CN107733089A - 一种基于svm的变电站刀闸二次回路故障预测方法 - Google Patents
一种基于svm的变电站刀闸二次回路故障预测方法 Download PDFInfo
- Publication number
- CN107733089A CN107733089A CN201711103650.9A CN201711103650A CN107733089A CN 107733089 A CN107733089 A CN 107733089A CN 201711103650 A CN201711103650 A CN 201711103650A CN 107733089 A CN107733089 A CN 107733089A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- data
- svm
- disconnecting link
- 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
- 238000000034 method Methods 0.000 title claims abstract description 12
- 230000007257 malfunction Effects 0.000 claims abstract description 7
- 230000008030 elimination Effects 0.000 claims abstract description 5
- 238000003379 elimination reaction Methods 0.000 claims abstract description 5
- 238000009434 installation Methods 0.000 claims description 18
- 230000036541 health Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000006870 function Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229910052573 porcelain Inorganic materials 0.000 description 1
Classifications
-
- H02J13/0003—
-
- H02J13/0006—
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
- Y04S10/16—Electric power substations
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于SVM的变电站刀闸二次回路故障预测方法，包括如下步骤：步骤一：整理数据源；步骤二：对上述数据源进行预处理获得一致的单调性，并归一化使数值范围处在[0,1]；步骤三：通过步骤二得到归一化的数值后，结合历史数据构成的训练样本(xi,yi)，训练样本(xi,yi)通过SVM工具箱中函数train‑svm的计算，即可得到偏差b和拉格朗日系数α，得出预测模型：步骤五：用历史数据训练好的预测模型进行刀闸二次回路故障预测，输出为‑1认为正常运行，若输出为+1认为存在故障，即可结合停电计划提前进行故障排查。
Description
技术领域
本发明涉及自动化操作领域，尤其涉及平压机自动化送纸。
背景技术
电力***中的隔离开关即刀闸，是电力***重要的电气设备。一旦发生变 电站刀闸二次回路故障，将会出现刀闸拒合、拒分等现象，产生危急缺陷，不 仅影响停送电效率，还增加了工作的安全风险，更甚者可能引起瓷瓶产生裂缝， 甚至断裂，导致设备故障跳闸的严重后果，影响电网正常运行。
然而，由于不同刀闸的各部件损耗进程不同，定期检修、定期维护除增加 维护成本、维护工作量外并不能从根本上解决并预测出刀闸二次回路是否故 障。目前，对于在变电站被广泛使用的刀闸二次回路故障缺乏一种有效的预测 方法。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于SVM的 变电站刀闸二次回路故障预测方法，其方法简单清晰，便于计算，易于实现。
为了解决上述的技术问题，本发明提供了一种基于SVM的变电站刀闸二次 回路故障预测方法，包括如下步骤：
步骤一：整理导出PMS台账***中刀闸台账的①安装厂家、②运行年限、 ③检修次数、④运行环境、⑤配电装置型式、⑥承担负荷情况六大主要影响因 素作为数据源；
步骤二：对上述数据源中①安装厂家、④运行环境、⑤配电装置型式进行 预处理获得一致的单调性，并归一化使数值范围处在[0,1]；
对安装厂家进行预处理和归一化是指：依据该安装厂家在本辖区电网中实 际故障数量gi，结合PMS台账***中相关安装厂家设备总数Ci，定义该厂家健 康度ηi
式中i＝1,2,...,m，m为设备出现过故障的安装厂家数量，并规定暂未出现过 故障的安装厂家健康度为0；
对运行环境进行预处理是指：设备运行在户外环境的情况为1，运行在户 内环境的情况为0；
对配电装置型式进行预处理是指：规定AIS设备为1，GIS设备为0；
①安装厂家、④运行环境、⑤配电装置型式经过上述预处理后获得了一致 的单调性，数值越大，故障率越高，再根据公式(2)将各数据进行归一化使 数值范围处在[0,1]；
