CN110824297B - 一种基于svm支持向量机的单相接地故障判别方法和装置 - Google Patents
一种基于svm支持向量机的单相接地故障判别方法和装置 Download PDFInfo
- Publication number
- CN110824297B CN110824297B CN201911133969.5A CN201911133969A CN110824297B CN 110824297 B CN110824297 B CN 110824297B CN 201911133969 A CN201911133969 A CN 201911133969A CN 110824297 B CN110824297 B CN 110824297B
- Authority
- CN
- China
- Prior art keywords
- fault
- time
- zero
- sequence voltage
- current
- 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
Images
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)
- Emergency Protection Circuit Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于SVM支持向量机的单相接地故障判别方法和装置,方法包括:连续采集线路零序电压电流数据;响应于线路零序电压电流发生突变,获取突变时刻、突变时刻前一周波以及突变时刻后一周波的零序电压电流数据,并分别计算零序电压和零序电流的偏差值;基于零序电压电流偏差值,分别计算故障隶属度值;响应于突变时刻、突变时刻前一周波和后一周波对应的故障隶属度值中,存在任意一个不为0的情况,则将故障隶属度值及其所属时刻/时段信息作为预先训练得到的支持向量机分类器的输入,进而根据支持向量机分类器的输出判断是否发生单相接地故障。利用本发明可对***发生的单相接地故障进行判别,判别结果准确可靠。
Description
技术领域
本发明涉及配电网故障监测技术领域,特别是一种基于SVM支持向量机的单相接地故障判别方法和装置。
背景技术
电力***由大量发、送、输、配、用电等设备连接构成,这些设备的可靠性及运行情况直接决定着整个***的稳定和安全,也决定着供电的质量和可靠性。小电流接地***中单相接地故障是一种常见的临时性故障,当该故障发生时,由于故障点的电流很小,且三相之间的线电压仍保持对称,对负荷设备的供电没有影响,所以允许***内的设备短时运行,一般情况下可运行1-2个小时而不必跳闸,从而提高了供电的可靠性。但一相发生接地,会导致其他两相的对地电压升高为相电压的数倍,这样会对设备的绝缘造成威胁,若不及时处理可能会发展为绝缘破坏、两相短路,弧光放电,引起***过压。然而当***发生单相接地故障时,由于构不成回路,接地电流是分布电容电流,数值比负荷电流小得多,故障特征不明显,因此接地故障检测仍是一项世界难题,很多技术有待克服。
发明内容
本发明的目的是,提供一种单相接地故障判别方法和装置,利用模糊隶属度函数以及SVM支持向量机,对线路零序电压电流数据进行分析,对***发生的单相接地故障进行判别,判别结果准确可靠。
本发明采取的技术方案如下:
一方面,本发明提供一种单相接地故障判别方法,包括:
连续采集线路零序电压电流数据;
响应于线路零序电压电流发生突变,获取突变时刻、突变时刻前一周波以及突变时刻后一周波的零序电压电流数据;
基于获取到的零序电压电流数据,分别计算突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值;
针对突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值,分别计算故障隶属度值;
响应于突变时刻、突变时刻前一周波和后一周波对应的故障隶属度值中,存在任意一个不为0的情况,则将故障隶属度值及其所属时刻/时段信息作为预先训练得到的支持向量机分类器的输入,进而根据支持向量机分类器的输出判断是否发生单相接地故障。
可选的,所述支持向量机分类器基于历史数据进行预先训练得到,训练过程包括:
获取多组历史单相接地故障时刻及其前后各一周波的零序电压电流数据,以及电压电流突变但未发生单相接地故障的突变时刻及其前后各一周波的零序电压电流数据;
针对各组数据分别计算故障或突变时刻及其前后各一周波对应的故障隶属度值,得到多个训练样本;
利用多个训练样本进行模型训练,得到以馈线有故障和馈线无故障为分类标签的支持向量机分类器。
可选的,训练样本对应的历史数据为实际线路运行历史数据或实验模拟数据。
可选的,方法还包括,对于单相接地故障判断结果有效的事件,将其故障或突变时刻及其前后各一周波的故障隶属度值作为新的样本更新至支持向量机分类器的训练样本中,对支持向量机分类器进行更新训练,用于后续单相接地故障的判别。
可选的,所述零序电压偏差值vu和零序电流偏差值vi的计算公式如下:
vu=|U02-U01|
vi=|I02-I01|
式中,U02、U01为计算时刻/时段内的零序电压变化范围端值,I02、I01为计算时刻/时段内的零序电流变化范围端值。对于突变时刻,零序电压电流的偏差值即为突变后的值与突变前值(突变前的值可取平均值)的差值;对于突变时刻前后各一周波,范围端值可选时段开始和时段结束时刻点对应的电压/电流值,将两者相减取其绝对值作为偏差值。
