配电网线路工况分类识别方法 - Google Patents
配电网线路工况分类识别方法 Download PDFInfo
- Publication number
- CN105277852A CN105277852A CN201510762572.8A CN201510762572A CN105277852A CN 105277852 A CN105277852 A CN 105277852A CN 201510762572 A CN201510762572 A CN 201510762572A CN 105277852 A CN105277852 A CN 105277852A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- moment
- single order
- matrix
- gray
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了配电网线路工况分类识别方法,该方法首先获取配电网线路A、B、C三相电流、三相电压波形数据;然后对各种工况及典型故障的特征基因进行提取,从而得到特征基因库;再采集当前配电网线路工况的三相电流、电压信号,提取特征基因,分析各相电流、电压的分尺度矩向量曲线及分时间矩向量曲线,查询特征基因库,判断是否出现故障,并识别出是哪类故障。本发明可针对所有配电网线路的运行工况及其所对应的特征量进行更加全面、***的研究,实现更加科学的识别与诊断,与现有技术针对单一工况或故障采取1对1的解决思路完全不同,便于配电网生产及运维部门更加准确的掌握配电网馈线运行状态,高效开展相关运行管理工作。
Description
技术领域
本发明涉及配电网线路故障诊断分析技术,具体涉及配电网线路工况分类识别方法。
背景技术
配电网是电力***的重要组成部分,它直接面向用户,是保证供电质量、提高电网运行效率、创新用户服务的关键环节,这就需要对配电网线路运行数据进行有效监控、管理和及时发现处理缺陷以提高供电可靠性。
目前,国内外配电网线路故障诊断技术的主要解决思路为:针对某个特定类型的故障或工况(如短路),设定相应的特定参数阈值(如短路电流阈值),然后通过比较实际采集或通过计算得到的数值(如实际电流值)与设定的阈值进行幅值或相位角度大小的比较,最终得到是否出现相应故障的结论。前述现有技术的主要优势是技术方案简单且计算难度小,对数据采集与分析设备性能要求较低;但是,其不足的地方主要体现在:
由于配电网线路工况复杂,现有技术一般只能对相间短路、断线等引起供电中断的显性故障进行识别与诊断。然而除了显性故障之外,配电网线路还存在由于合闸涌流、过负荷、雷击、瞬时扰动或绝缘老化等异常工况引起的隐性故障;现有技术难以识别出这些隐性故障。因此,需要发明与创造新的技术方案,以实现对包括各种显性及隐性故障的更加综合与全面的分析与识别。
发明内容
为解决现有技术无法对配电网线路的显性故障及隐性故障进行全面分析与识别的技术问题,本发明提出配电网线路工况分类识别方法,该方法提取配电网线路运行中各种工况的运行特征,根据运行特征对配电网线路的运行工况及故障进行分类识别,并通过综合这些运行特征,得到原始的各种配电网运行工况的特征基因库。
本发明所采用的技术方案如下:配电网线路工况分类识别方法,包括以下步骤:
步骤1、获取配电网线路A、B、C三相电流、三相电压波形数据;
步骤2、利用步骤1所获取的A、B、C三相电流、三相电压波形数据,对各种工况及典型故障的特征基因进行提取,从而得到特征基因库;
步骤3、采集当前配电网线路工况的三相电流、电压信号,用与步骤2相同的特征基因提取算法提取特征基因,分析各相电流、电压的分尺度矩向量曲线及分时间矩向量曲线,查询步骤2所得到的特征基因库,判断是否出现故障,并识别出是哪类故障。
优选地,步骤2采取基于小波灰度矩的特征基因提取算法提取特征基因,首先对A、B、C三相电流和三相电压波形数据进行连续小波变换,按照尺度方向对小波系数矩阵进行等区域划分进行一阶灰度矩向量的计算,再按照时间轴方向对小波系数矩阵进行等区域划分进行一阶灰度矩向量的计算。
优选地,所述特征基因提取算法如下:
(1)定义小波灰度矩
设与某信号的连续小波变换灰度图对应的小波变换系数用矩阵[C]m×n表示,m和n分别对应小波灰度图的小波变换尺度和采样时间,则与小波灰度图对应的k阶灰度矩定义为:
式中,cij是矩阵[C]mxn的元素,表征元素cij(i,j≠1)与元素c11之间的距离;
(2)计算小波灰度矩之一阶灰度矩
根据式(1-1),取k=1得到一阶灰度矩g1,一阶灰度矩g1的计算步骤如下:
对采集到的三相电流、三相电压波形数据进行归一化处理,假设该数据由512个离散点组成{A1,A2,……,A512},则处理后的序列为{x1,x2,…,x512},其中,满足
对序列{x1,x2,……,x512}进行N尺度连续小波变换,得到N×512小波系数矩阵[C],对小波系数矩阵[C]求绝对值;取k=1,按式(1-1)计算与小波系数矩阵|[C]|相应的一阶灰度矩g1;
(3)计算一阶灰度矩向量,步骤如下:
对小波系数矩阵[C]沿尺度方向进行等区域划分,若划为m个区域,令s=N/m,则各区域均为s×512矩阵;