式中i＝1,2,...,n，表示第i组数据，j＝1,2,...,6，表示第j维数据，Iij、Ii'j分别表示经预处理后各影响因素数值及经归一化后数值；
步骤三：选择采用径向基RBF函数作为核函数；
步骤四：通过步骤二得到归一化的数值后，结合历史数据构成的训练样本 (xi,yi)，i＝1,2,...,n，表示第i组数据，其中yi∈{+1，-1}；训练样本(xi,yi)通过SVM 工具箱中函数train-svm的计算，即可得到偏差b和拉格朗日系数α，从而得 出如下式的预测模型：
式中xi为训练数据，i＝1,2,...,n,n为训练数据组数，x为待预测数据，K为 核函数，且训练数据与预测数据均为6维数据类型； 式中调整参数σ设为64.290；
步骤五：用历史数据训练好的预测模型进行刀闸二次回路故障预测，输出 为-1认为正常运行，若输出为+1认为存在故障，即可结合停电计划提前进行 故障排查。
在一较佳实施例中：在步骤四中，
通过超平面方程w·x+b＝0，将：训练样本(xi,yi)分为两类：
上式中，w是向量，支持向量机的最优超平面是一个使得分类边缘最大的 超平面，即使得最大，所以求解最优超平面，即目标函数为
上式应满足约束条件：yi(w·xi+b)-1≥0,i＝1,2,...,n。
根据拉格朗日对偶性原理，上述目标函数等效转换为
式中α为拉格朗日乘子，T是矩阵转子，其与w存在如下关系：
采用上述训练样本数据进行训练。
相较于现有技术，本发明的技术方案具备以下有益效果
本发明提出的一种基于SVM的变电站刀闸二次回路故障预测方法，可提前 预知刀闸二次回路健康与否，结合停电计划提前进行故障排查，减少刀闸突发 性故障对倒闸操作的影响和对人身、电网、设备带来的安全隐患，大大提高供 电企业的安全运行水平，提高供电可靠率，具有巨大的社会效益和经济效益。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。具体包括如下步骤：
1)首先，从PMS台账***中整理导出刀闸台账的①安装厂家、②运行年 限、③检修次数、④运行环境、⑤配电装置型式、⑥承担负荷情况六大主要影 响因素作为训练及测试数据；
2)由于①安装厂家、④运行环境、⑤配电装置型式的数据存在特殊性， 需进行如下预处理：
(1)安装厂家：依据该安装厂家在本辖区电网中实际故障数量gi，结合 PMS台账***中相关安装厂家设备总数Ci，定义该厂家健康度ηi：
式中i＝1,2,...,m，m为设备出现过故障的安装厂家数量，并规定暂未出现过 故障的安装厂家健康度为0。显然地，健康度越趋近于1，说明故障率越高。
(2)运行环境：本发明规定设备运行在户外的情况为1，在户内的情况为 0，经不完全统计，运行在户外的设备故障率相对高；
(3)配电装置型式：本发明规定AIS设备为1，GIS设备为0，经不完全 统计，AIS设备故障率相对高；
经过上述预处理后获得了一致的单调性，数值越大，故障率越高，再根据 公式(2)将各数据进行归一化使数值范围处在[0,1]；
式中i＝1,2,...,n，表示第i组数据，j＝1,2,...,6，表示第j维数据，Iij、Ii'j分别表示经预处理后各影响因素数值及经归一化后数值。
3)对于模型参数的选定，本发明通过经验及多次测试，选择采用径向基 RBF函数作为核函数，
式中调整参数σ设为64.290；
4)我们知道的，支持向量机是基于统计学***面，使得该平面两侧的两类样本之间的距离最大 化，从而对分类问题提供很好的泛化能力。通过步骤2)得到归一化的数值后， 结合历史数据构成的训练样本(xi,yi)，i＝1,2,...,n，表示第i组数据，其中 yi∈{+1，-1}。接着，通过超平面方程w·x+b＝0，将样本分为两类：
w为向量，支持向量机的最优超平面是一个使得分类边缘最大的超平面， 即使得最大，所以求解最优超平面，即目标函数为
上式应满足约束条件：yi(w·xi+b)-1≥0,i＝1,2,...,n。
根据拉格朗日对偶性原理，上述目标函数等效转换为
式中T为矩阵转子，α为拉格朗日乘子，其与w存在如下关系：
采用上述训练样本数据进行训练，通过SVM工具箱中函数train-svm的计 算，即可得到偏差b和拉格朗日系数α，并根据式(7)，求出w，从而得出如 下式的预测模型：
式中xi为训练数据，i＝1,2,...,n,x为待预测数据，K为核函数，本发明且训练数据与预测数据均为6维数据类型。
5)根据历史数据训练好的预测模型式(8)，将预测样本数据输入SVM工 具箱中函数predict-svm进行计算，完成对刀闸二次回路的故障预测，输出为 -1认为正常运行，若输出为+1认为存在故障，即可结合停电计划提前进行故 障排查。
应用举例
根据某地市公司历史运行情况，整理导出300组训练样本，30组测试样本。 训练样本中正常状态260组,故障状态40组；测试样本中正常状态25组，故 障状态5组。
本发明首先根据步骤1)-4)将上述训练样本构成训练集为 {(x1,y1),(x2,y2),...,(x300,y300)}，其中，xi∈R6,yi＝{1,-1}，当yi＝1时，表示第i个样本 存在刀闸二次回路故障，当yi＝-1时，表示第i个样本刀闸二次回路正常。接着， 通过SVM工具箱中函数train-svm计算得到预测模型traindata.model，最后， 根据步骤5)结合预测模型，将预测样本数据输入SVM工具箱中函数 predict-svm计算出预测结果，如下表1所示。
表1刀闸二次回路故障预测结果