可选的,所述故障隶属度值μ(V)计算公式如下:
μ(V)=u[v-D]
其中,u(x)为单位阶跃函数,v为零序电压/电流的偏差值,D为零序电压/零序电流的预设判决阈值。v即包括了vu和vi,因此对于突变时刻、突变时刻前一周波以及突变时刻后一周波,所计算得到的故障隶属度值为三组,每组对应两个故障隶属度值。
另一方面,本发明还提供一种单相接地故障判别装置,包括:
电气量采集单元,用于连续采集线路零序电压电流数据;
特征参数获取模块,用于响应于线路零序电压电流发生突变,获取突变时刻、突变时刻前一周波以及突变时刻后一周波的零序电压电流数据;
偏差计算模块,用于基于获取到的零序电压电流数据,分别计算突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值;
故障隶属度计算模块,用于针对突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值,分别计算故障隶属度值;
以及故障判断模块,用于响应于突变时刻、突变时刻前一周波和后一周波对应的故障隶属度值中,存在任意一个不为0的情况,则将故障隶属度值及其所属时刻/时段信息作为预先训练得到的支持向量机分类器的输入,进而根据支持向量机分类器的输出判断是否发生单相接地故障。
有益效果
本发明通过研究线路零序电压电流与单相接地故障之间的映射关系,合理选择故障隶属度函数,并利用支持向量机对线路零序电压电流发生故障或非故障突变时的故障隶属度值进行训练学习,得到可用于对待测线路进行单相接地故障判别的支持向量机分类器。当线路出现单相接地故障时,支持向量机分类器可及时可靠的判别出相应故障,准确度以及可靠度皆能够得到提高。
同时,本发明通过用判断有效的事件扩充支持向量机分类模型的训练样本,实现更新训练,可使得支持向量机分类模型在应用过程中的准确度越来越高。
附图说明
图1所示为基于SVM支持向量机的单相接地故障判别模型原理示意框图;
图2所示为本发明一种实施例的方法流程示意图;
图3所示为支持向量机原理示意图;
图4所示为支持向量机分类器原理示意图。
具体实施方式
以下结合附图和具体实施例进一步描述。
实施例1
本实施例为一种单相接地故障判别方法,参考图2所示,方法包括:
连续采集线路零序电压电流数据;
响应于线路零序电压电流发生突变,获取突变时刻、突变时刻前一周波以及突变时刻后一周波的零序电压电流数据;
基于获取到的零序电压电流数据,分别计算突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值;
针对突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值,分别计算故障隶属度值;
响应于突变时刻、突变时刻前一周波和后一周波对应的故障隶属度值中,存在任意一个不为0的情况,则将故障隶属度值及其所属时刻/时段信息作为预先训练得到的支持向量机分类器的输入,进而根据支持向量机分类器的输出判断是否发生单相接地故障。
支持向量机分类器基于历史数据进行预先训练得到,训练过程包括:
获取多组历史单相接地故障时刻及其前后各一周波的零序电压电流数据,以及电压电流突变但未发生单相接地故障的突变时刻及其前后各一周波的零序电压电流数据;
针对各组数据分别计算故障或突变时刻及其前后各一周波对应的故障隶属度值,得到多个训练样本;
利用多个训练样本进行模型训练,得到以馈线有故障和馈线无故障为分类标签的支持向量机分类器。
参考图1和图4所示,SVM支持向量机进行分类的原理为:求解出两类数据间的最大间隔,确定最优分类超平面,再利用最优超平面来进行测试点的分类。训练样本对应的历史数据为实际线路运行历史数据或实验模拟数据。
对于高维样本空间来说,设用于分离的超平面方程是:
w·x+b=0
式中w是超平面的法向量,b是超平面的常数项。现欲寻求最优解w0和b0,使得分类超平面间距最大。由:
w·xi+b=-1,yi=-1
w·xi+b=1,yi=1推导出正反例的间隔为:
式中x1、x2分别为w·xi+b=-1,yi=-1和w·xi+b=1,yi=1上的任一点。再对后式进行Lagrange乘子法运算,建立Lagrange函数:
其中辅助非负变量ai为Lagrange乘子。再由整理可得原问题的对偶问题:
b0=1-w0x(s),y(s)=1
最后,利用sgn(w0·x+b0)函数来确定分类,值为0表示馈线无故障,值为1表示馈线有故障。
对于低维空间样本,可做非线性映射至高维空间,再求解最优分类超平面。
本实施例方法还包括,对于单相接地故障判断结果有效的事件,将其故障或突变时刻及其前后各一周波的故障隶属度值作为新的样本更新至支持向量机分类器的训练样本中,对支持向量机分类器进行更新训练,用于后续单相接地故障的判别,可实现对分类器模型的优化。
本实施例中,所述零序电压偏差值vu和零序电流偏差值vi的计算公式如下:
vu=|U02-U01|
vi=|I02-I01|
式中,U02、U01为计算时刻/时段内的零序电压变化范围端值,I02、I01为计算时刻/时段内的零序电流变化范围端值。对于突变时刻,零序电压电流的偏差值即为突变后的值与突变前值(突变前的值可取平均值)的差值;对于突变时刻前后各一周波,范围端值可选时段开始和时段结束时刻点对应的电压/电流值,将两者相减取其绝对值作为偏差值。
故障隶属度值μ(V)计算公式如下:
μ(V)=u[v-D]
其中,u(x)为单位阶跃函数,v为零序电压/电流的偏差值,D为零序电压/零序电流的预设判决阈值。
实施例1-1
基于实施例1,基于SVM支持向量机的单相接地故障判别方法具体包括以下流程:
1)连续采集线路的电压电流数据,并计算故障前一周波零序电压和零序电流的偏差值v1(k)、故障时刻零序电压和零序电流的偏差值v2(l)、故障后一周波零序电压和零序电流的偏差值v3(m);
如对于突变时刻前一周波:
零序电压偏差值v(k)u和零序电流偏差值v(k)i的计算公式如下:
v(k)u=|U02-U01|
v(k)i=|I02-I01|
式中,U02、U01为突变时刻前一周波内的零序电压变化范围端值,I02、I01为突变时刻前一周波内的零序电流变化范围端值,将两者相减取其绝对值作为偏差值。
2)根据v1(k)、v2(l)和v3(m)计算出对应的故障隶属度值,并判断三组故障隶属度值是否均为0,若为否,则执行步骤3),若为是,则返回步骤1);
故障前一周波零序电压/零序电流的故障隶属度值μ(V1)为:
μ(V1)=u[v1(k)-D1]
其中:u(x)为单位阶跃函数,D1为故障前一周波零序电压/零序电流的判决阈值;v1(k)即包括了v1(k)u和v1(k)i,对应的可得到关于零序电压和零序电流的两个故障隶属度值。因此对于突变时刻、突变时刻前一周波以及突变时刻后一周波,所计算得到的故障隶属度值为三组,每组对应两个故障隶属度值。
故障时刻波零序电压/零序电流的故障隶属度值μ(V2)为:
μ(V2)=u[v2(l)-D2]
其中:D2为故障时刻的零序电压/零序电流的判决阈值;
故障后一周波零序电压和零序电流的故障隶属度值μ(V3)为:
μ(V3)=u[v3(m)-D3]
其中:D3为故障后一周波零序电压/零序电流判决阈值。
上述3组判决阈值根据实际工况故障经验值确定。
3)采用支持向量机分类模型对三组故障隶属度值进行数据处理,计算出馈线无故障概率和馈线有故障概率
另一方面,本发明还提供一种单相接地故障判别装置,包括:
电气量采集单元,用于连续采集线路零序电压电流数据;
特征参数获取模块,用于响应于线路零序电压电流发生突变,获取突变时刻、突变时刻前一周波以及突变时刻后一周波的零序电压电流数据;
偏差计算模块,用于基于获取到的零序电压电流数据,分别计算突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值;
故障隶属度计算模块,用于针对突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值,分别计算故障隶属度值;
以及故障判断模块,用于响应于突变时刻、突变时刻前一周波和后一周波对应的三组故障隶属度值中,存在任意一个不为0的情况,则将各时刻/时段的三组故障隶属度值作为预先训练得到的支持向量机分类器的输入,进而根据支持向量机分类器的输出判断是否发生单相接地故障。根据支持向量机的sgn(w0·x+b0)函数确定分类,值为0表示馈线无故障,值为1表示馈线有故障,进而输出分类结果。
实施例2
基于与实施例1相同的发明构思,本实施例为一种单相接地故障判别装置,包括:
电气量采集单元,用于连续采集线路零序电压电流数据;
特征参数获取模块,用于响应于线路零序电压电流发生突变,获取突变时刻、突变时刻前一周波以及突变时刻后一周波的零序电压电流数据;
偏差计算模块,用于基于获取到的零序电压电流数据,分别计算突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值;
故障隶属度计算模块,用于针对突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值,分别计算故障隶属度值;
以及故障判断模块,用于响应于突变时刻、突变时刻前一周波和后一周波对应的故障隶属度值中,存在任意一个不为0的情况,则将故障隶属度值及其所属时刻/时段信息作为预先训练得到的支持向量机分类器的输入,进而根据支持向量机分类器的输出判断是否发生单相接地故障。
以上各功能模块的具体实现参考实施例1及实施例1-1的相关技术内容。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (4)
1.一种单相接地故障判别方法,其特征是,包括:
连续采集线路零序电压电流数据;
响应于线路零序电压电流发生突变,获取突变时刻、突变时刻前一周波以及突变时刻后一周波的零序电压电流数据;
基于获取到的零序电压电流数据,分别计算突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值;
针对突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值,分别计算故障隶属度值;
响应于突变时刻、突变时刻前一周波和后一周波对应的故障隶属度值中,存在任意一个不为0的情况,则将故障隶属度值及其所属时刻/时段信息作为预先训练得到的支持向量机分类器的输入,进而根据支持向量机分类器的输出判断是否发生单相接地故障;
其中,所述故障隶属度值μ(V)计算公式如下:
μ(V)=u[v-D]
其中,u(x)为单位阶跃函数,v为零序电压/电流的偏差值,D为零序电压/零序电流的预设判决阈值;使v分别代表零序电压偏差值vu和零序电流偏差值vi,对于突变时刻、突变时刻前一周波以及突变时刻后一周波,根据故障隶属度值计算公式计算得到三组故障隶属度值,每组对应两个故障隶属度值,每组中的两个故障隶属度值分别对应vu和vi;