按式(1-1)对以上m个区域分别计算一阶灰度矩g1,i(i=1,2,…,m),各区域一阶灰度矩构成相应故障的一阶灰度矩向量G1,即G1=[g1,1,g1,2,…,g1,m];
(4)根据一阶灰度矩向量,定义不同的变量用于表征各种不同配电网线路工况,并最终生成采用二进制表示的特征基因库。
与现有技术相比,本发明具有如下优点及有益效果:
1、本发明可以针对所有配电网线路的运行工况及其所对应的特征量进行更加全面、***的研究,实现更加科学的识别与诊断,与现有技术针对单一工况或故障采取1对1的解决思路完全不同,更加注重综合分析及比较,从而便于配电网生产及运维部门更加准确的掌握配电网馈线运行状态,高效开展相关运行管理工作。
2、本发明采用小波灰度矩对配电网运行信号进行解析与特征提取,用于各种工况及典型故障诊断和分类。具体一点,是将配电网线路的三相电流与三相电压曲线数据,看成是灰度图,利用小波灰度矩的分尺度矩以及分时间矩,进行综合分析,形成了原始配电网线路运行信号特征基因库,该基因库可以随着工况种类的增加而不断丰富。
附图说明
图1为本发明对工况分类识别的总流程;
图2为特征基因库技术研究路线图;
图3为特征基因库概念图;
图4中,(a)为励磁涌流数据的三相电流波形,(b)为励磁涌流数据的三相电流分尺度一阶矩向量曲线,(c)为励磁涌流数据的三相电流分时间一阶矩向量曲线;
图5中,(a)为励磁涌流数据的三相电压波形,(b)为励磁涌流数据的三相电压分尺度一阶矩向量曲线,(c)为励磁涌流数据的三相电压分时间一阶矩向量曲线;
图6中,(a)为两相短路数据的三相电流波形,(b)为两相短路数据的三相电流分尺度一阶矩向量曲线,(c)为两相短路数据的三相电流分时间一阶矩向量曲线;
图7中,(a)为两相短路数据的三相电压波形,(b)为两相短路数据的三相电压分尺度一阶矩向量曲线,(c)为两相短路数据的三相电压分时间一阶矩向量曲线。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的具体实施方式不局限于此。
实施例
参见图1,本发明利用小波灰度矩阵之一阶矩向量对配电网线路工况进行分类识别,具体过程如下:
步骤1、通过电磁仿真工具,如图2所示,获取配电网线路各种工况及典型故障的运行数据。
前述运行数据可以是配电网线路A、B、C三相电流、三相电压波形,获取时的采样率为4k;采样时长:突变前2个周期波长,突变后4个周期波长。
步骤2、利用步骤1所获取的运行数据,对各种工况及典型故障的特征基因进行提取,从而得到特征基因库,特征基因库概念图参见图3。最后,还可以通过现场应用进行特征基因库准确性的验证,得到最终的标准配网运行信号特征基因库。
本发明的“基因库”与一般意义上的基于生态学的基因库不同。传统基因库指的是一个群体中所有个体的基因特征组合的全部集合(生态学)。本发明中所要建立的“基因库”中“群体”指的是各种配电网线路运行状态;“个体”指向具体的每一种工况及典型故障类型;“特征组合”则指的是可以用来分类识别每一种工况及典型故障类型的特征基因;“集合”就是指最终形成的结果库。
在本发明中,特征基因库具有的最重要属性为“标签属性”。本发明就是利用该标签属性,研究实现各种配电网运行信号分类识别的准确性,提高分类识别的诊断效率。在满足这两个前提的基础上,特征基因库还要便于日后升级和维护,因为配电网运行工况复杂,需要经历一个不断验证与优化的过程。最后,该特征基因库要能够实现可移植性,推广应用到相应的专家***或设备的诊断功能模块当中,为配网运行管理提供可靠的技术手段。
为满足配电网线路运行状态分类识别的需要,本发明特征基因提取算法须要具有以下特点:
1)确定性:算法的每一步骤必须有确切的定义,包含明确的输入量和输出量;
2)有穷性:算法的有穷性是指算法必须能在执行有限个步骤之后终止;
3)可行性:算法中执行的任何计算步骤都是可以被分解为基本的可执行的操作步,即每个计算步都可以在有限时间内完成(也称之为有效性)。
以上是算法的基本要求。特征基因提取算法还需要具有以下特点:
1)鲁棒性:本发明中用来进行特征提取的数据源来自仿真及获得的现场数据,而现场数据的采集将会受到恶劣的野外环境的影响,可能会造成部分数据丢失,三相电流、电场数据相位无法同步。因此,该算法需要尽可能的考虑多种情况的影响,以满足未来实际应用的需求。
2)多维度:由于配电线路故障诊断复杂,利用单一维度很难准确描述某一特定工况及典型故障,为了能够更加准确的保证故障诊断的准确性,本算法需要在不同维度进行分析。
3)可扩展性:随着现场采集数据不断丰富,算法也需要在不断验证-改善-验证的循环中不断改进。因此,算法本身需要具有一定的弹性空间。
4)特征可量化性:算法提取的特征必须能够量化,即达到根据该特征可以较容易的建立起故障诊断规则,从而能够顺利的在生产及运维工作中加以应用。
5)适用性:从原理上说,一种算法的优劣真的难以说出黑白来。大概这就是为什么每个人都说自己的算法好,而每个人都无法保证自己的算法适用于所有的范围,或者说在所有情况下效果都好的原因。虽然如此,本发明依然要求该算法有尽可能广阔的适用范围。