上表中整体正确率为预测正确样本数与总预测样本数的比值。且由表1可 知，该发明对刀闸二次回路故障预测的正确率可达90％以上，因此对刀闸二次 回路故障预测是可行、高效的。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易 想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护 范围应该以权利要求的保护范围为准。
Claims (2)
1.一种基于SVM的变电站刀闸二次回路故障预测方法，其特征在于包括如下步骤：
步骤一：整理导出PMS台账***中刀闸台账的①安装厂家、②运行年限、③检修次数、④运行环境、⑤配电装置型式、⑥承担负荷情况六大主要影响因素作为数据源；
步骤二：对上述数据源中①安装厂家、④运行环境、⑤配电装置型式进行预处理获得一致的单调性，并归一化使数值范围处在[0,1]；
对安装厂家进行预处理和归一化是指：依据该安装厂家在本辖区电网中实际故障数量gi，结合PMS台账***中相关安装厂家设备总数Ci，定义该厂家健康度ηi
<mrow>
<msub>
<mi>&eta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中i＝1,2,...,m，m为设备出现过故障的安装厂家数量，并规定暂未出现过故障的安装厂家健康度为0；
对运行环境进行预处理是指：设备运行在户外环境的情况为1，运行在户内环境的情况为0；
对配电装置型式进行预处理是指：规定AIS设备为1，GIS设备为0；
①安装厂家、④运行环境、⑤配电装置型式经过上述预处理后获得了一致的单调性，数值越大，故障率越高，再根据公式(2)将各数据进行归一化使数值范围处在[0,1]；
<mrow>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mi>max</mi>
<mi> </mi>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>I</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中i＝1,2,...,n，表示第i组数据，j＝1,2,...,6，表示第j维数据，Iij、I′ij分别表示经预处理后各影响因素数值及经归一化后数值；
步骤三：选择采用径向基RBF函数作为核函数，其中调整参数σ设为64.290；
步骤四：通过步骤二得到归一化的数值后，结合历史数据构成的训练样本(xi,yi)，i＝1,2,...,n，表示第i组数据，其中yi∈{+1，-1}；训练样本(xi,yi)通过SVM工具箱中函数train-svm的计算，即可得到偏差b和拉格朗日系数α，从而得出如下式的预测模型：
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中xi为训练数据，i＝1,2,...,n,n为训练数据组数，x为待预测数据，K为核函数，且训练数据与预测数据均为6维数据类型；
步骤五：用历史数据训练好的预测模型进行刀闸二次回路故障预测，输出为-1认为正常运行，若输出为+1认为存在故障，即可结合停电计划提前进行故障排查。
2.根据权利要求1所述的一种基于SVM的变电站刀闸二次回路故障预测方法，其特征在于：在步骤四中，
通过超平面方程w·x+b＝0，将：训练样本(xi,yi)分为两类：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>w</mi>
<mo>&CenterDot;</mo>
<mi>x</mi>
<mo>+</mo>
<mi>b</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>w</mi>
<mo>&CenterDot;</mo>
<mi>x</mi>
<mo>+</mo>
<mi>b</mi>
<mo>&le;</mo>
<mn>0</mn>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>=</mo>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
上式中，w是向量；支持向量机的最优超平面是一个使得分类边缘最大的超平面，即使得最大，所以求解最优超平面，即目标函数为
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&phi;</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>w</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
上式应满足约束条件：yi(w·xi+b)-1≥0,i＝1,2,...,n。
根据拉格朗日对偶性原理，上述目标函数等效转换为
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>w</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<msup>
<mi>w</mi>
<mi>T</mi>
</msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>b</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式中α为拉格朗日乘子，T是指矩阵转子，其与w存在如下关系：