所述支持向量机分类器基于历史数据进行预先训练得到,训练过程包括:
获取多组历史单相接地故障时刻及其前后各一周波的零序电压电流数据,以及电压电流突变但未发生单相接地故障的突变时刻及其前后各一周波的零序电压电流数据;
针对各组数据分别计算故障或突变时刻及其前后各一周波对应的故障隶属度值,得到多个训练样本;
利用多个训练样本进行模型训练,得到以馈线有故障和馈线无故障为分类标签的支持向量机分类器。
2.根据权利要求1所述的方法,其特征是,训练样本对应的历史数据为实际线路运行历史数据或实验模拟数据。
3.根据权利要求1所述的方法,其特征是,方法还包括,对于单相接地故障判断结果有效的事件,将其故障或突变时刻及其前后各一周波的故障隶属度值作为新的样本更新至支持向量机分类器的训练样本中,对支持向量机分类器进行更新训练,用于后续单相接地故障的判别。
4.一种单相接地故障判别装置,其特征是,包括:
电气量采集单元,用于连续采集线路零序电压电流数据;
特征参数获取模块,用于响应于线路零序电压电流发生突变,获取突变时刻、突变时刻前一周波以及突变时刻后一周波的零序电压电流数据;
偏差计算模块,用于基于获取到的零序电压电流数据,分别计算突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值;
故障隶属度计算模块,用于针对突变时刻、突变时刻前一周波和后一周波的零序电压和零序电流的偏差值,分别计算故障隶属度值;
以及故障判断模块,用于响应于突变时刻、突变时刻前一周波和后一周波对应的故障隶属度值中,存在任意一个不为0的情况,则将故障隶属度值及其所属时刻/时段信息作为预先训练得到的支持向量机分类器的输入,进而根据支持向量机分类器的输出判断是否发生单相接地故障;
其中,所述故障隶属度值μ(V)计算公式如下:
μ(V)=u[v-D]
其中,u(x)为单位阶跃函数,v为零序电压/电流的偏差值,D为零序电压/零序电流的预设判决阈值;使v分别代表零序电压偏差值vu和零序电流偏差值vi,对于突变时刻、突变时刻前一周波以及突变时刻后一周波,根据故障隶属度值计算公式计算得到三组故障隶属度值,每组对应两个故障隶属度值,每组中的两个故障隶属度值分别对应vu和vi;
所述支持向量机分类器基于历史数据进行预先训练得到,训练过程包括:
获取多组历史单相接地故障时刻及其前后各一周波的零序电压电流数据,以及电压电流突变但未发生单相接地故障的突变时刻及其前后各一周波的零序电压电流数据;
针对各组数据分别计算故障或突变时刻及其前后各一周波对应的故障隶属度值,得到多个训练样本;
利用多个训练样本进行模型训练,得到以馈线有故障和馈线无故障为分类标签的支持向量机分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911133969.5A CN110824297B (zh) | 2019-11-19 | 2019-11-19 | 一种基于svm支持向量机的单相接地故障判别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911133969.5A CN110824297B (zh) | 2019-11-19 | 2019-11-19 | 一种基于svm支持向量机的单相接地故障判别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110824297A CN110824297A (zh) | 2020-02-21 |
CN110824297B true CN110824297B (zh) | 2022-03-29 |
Family
ID=69556709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911133969.5A Active CN110824297B (zh) | 2019-11-19 | 2019-11-19 | 一种基于svm支持向量机的单相接地故障判别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110824297B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895144A (zh) * | 2022-05-05 | 2022-08-12 | 云南电网有限责任公司电力科学研究院 | 选线评估方法、装置、电子设备及存储介质 |
CN115032508B (zh) * | 2022-08-12 | 2022-11-01 | 国网山东省电力公司电力科学研究院 | 一种基于目标识别的分布式输电线路故障诊断方法及*** |
CN116972914B (zh) * | 2023-09-22 | 2023-12-26 | 华夏天信智能物联股份有限公司 | 变频一体机智能测试方法和*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621449A (zh) * | 2012-03-16 | 2012-08-01 | 河南理工大学 | 一种小电流接地***单相接地故障区段定位方法 |
CN103760464B (zh) * | 2014-01-07 | 2016-05-18 | 河南理工大学 | 基于解析图求解与svm的小电流接地***故障选线方法 |