本实施例所采取的特征基因提取算法基于小波灰度矩。首先对A、B、C三相电流和三相电压波形数据进行连续小波变换(尺度:256,小波母函数为‘morl’),按照尺度方向对小波系数矩阵进行等区域划分(本实施例中为128等分)进行一阶灰度矩向量的计算;再按照时间轴方向,对小波系数矩阵进行等区域划分(本实施例中为30等分)进行一阶灰度矩向量的计算。其步骤具体如下:
(1)小波灰度矩的定义
设与某信号的连续小波变换灰度图对应的小波变换系数用矩阵[C]m×n表示,m和n分别对应小波灰度图的小波变换尺度和采样时间,则与小波灰度图对应的k阶灰度矩定义为:
式中,cij是矩阵[C]mxn的元素,表征元素cij(i,j≠1)与元素c11之间的距离,相当于灰度图中某一个像素点(i,j)与参考点(1,1)之间的几何长度。因此,灰度矩gk反映了灰度图中象素灰度的分布情况,从gk的定义可知,gk的值不仅取决于信号小波变化系数值的大小,还受各系数值沿尺度轴和时间轴的分布情况影响,因而可用来表征灰度图的特征。
(2)小波灰度矩之一阶灰度矩的计算
根据式(1-1)对k阶灰度矩的定义,取k=1即可得到一阶灰度矩g1,具体的计算步骤如下:
对采集到的三相电流、三相电压波形数据进行归一化处理。假设该数据由512个离散点组成{A1,A2,……,A512},则处理后的序列为{x1,x2,…,x512},其中,满足
对序列{x1,x2,……,x512}进行N尺度连续小波变换,得到N×512小波系数矩阵[C],对小波系数矩阵[C]求绝对值。取k=1,按式(1-1)计算与小波系数矩阵|[C]|相应的一阶灰度矩g1。
(3)一阶灰度矩向量的计算
前面定义的一阶灰度矩,实质是对配电网运行信号对应的灰度图中的像素灰度及其分布情况进行了统计计算,因此具有对灰度图的整体综合特征。如果将灰度图进行合理分区,对各区域分别计算其一阶灰度矩,利用由各区域一阶灰度矩组成的一阶灰度矩向量(以下简称一阶矩向量)表征不同配电网运行信号的灰度图,有望提高配电网运行信号的分辨力。
为了增加信号的辨识度,本发明将对灰度图的分区沿尺度方向和沿时间方向分别进行。这时,各分区灰度图实际上表征了信号整个采样时间内不同频率成分的分布情况,即将灰度图所表征的时频信息进行分割,因而有望从更深的层次表征灰度图中蕴藏的信息。
按照以上思想,一阶灰度矩向量的计算步骤如下:
a)对采集到的运行数据信号进行归一化处理。归一化方法与一阶灰度矩计算步骤中的相同。
b)对归一化后的信号序列{x1,x2,……,x512}进行N尺度连续小波变换,得到N×512小波系数矩阵。
c)对小波系数矩阵求绝对值。
d)对小波系数矩阵沿尺度方向进行等区域划分。若划为m个区域,令s=N/m,则各区域均为s×512矩阵。
e)按式(1-1)对以上m个区域分别计算一阶灰度矩g1,i(i=1,2,…,m),各区域一阶灰度矩可构成相应故障的一阶灰度矩向量G1,即G1=[g1,1,g1,2,…,g1,m]。
(4)小波灰度矩的分析
为了方便介绍本发明专利的算法,分析对象参照表1配电网运行典型工况及故障分类表。
表1配电网运行典型工况及故障分类
根据一阶灰度矩向量,为便于分析,首先定义如表2和表3中所示变量,用于表征各种不同配网工况,并最终生成如表4所示的特征基因库,特征基因库采用二进制表示。
表2分类识别变量定义
备注:M函数“()”分区内的灰度矩与正常时灰度矩间差值的绝对值中最大值。
表3各个变量的状态值定义
另外,基于实用性考虑(即让算法便于程序化),现定义一个分类矩阵[C0],如表4所示。
表4小波灰度矩向量法初始特征基因库
Item | IS | IE | IS1 | IS2 | IT1 | IT2 | VS | VE | VS1 | VS2 | VT1 | VT2 |
DJQD | 1 | 1 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 |
FHTQ | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 |
LCYL | 0 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 0 | 1 | 1 |
DX | 1 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 0 | 1 | 1 | 0 |
DL | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 |
JXJD | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
JSJD | 1 | 1 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 1 | 1 | 0 |
DZJD | 1 | 1 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 |
SSRD | 1 | 1 | 0 | 1 | 1 | 0 | 1 | 1 | 0 | 1 | 0 | 0 |
表4中各符号的含义,如表5所示:
表5
步骤3、采集当前配电网线路工况的三相电流、电压信号,用与步骤2相同的特征基因提取算法提取特征基因,分析各相电流、电压的分尺度矩向量曲线及分时间矩向量曲线,查询步骤2所得到的特征基因库,判断是否出现故障,并识别出是哪类故障。
下面将列举几种常见的故障进行示意性分析:
案例1:励磁涌流数据分析
励磁涌流数据的三相电流波形及其分尺度、分时间一阶矩向量曲线如图4所示。从图4可知:
1)三相电流在励磁涌流过程中幅值及波形变化均较明显;
2)分尺度一阶矩向量在4~20分区的三相电流一阶矩向量较正常值较大,特征明显;在32~34分区的三相电流一阶矩向量与正常时比较,根据合闸角度不同,有的稍小,有的小很多,总体来看特征较明显;48~112分区的三相电流一阶矩向量较正常值均较大;
3)分时间一阶矩向量与正常时相比特征非常明显。
励磁涌流数据的三相电压波形及其分尺度、分时间一阶矩向量曲线如图5所示。从图5可知:
1)三相电压在励磁涌流过程中幅值及波形变化均较明显;
2)分尺度一阶矩向量在4~20分区的三相电压一阶矩向量较正常值较大,特征明显;在32~34分区的三相电压一阶矩向量与正常时比较,根据合闸角度不同,有的几乎相同,有的稍小,总体来看特征较明显;48~112分区的三相电压一阶矩向量较正常值均较大;
3)分时间一阶矩向量与正常时相比特征非常明显。
案例2:两相短路数据分析
两相短路数据的三相电流波形及其分尺度、分时间一阶矩向量曲线如图6所示。从图6可知:
1)短路后出现故障的两相线路电流大幅升高,非故障相变化不明显;
2)短路相的分尺度一阶矩向量在32~34分区的三相电流一阶矩向量较正常时稍大,特征不明显,其他非故障相与正常时相近,特征不明显;在48~64分区、96~112分区故障相均比正常时大,具有一定特征,非故障相与正常时无差别;
3)短路相的分时间一阶矩向量在2~5分区内比正常时相比小,特征明显,并且在10~12分区内比正常时大很多,特征明显;非故障相与正常时无差别。
两相短路数据的三相电压波形及其分尺度、分时间一阶矩向量曲线如图7所示。从图7可知:
1)短路后出现故障的两相线路电压小幅降低,非故障相变化不明显;
2)短路相的分尺度一阶矩向量在32~34分区的故障相电流一阶矩向量较正常时稍小,具有一定特征,非故障相与正常时相近;在48~112分区故障相及非故障相均与正常时接近,特征不明显;
3)短路相的分时间一阶矩向量在2~5分区内比正常时相比小,特征明显,并且在9~12分区内比正常时大很多,特征明显;非故障相与正常时无差别。
从一阶矩向量曲线的分析结果中可以看到,小波灰度矩算法的应用可以提取出表征各种工况及故障的特征。从上述内容可以看出,通过小波灰度矩向量的方法可以实现对各种配电网线路运行信号特征进行分析与识别,与目前针对特定工况或故障采用特定方法的解决思路完全不同。
Claims (4)
1.配电网线路工况分类识别方法,其特征在于,包括以下步骤:
步骤1、获取配电网线路A、B、C三相电流、三相电压波形数据;
步骤2、利用步骤1所获取的A、B、C三相电流、三相电压波形数据,对各种工况及典型故障的特征基因进行提取,从而得到特征基因库;
步骤3、采集当前配电网线路工况的三相电流、电压信号,用与步骤2相同的特征基因提取算法提取特征基因,分析各相电流、电压的分尺度矩向量曲线及分时间矩向量曲线,查询步骤2所得到的特征基因库,判断是否出现故障,并识别出是哪类故障。
2.根据权利要求1所述的配电网线路工况分类识别方法,其特征在于,步骤2采取基于小波灰度矩的特征基因提取算法提取特征基因,首先对A、B、C三相电流和三相电压波形数据进行连续小波变换,按照尺度方向对小波系数矩阵进行等区域划分进行一阶灰度矩向量的计算,再按照时间轴方向对小波系数矩阵进行等区域划分进行一阶灰度矩向量的计算。
3.根据权利要求2所述的配电网线路工况分类识别方法,其特征在于,所述特征基因提取算法如下:
(1)定义小波灰度矩
设与某信号的连续小波变换灰度图对应的小波变换系数用矩阵[C]m×n表示,m和n分别对应小波灰度图的小波变换尺度和采样时间,则与小波灰度图对应的k阶灰度矩定义为:
式中,cij是矩阵[C]mxn的元素,表征元素cij(i,j≠1)与元素c11之间的距离;
(2)计算小波灰度矩之一阶灰度矩
根据式(1-1),取k=1得到一阶灰度矩g1,一阶灰度矩g1的计算步骤如下:
对采集到的三相电流、三相电压波形数据进行归一化处理,假设该数据由512个离散点组成{A1,A2,……,A512},则处理后的序列为{x1,x2,…,x512},其中,满足
对序列{x1,x2,……,x512}进行N尺度连续小波变换,得到N×512小波系数矩阵[C],对小波系数矩阵[C]求绝对值;取k=1,按式(1-1)计算与小波系数矩阵|[C]|相应的一阶灰度矩g1;
(3)计算一阶灰度矩向量,步骤如下:
对小波系数矩阵[C]沿尺度方向进行等区域划分,若划为m个区域,令s=N/m,则各区域均为s×512矩阵;
按式(1-1)对以上m个区域分别计算一阶灰度矩g1,i(i=1,2,…,m),各区域一阶灰度矩构成相应故障的一阶灰度矩向量G1,即G1=[g1,1,g1,2,…,g1,m];
(4)根据一阶灰度矩向量,定义不同的变量用于表征各种不同配电网线路工况,并最终生成采用二进制表示的特征基因库。
4.根据权利要求1所述的配电网线路工况分类识别方法,其特征在于,步骤1采用电磁仿真工具获取三相电流、三相电压波形数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510762572.8A CN105277852A (zh) | 2015-11-09 | 2015-11-09 | 配电网线路工况分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510762572.8A CN105277852A (zh) | 2015-11-09 | 2015-11-09 | 配电网线路工况分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105277852A true CN105277852A (zh) | 2016-01-27 |
Family
ID=55147208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510762572.8A Pending CN105277852A (zh) | 2015-11-09 | 2015-11-09 | 配电网线路工况分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105277852A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976266A (zh) * | 2016-05-16 | 2016-09-28 | 国网江苏省电力公司电力科学研究院 | 基于典型电压暂降波形匹配的电压暂降原因识别方法 |
CN107831024A (zh) * | 2017-04-11 | 2018-03-23 | 上海发电设备成套设计研究院 | 基于多点振动信号特征值的风机振动故障状态诊断方法 |
CN112836577A (zh) * | 2020-12-30 | 2021-05-25 | 中南大学 | 一种智慧交通无人驾驶车辆故障基因诊断方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202735788U (zh) * | 2012-03-31 | 2013-02-13 | 广东电网公司电力科学研究院 | 风力发电机组运行状态远程监测及故障诊断*** |
CN104964821A (zh) * | 2015-05-22 | 2015-10-07 | 南京航空航天大学 | 一种用于轴系设备的故障检测方法和故障检测装置 |
-
2015
- 2015-11-09 CN CN201510762572.8A patent/CN105277852A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202735788U (zh) * | 2012-03-31 | 2013-02-13 | 广东电网公司电力科学研究院 | 风力发电机组运行状态远程监测及故障诊断*** |
CN104964821A (zh) * | 2015-05-22 | 2015-10-07 | 南京航空航天大学 | 一种用于轴系设备的故障检测方法和故障检测装置 |
Non-Patent Citations (2)
Title |
---|
ZHANG YANPING ET AL.: "Continuous wavelet grey moment approach for vibration analysis of rotating machinery", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
第1期: "一种基于小波分时灰度矩与概率神经网络的电网故障诊断方法", 《重庆邮电大学学报( 自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976266A (zh) * | 2016-05-16 | 2016-09-28 | 国网江苏省电力公司电力科学研究院 | 基于典型电压暂降波形匹配的电压暂降原因识别方法 |
CN107831024A (zh) * | 2017-04-11 | 2018-03-23 | 上海发电设备成套设计研究院 | 基于多点振动信号特征值的风机振动故障状态诊断方法 |
CN107831024B (zh) * | 2017-04-11 | 2020-06-16 | 上海发电设备成套设计研究院 | 基于多点振动信号特征值的风机振动故障状态诊断方法 |
CN112836577A (zh) * | 2020-12-30 | 2021-05-25 | 中南大学 | 一种智慧交通无人驾驶车辆故障基因诊断方法及*** |
CN112836577B (zh) * | 2020-12-30 | 2024-02-20 | 中南大学 | 一种智慧交通无人驾驶车辆故障基因诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766175A (zh) | 一种基于时间序列分析的电力***异常数据辨识与修正方法 | |
CN103020459B (zh) | 一种多维度用电行为的感知方法及*** | |
CN103294848B (zh) | 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法 | |
Drew et al. | The importance of accurate wind resource assessment for evaluating the economic viability of small wind turbines | |
Dashtdar et al. | Fault location in the transmission network using artificial neural network | |
Almutairi et al. | Use of MCMC to incorporate a wind power model for the evaluation of generating capacity adequacy | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN105372531A (zh) | 基于Weibull分布模型的变压器绝缘热老化参数相关性计算方法 | |
CN103413188A (zh) | 一种基于工业业扩报装的月度工业用电量预测方法 | |
Wang et al. | Regional nonintrusive load monitoring for low voltage substations and distributed energy resources | |
Sajjad et al. | Probabilistic generation of time‐coupled aggregate residential demand patterns | |
CN113111618B (zh) | 一种基于改进的经验小波变换的模拟电路故障诊断方法 | |
CN105277852A (zh) | 配电网线路工况分类识别方法 | |
Zagouras et al. | Clustering the solar resource for grid management in island mode | |
Mahmoud et al. | Efficient SPF approach based on regression and correction models for active distribution systems | |
Guomin et al. | Deep learning‐based fault location of DC distribution networks | |
CN112750051A (zh) | 基于随机森林算法的台区相序识别方法、装置及终端设备 | |
Yunus et al. | Modelling spatially and temporally correlated wind speed time series over a large geographical area using VARMA | |
CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
Yang et al. | Fault Classification in Distribution Systems Using Deep Learning With Data Preprocessing Methods Based on Fast Dynamic Time Warping and Short-Time Fourier Transform | |
Wang et al. | Electric vehicle load disaggregation based on limited activation matching pursuits | |
Ling et al. | A motif-based classification algorithm for identifying solar panel installations | |
Condeixa et al. | Wind speed time series analysis using TBATS decomposition and moving blocks bootstrap | |
Pena et al. | Data-Driven Detection of Phase Changes in Evolving Distribution Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160127 |
|
WD01 | Invention patent application deemed withdrawn after publication |