<mrow>
<mi>w</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
采用上述训练样本数据进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711103650.9A CN107733089A (zh) | 2017-11-10 | 2017-11-10 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711103650.9A CN107733089A (zh) | 2017-11-10 | 2017-11-10 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107733089A true CN107733089A (zh) | 2018-02-23 |
Family
ID=61214326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711103650.9A Pending CN107733089A (zh) | 2017-11-10 | 2017-11-10 | 一种基于svm的变电站刀闸二次回路故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107733089A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108923413A (zh) * | 2018-05-23 | 2018-11-30 | 国网福建省电力有限公司莆田供电公司 | 基于支持向量机的电压质量预测方法 |
| CN109035066A (zh) * | 2018-09-30 | 2018-12-18 | 国网山西省电力公司阳泉供电公司 | 基于svm的10千伏配网高掉闸线路成因分析及治理方法 |
| CN109061453A (zh) * | 2018-08-02 | 2018-12-21 | 国网福建省电力有限公司 | 计及相关系数的变电站刀闸二次回路故障预测方法 |
| CN110649597A (zh) * | 2019-09-06 | 2020-01-03 | 国网山东省电力公司寿光市供电公司 | 一种基于rbf神经网络的配电网馈线自动化控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160444A (zh) * | 2015-10-22 | 2015-12-16 | 广东电网有限责任公司电力调度控制中心 | 电力设备故障率确定方法及*** |
| CN105932774A (zh) * | 2016-05-11 | 2016-09-07 | 国网冀北电力有限公司张家口供电公司 | 基于ica算法的智能变电站设备状态预警方法 |
| US20170015339A1 (en) * | 2014-12-12 | 2017-01-19 | Beijing Jiaotong University | Complex network-based high speed train system safety evaluation method |
| CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
| CN107257161A (zh) * | 2017-06-20 | 2017-10-17 | 安徽南瑞继远电网技术有限公司 | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及*** |
-
2017
- 2017-11-10 CN CN201711103650.9A patent/CN107733089A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170015339A1 (en) * | 2014-12-12 | 2017-01-19 | Beijing Jiaotong University | Complex network-based high speed train system safety evaluation method |
| CN105160444A (zh) * | 2015-10-22 | 2015-12-16 | 广东电网有限责任公司电力调度控制中心 | 电力设备故障率确定方法及*** |
| CN105932774A (zh) * | 2016-05-11 | 2016-09-07 | 国网冀北电力有限公司张家口供电公司 | 基于ica算法的智能变电站设备状态预警方法 |
| CN106844826A (zh) * | 2016-12-02 | 2017-06-13 | 上海电机学院 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
| CN107257161A (zh) * | 2017-06-20 | 2017-10-17 | 安徽南瑞继远电网技术有限公司 | 一种基于状态识别算法的变电站刀闸遥控辅助校核方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 余彬 等: "基于支持向量机的变电站过热故障的在线监测", 《浙江电力》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108923413A (zh) * | 2018-05-23 | 2018-11-30 | 国网福建省电力有限公司莆田供电公司 | 基于支持向量机的电压质量预测方法 |
| CN109061453A (zh) * | 2018-08-02 | 2018-12-21 | 国网福建省电力有限公司 | 计及相关系数的变电站刀闸二次回路故障预测方法 |
| CN109035066A (zh) * | 2018-09-30 | 2018-12-18 | 国网山西省电力公司阳泉供电公司 | 基于svm的10千伏配网高掉闸线路成因分析及治理方法 |
| CN110649597A (zh) * | 2019-09-06 | 2020-01-03 | 国网山东省电力公司寿光市供电公司 | 一种基于rbf神经网络的配电网馈线自动化控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107733089A (zh) | 一种基于svm的变电站刀闸二次回路故障预测方法 | |
| Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
| US9239816B2 (en) | Method of power system preventive control candidate measures identification self-adaptive to external environment | |
| CN104616090B (zh) | 基于风险评估的电缆检修策略方法 | |
| CN103700025B (zh) | 一种基于风险分析的电力***设备重要度的评估排序方法 | |
| CN103545832B (zh) | 一种基于发电预测误差的光伏***储能容量配置方法 | |
| CN107194574B (zh) | 一种基于负荷损失的电网安全风险评估方法 | |
| CN104392391A (zh) | 一种电网运行安全风险量化方法 | |
| CN102934312B (zh) | 能量产生***及其控制 | |
| CN103337043B (zh) | 电力通信设备运行状态的预警方法和*** | |
| CN104299116A (zh) | 一种电网运行安全风险定量评估方法 | |
| CN103279900B (zh) | 一种针对区域输电网脆弱域的评估方法 | |
| CN106447227A (zh) | 城市电网异常状态分析方法及*** | |
| CN109359896B (zh) | 一种基于svm的电网线路故障风险预警方法 | |
| CN109061453A (zh) | 计及相关系数的变电站刀闸二次回路故障预测方法 | |
| CN103150635B (zh) | 电力设备运维方法 | |
| CN106058865A (zh) | 一种电网节点电压暂降的风险评估方法 | |
| CN104021304A (zh) | 一种变压器在线监测装置安装优先级评估方法 | |
| CN107239652A (zh) | 一种充电站运行状态风险评估方法 | |
| CN103500283A (zh) | 基于故障树的电力变压器风险评估方法 | |
| CN105184490B (zh) | 电网调度操作过程风险辅助预控*** | |
| CN109214717A (zh) | 配电网电源并网评价方法及其评价*** | |
| CN106600458A (zh) | 基于改进功率介数的电网风险综合评估方法 | |
| CN107069705A (zh) | 一种电网元件连锁故障模拟方法 | |
| CN106571627A (zh) | 一种基于在线监测信息的二次设备健康状态评价方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180705 Address after: 351100 No. 999, South Garden Road, Xia Lin Street, Chengxiang District, Putian, Fujian Applicant after: PUTIAN POWER SUPPLY COMPANY, STATE GRID FUJIAN ELECTRIC POWER CO., LTD. Applicant after: State Grid Fujian Electric Power Co., Ltd. Address before: No. 54, No. 257, Drum Tower District, Fuzhou, Fujian Applicant before: State Grid Fujian Electric Power Co., Ltd. Applicant before: State Grid Corporation of China Applicant before: PUTIAN POWER SUPPLY COMPANY, STATE GRID FUJIAN ELECTRIC POWER CO., LTD. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |
|
| RJ01 | Rejection of invention patent application after publication |