CN104462762A (zh) * | 2014-11-04 | 2015-03-25 | 西南交通大学 | 一种输电线路的模糊故障分类方法 |
CN106154116B (zh) * | 2016-08-09 | 2018-12-04 | 国电南瑞科技股份有限公司 | 一种配电网接地故障定位方法 |
CN107957535B (zh) * | 2018-01-17 | 2019-11-19 | 国网山东省电力公司德州供电公司 | 一种基于配电自动化数据的小电流***单相接地故障选线方法和装置 |
CN110441641B (zh) * | 2019-07-24 | 2022-02-15 | 南京国电南自电网自动化有限公司 | 一种基于零序直流分量的小电流接地选线方法和*** |
-
2019
- 2019-11-19 CN CN201911133969.5A patent/CN110824297B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110824297A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110824297B (zh) | 一种基于svm支持向量机的单相接地故障判别方法和装置 | |
Guo et al. | Online identification of power system dynamic signature using PMU measurements and data mining | |
CN106682303B (zh) | 一种基于经验模态分解和决策树rvm的三电平逆变器故障诊断方法 | |
Seethalekshmi et al. | A classification approach using support vector machines to prevent distance relay maloperation under power swing and voltage instability | |
Li et al. | Transient stability prediction based on apparent impedance trajectory recorded by PMUs | |
CN104463706B (zh) | 一种用于电网检测电压暂降事件原因的方法和*** | |
CN108053128B (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
CN111523785A (zh) | 一种基于生成对抗网络的电力***动态安全评估方法 | |
CN110635479B (zh) | 一种限制短路电流运行方式的智能辅助决策方法及*** | |
CN112330165B (zh) | 基于特征分离型神经网络的电网暂态稳定评估方法及*** | |
CN113092900B (zh) | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 | |
US20190056436A1 (en) | Similarity detection of abnormal waveforms using pmu measurement | |
Mulinari et al. | A new set of steady-state and transient features for power signature analysis based on VI trajectory | |
CN107944721A (zh) | 一种通用的基于数据挖掘的机器学习方法、装置以及*** | |
CN113902946A (zh) | 电力***故障方位判别方法、装置、终端设备及存储介质 | |
CN108009063A (zh) | 一种电子设备故障阈值检测的方法 | |
CN111400966A (zh) | 一种基于改进AdaBoost的电力***静态电压稳定评估方法 | |
CN104763576B (zh) | 一种抽水蓄能机组保护辅助信号异常判别和修正方法 | |
CN108009582A (zh) | 一种电子设备标准工作指标设置的方法 | |
CN107977626A (zh) | 一种电子设备工作数据的分组方法 | |
CN112285482A (zh) | 一种有源配电网故障确定方法和*** | |
Guo et al. | Evaluation of classification methods for on-line identification of power system dynamic signature | |
Che et al. | A new fault location identification method for transmission line using machine learning algorithm | |
CN106655225A (zh) | 一种三相不平衡治理装置及实现方法 | |
CN106600034A (zh) | 带有现场温度告警功能的三相不平衡治理装置及其实现方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |