CN112213561A - 主导负荷参数类噪声辨识的量测数据预处理方法和装置 - Google Patents
主导负荷参数类噪声辨识的量测数据预处理方法和装置 Download PDFInfo
- Publication number
- CN112213561A CN112213561A CN202011025550.0A CN202011025550A CN112213561A CN 112213561 A CN112213561 A CN 112213561A CN 202011025550 A CN202011025550 A CN 202011025550A CN 112213561 A CN112213561 A CN 112213561A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- measurement data
- pmu measurement
- value
- time
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007781 pre-processing Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 238000013024 troubleshooting Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000002347 injection Methods 0.000 claims description 62
- 239000007924 injection Substances 0.000 claims description 62
- 230000002159 abnormal effect Effects 0.000 claims description 52
- 238000011835 investigation Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000000243 solution Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R25/00—Arrangements for measuring phase angle between a voltage and a current or between voltages or currents
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种主导负荷参数类噪声辨识的量测数据预处理方法和装置,该方法包括:采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到任一时序序列对应的去趋势平稳信号,1≤i≤K;将任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到任一时序序列对应的去噪后的估计信号。本发明实施例提供的方法和装置,实现了获得更加精准可靠的主导负荷参数,提升待辨识数据的辨识可用率。
Description
技术领域
本发明涉及主导负荷参数类噪声辨识技术领域,尤其涉及一种主导负荷参数类噪声辨识的量测数据预处理方法和装置。
背景技术
同步相量测量技术(PMU)在区域电网的广泛应用为电力***负荷建模研究提供了丰富、准确的数据来源。利用各站点正常运行状态下变压器高压侧时刻采集的类噪声电压、功率类噪声量测数据,就可以通过基于类噪声的负荷模型参数辨识方法在线得到以Z+M模型表征的负荷主导参数。然而,由于类噪声信号自身的扰动幅值较小,PMU量测数据中的高频噪声和异常值对于模型参数辨识的影响变得尤为突出,这将直接导致模型参数优化拟合效果变差或收敛至不可靠的局部最优解,最终造成实测PMU数据的辨识可用率较低、难以满足在线辨识的实际需求。
因此,如何避免实测PMU数据的辨识可用率较低、难以满足在线辨识的实际需求,实现提升待辨识数据的辨识可用率和总体拟合效果,获得更加精准可靠的主导负荷参数,仍然是本领域技术人员亟待解决的问题。
发明内容
本发明实施例提供一种基于区块链的电信服务合约一致性保障方法,用以解决现有的基于区块链的电信服务合约无法保证线下营业厅的验证激活能力,且不能保障电信服务合约线上线下一致性的问题。
第一方面,本发明实施例提供一种主导负荷参数类噪声辨识的量测数据预处理方法,包括:
采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,其中,任一组PMU量测数据包括变电站主变高压侧的电压幅值时点总数为N/K的时间序列、注入有功功率时点总数为N/K的时间序列和注入无功功率时点总数为N/K的时间序列,N和K均为正整数;
若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,其中,1≤i≤K;
将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。
优选地,该方法中,还包括:
若确定第i组PMU量测数据中存在时序序列未通过严重错误排查或严重异常排查,则将第i组PMU量测数据剔除。
优选地,该方法中,所述对第i组PMU量测数据中任一时序序列进行严重错误排查,具体包括:
第i组PMU量测数据中检测出电压幅值时间序列的平均电压偏离预设范围、电压幅值时间序列的电压值波动小于第一阈值、注入有功功率时间序列中功率值出现负值、注入无功功率时间序列中功率值出现负值、注入有功功率时间序列中功率值波动小于第二阈值、注入无功功率时间序列中功率值波动小于第三阈值任一条件或任意条件的组合,则判定第i组PMU量测数据中任一时序序列通过严重错误排查,否则,第i组PMU量测数据中存在时序序列未通过严重错误排查。
优选地,该方法中,所述对第i组PMU量测数据中任一时序序列进行异常错误排查,具体包括:
若确认任一时间序列中的异常值均没有连续出现第四阈值及以上个异常值,则基于前项平均差值对各异常值法进行顺序修正并判定第i组PMU量测数据中任一时序序列通过严重错误排查;否则,第i组PMU量测数据中存在时序序列未通过异常错误排查。
优选地,该方法中,所述基于前项平均差值对各异常值法进行顺序修正,具体包括:
按照时间顺序依次通过如下公式进行异常值的修正:
优选地,该方法中,所述采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,具体包括:
对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别进行多轮次迭代EMD分解,每轮迭代EMD分解剔除该轮迭代对应的所述任一时序序列的最后第五阈值个IMF分量及残差,并计算信号残差能量比;
直到当前轮次迭代得到的号残差能量比大于第六阈值时,停止迭代,并将轮迭代对应的时序序列剔除掉最后第五阈值个IMF分量及残差,得到所述注入有功功率时序序列和所述注入无功功率时序序列对应的去趋势平稳信号。
优选地,该方法中,所述将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号,具体包括:
所述任一时序序列对应的去趋势平稳信号进行小波变换分解,得到所述任一时序序列对应的小波系数值;
选择自适应不同类噪声信号噪声水平的启发式阈值滤除所述任一时序序列对应的小波系数值中小幅值噪声分量,再进行小波逆变换处理得到所述任一时序序列对应的去噪后的估计信号。
第二方面,本发明实施例提供一种主导负荷参数类噪声辨识的量测数据预处理装置,包括:
采集单元,用于采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,其中,任一组PMU量测数据包括变电站主变高压侧的电压幅值时点总数为N/K的时间序列、注入有功功率时点总数为N/K的时间序列和注入无功功率时点总数为N/K的时间序列,N和K均为正整数;
EMD单元,用于若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,其中,1≤i≤K;
小波阈值单元,用于将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的主导负荷参数类噪声辨识的量测数据预处理方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的主导负荷参数类噪声辨识的量测数据预处理方法的步骤。
本发明实施例提供的方法和装置,采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号;将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。如此,通过合适的数据严重错误排除和异常数据检测,去除存在明显问题的严重不良数据,然后再用基于EMD分解的去趋势处理方法以及基于小波阈值去噪的高频噪声滤除方法对可用量测数据的异常值及高频噪声进行修正和滤除。因此,本发明实施例提供的方法和装置,实现了对用于负荷辨识的PMU电压、功率量测数据开展有效的数据预处理,提升待辨识数据的辨识可用率和总体拟合效果,获得更加精准可靠的主导负荷参数。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的主导负荷参数类噪声辨识的量测数据预处理方法的流程示意图;
图2为本发明实施例提供的主导负荷参数类噪声辨识的量测数据预处理装置的结构示意图;
图3为本发明实施例提供的主导负荷参数类噪声辨识的预处理流程的示意图;
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的实测PMU数据普遍存在辨识可用率较低、难以满足在线辨识的实际需求,导致待辨识数据的辨识可用率较低和总体拟合效果差,难以获得精准可靠的主导负荷参数的问题。对此,本发明实施例提供了一种主导负荷参数类噪声辨识的量测数据预处理方法。图1为本发明实施例提供的主导负荷参数类噪声辨识的量测数据预处理方法,如图1所示,该方法包括:
步骤110,采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,其中,任一组PMU量测数据包括变电站主变高压侧的电压幅值时点总数为N/K的时间序列、注入有功功率时点总数为N/K的时间序列和注入无功功率时点总数为N/K的时间序列,N和K均为正整数。
具体地,PMU量测数据包含三种物理参数,分别是变电站变高压侧的电压幅值、注入有功功率和注入无功功率,其中,变电站可以是不同电压等级的变电站,采集的PMU量测数据只是针对于同一变电站高压侧的三个物理参量。采集时,采集连续N个单位时间的,例如以秒为时间单元,然后每隔N/K时间截为一组PMU量测数据,因此,每组PMU量测数据都包括变电站主变高压侧的电压幅值时点总数为N/K的时间序列、注入有功功率时点总数为N/K的时间序列和注入无功功率时点总数为N/K的时间序列,其中,N和K均为正整数。
步骤120,若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,其中,1≤i≤K。
具体地,将所有数据分成K组进行处理,对于第i(1≤i≤K)组数据,首先需要对严重错误的数据和异常数据进行排查,出现严重错误则将第i组数据直接剔除,直接跳到第i+1组数据的处理,若严重错误排查通过,则进行严重异常排查,任一序列中被定为异常的数据连续出现(连续个数超过一定阈值)则也直接剔除第i组数据数据,跳到第i+1组数据的处理,否则,对存在的零星的异常数据进行修正,并认定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查。然后,再用基于EMD分解的去趋势处理方法去除注入有功功率时序序列和注入无功功率时序序列中的低频波动趋势,将其与平稳类噪声信号分离,得到所述任一时序序列对应的去趋势平稳信号,其中,1≤i≤K。
步骤130,将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。
具体地,采用小波阈值去噪方法对不同有效频率成分分布及噪声水平下的类噪声信号开展自适应去噪,通常操作包括以下三个步骤:1、小波变换分解,为避免信号失真干扰后续辨识,选取具备正交对称紧支撑特性的Symlets系小波基函数进行小波分解;2、阈值处理,得到小波系数值后,选择自适应不同类噪声信号噪声水平的启发式阈值准则,并采用去噪后更平滑的软阈值函数处理变换得到的小波系数阈值,滤除小波系数幅值较小的噪声分量;3、信号重构,通过小波逆变换进行信号重构。
本发明实施例提供的方法,采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述任一时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号;将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。如此,通过合适的数据严重错误排除和异常数据检测,去除存在明显问题的严重不良数据,然后再用基于EMD分解的去趋势处理方法以及基于小波阈值去噪的高频噪声滤除方法对可用量测数据的异常值及高频噪声进行修正和滤除。因此,本发明实施例提供的方法,实现了对用于负荷辨识的PMU电压、功率量测数据开展有效的数据预处理,提升待辨识数据的辨识可用率和总体拟合效果,获得更加精准可靠的主导负荷参数。
基于上述实施例,该方法中,还包括:
若确定第i组PMU量测数据中存在时序序列未通过严重错误排查或严重异常排查,则将第i组PMU量测数据剔除。
具体地,对于没有通过严重错误排查或严重异常排查的时序序列,将该时序序列所属的PMU量测数据组整体删除,并直接进行下一组PMU量测数据的预处理,直到将K组PMU量测数据全部预处理完成。
基于上述任一实施例,该方法中,所述对第i组PMU量测数据中任一时序序列进行严重错误排查,具体包括:
第i组PMU量测数据中检测出电压幅值时间序列的平均电压偏离预设范围、电压幅值时间序列的电压值波动小于第一阈值、注入有功功率时间序列中功率值出现负值、注入无功功率时间序列中功率值出现负值、注入有功功率时间序列中功率值波动小于第二阈值、注入无功功率时间序列中功率值波动小于第三阈值任一条件或任意条件的组合,则判定第i组PMU量测数据中任一时序序列通过严重错误排查,否则,第i组PMU量测数据中存在时序序列未通过严重错误排查。
具体地,对于每一组PMU量测数据的不同时间序列(变电站主变高压侧的电压幅值时间序列、注入有功功率时间序列和注入无功功率时间序列)的严重错误排查的判定条件都不同,对于电压幅值时间序列,当检测出电压幅值时间序列的平均电压偏离预设范围或电压幅值时间序列的电压值波动小于第一阈值,则认定电压幅值时间序列不能通过严重错误排查,该电压幅值时间序列所属的PMU量测数据组需要被剔除,优选地,所述预设范围为0.8p.u.-1.2p.u.的正常允许范围,而电压值波动不能小于第一阈值,其中,电压值波动定义为时间序列样本数据内数据的不同取值个数及数据变化量(t时刻数据减去t-1时刻数据)不为零的个数,基于待辨识数据段长度(本发明实施例中为N/K),可以设置合适数量及滑动间隔的时间窗口按照该波动性定义进行滑动覆盖式检测,如果某一滑动时间窗口中不同取值个数和数据变化量不为零个数小于设置的第一阈值,则判定为波动性过小;进一步地,如果波动性过小时间窗口数超过待辨识数据段总窗口数的10%,则该数据段不能通过波动性检验,应当筛除,而所述第一阈值根据实际应用场景进行设置,例如,待测变电站属于不同电压等级的变电站时,其对应的第一阈值也不同;当检测出注入有功功率时间序列中功率值出现负值或注入有功功率时间序列中功率值波动小于第二阈值,则认定该注入有功功率时间序列不能通过严重错误排查,该注入有功功率时间序列所属的PMU量测数据组需要被剔除,而功率值波动不能小于第二阈值,其中,电压值波动定义为时间序列样本数据内数据的不同取值个数及数据变化量(t时刻数据减去t-1时刻数据)不为零的个数,基于待辨识数据段长度(本发明实施例中为N/K),可以设置合适数量及滑动间隔的时间窗口按照该波动性定义进行滑动覆盖式检测,如果某一滑动时间窗口中不同取值个数和数据变化量不为零个数小于设置的第二阈值,则判定为波动性过小;进一步地,如果波动性过小时间窗口数超过待辨识数据段总窗口数的10%,则该数据段不能通过波动性检验,应当筛除,而所述第二阈值根据实际应用场景进行设置,例如,待测变电站属于不同电压等级的变电站时,其对应的第二阈值也不同。当检测出注入无功功率时间序列中功率值出现负值或注入无功功率时间序列中功率值波动小于第三阈值,则认定该注入无功功率时间序列不能通过严重错误排查,该注入无功功率时间序列所属的PMU量测数据组需要被剔除,而功率值波动不能小于第三阈值,其中,电压值波动定义为时间序列样本数据内数据的不同取值个数及数据变化量(t时刻数据减去t-1时刻数据)不为零的个数,基于待辨识数据段长度(本发明实施例中为N/K),可以设置合适数量及滑动间隔的时间窗口按照该波动性定义进行滑动覆盖式检测,如果某一滑动时间窗口中不同取值个数和数据变化量不为零个数小于设置的第三阈值,则判定为波动性过小;进一步地,如果波动性过小时间窗口数超过待辨识数据段总窗口数的10%,则该数据段不能通过波动性检验,应当筛除,而所述第三阈值根据实际应用场景进行设置,例如,待测变电站属于不同电压等级的变电站时,其对应的第三阈值也不同。
基于上述任一实施例,该方法中,所述对第i组PMU量测数据中任一时序序列进行异常错误排查,具体包括:
若确认任一时间序列中的异常值均没有连续出现第四阈值及以上个异常值,则基于前项平均差值对各异常值法进行顺序修正并判定第i组PMU量测数据中任一时序序列通过严重错误排查;否则,第i组PMU量测数据中存在时序序列未通过异常错误排查。
具体地,应用“3σ”准则,将量测样本数据中不在[μ-3σ,μ+3σ](μ为样本均值,σ为样本标准差)范围内的数据点判定为异常值。接着采用前项平均值插值的方法进行顺序异常值修正。特别地,直接剔除连续出现第四阈值个及以上判定异常值的数据样本,并进入下一组PMU量测数据的预处理流程。优选地,第四阈值取值为5。
基于上述任一实施例,该方法中,所述基于前项平均差值对各异常值法进行顺序修正,具体包括:
按照时间顺序依次通过如下公式进行异常值的修正:
具体地,上述公式提供了前项平均差值的计算方法。
基于上述任一实施例,该方法中,所述采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,具体包括:
对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别进行多轮次迭代EMD分解,每轮迭代EMD分解剔除该轮迭代对应的所述任一时序序列的最后第五阈值个IMF分量及残差,并计算信号残差能量比;
直到当前轮次迭代得到的号残差能量比大于第六阈值时,停止迭代,并将轮迭代对应的时序序列剔除掉最后第五阈值个IMF分量及残差,得到所述注入有功功率时序序列和所述注入无功功率时序序列对应的去趋势平稳信号。
具体地,PMU量测数据经过粗筛选和异常值处理后,采用经验模态分解(EMD)去除其中功率信号的低频波动趋势,得到用于后续辨识的平稳信号。EMD分解的基本思路为:通过适当次数的分解,剔除掉表征低频波动模式的最末第五阈值个本征模态函数(IMF)分量及残差,再将留存IMF分量重构以达到数据去趋势目的。进一步地,选择信号残差能量比值作为EMD分解的停止条件。当该信号残差能量比值大于第六阈值时停止分解,并剔除掉最后第五阈值个IMF分量及残差得到去趋势平稳信号,再将留存IMF分量重构以达到数据去趋势目的。优选地,第五阈值取值为1,第六阈值取值为20dB。
基于上述任一实施例,该方法中,所述将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号,具体包括:
所述任一时序序列对应的去趋势平稳信号进行小波变换分解,得到所述任一时序序列对应的小波系数值;
选择自适应不同类噪声信号噪声水平的启发式阈值滤除所述任一时序序列对应的小波系数值中小幅值噪声分量,再进行小波逆变换处理得到所述任一时序序列对应的去噪后的估计信号。
具体地,小波阈值去噪包括以下步骤:
1、小波变换分解,为避免信号失真干扰后续辨识,选取具备正交对称紧支撑特性的Symlets系小波基函数进行多尺度小波变换,优选地,取Sym8小波作为基函数,设置小波分解层数为5。
2、阈值处理,得到小波系数值后,选择自适应不同类噪声信号噪声水平的启发式阈值准则界定噪声与有用信号。启发式阈值为无偏似然估计和固定阈值估计两种准则的折中,信噪比很小则选择固定阈值形式:
上式中λ为阈值估计值,M为小波系数向量的长度,否则采用无偏似然估计:
上式中f(·)为各小波系数向量取绝对值平方后再由小到大排序得到的新序列,kmin为风险向量Risk最小点所对应的下标,其中,
然后,采用去噪后更平滑的软阈值函数处理变换得到的小波系数阈值λ,滤除小波系数幅值较小的噪声分量,软阈值函数的处理表达式为:
上式中w为原小波系数,wλ为处理后的小波系数,sgn(w)为符号函数。
3、信号重构,通过小波逆变换得到去噪后的时域估计信号,完成类噪声信号的预处理流程,最终将预处理后信号用于基于实测类噪声的Z+M模型主导负荷模型参数辨识。
基于上述任一实施例,本发明实施例提供一种主导负荷参数类噪声辨识的量测数据预处理装置,图2为本发明实施例提供的主导负荷参数类噪声辨识的量测数据预处理装置的结构示意图。如图2所示,该装置中包括采集单元210、EMD单元220和小波阈值单元230,其中,
所述采集单元210,用于采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,其中,任一组PMU量测数据包括变电站主变高压侧的电压幅值时点总数为N/K的时间序列、注入有功功率时点总数为N/K的时间序列和注入无功功率时点总数为N/K的时间序列,N和K均为为正整数;
所述EMD单元220,用于若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,其中,1≤i≤K;
所述小波阈值单元230,用于将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。
本发明实施例提供的装置,采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述任一时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号;将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。如此,通过合适的数据严重错误排除和异常数据检测,去除存在明显问题的严重不良数据,然后再用基于EMD分解的去趋势处理方法以及基于小波阈值去噪的高频噪声滤除方法对可用量测数据的异常值及高频噪声进行修正和滤除。因此,本发明实施例提供的装置,实现了对用于负荷辨识的PMU电压、功率量测数据开展有效的数据预处理,提升待辨识数据的辨识可用率和总体拟合效果,获得更加精准可靠的主导负荷参数。
基于上述任一实施例,该装置中,还包括剔除单元,
用于若确定第i组PMU量测数据中存在时序序列未通过严重错误排查或严重异常排查,则将第i组PMU量测数据剔除。
基于上述任一实施例,该装置中,所述对第i组PMU量测数据中任一时序序列进行严重错误排查,具体包括:
第i组PMU量测数据中检测出电压幅值时间序列的平均电压偏离预设范围、电压幅值时间序列的电压值波动小于第一阈值、注入有功功率时间序列中功率值出现负值、注入无功功率时间序列中功率值出现负值、注入有功功率时间序列中功率值波动小于第二阈值、注入无功功率时间序列中功率值波动小于第三阈值任一条件或任意条件的组合,则判定第i组PMU量测数据中任一时序序列通过严重错误排查,否则,第i组PMU量测数据中存在时序序列未通过严重错误排查。
基于上述任一实施例,该装置中,所述对第i组PMU量测数据中任一时序序列进行异常错误排查,具体包括:
若确认任一时间序列中的异常值均没有连续出现第四阈值及以上个异常值,则基于前项平均差值对各异常值法进行顺序修正并判定第i组PMU量测数据中任一时序序列通过严重错误排查;否则,第i组PMU量测数据中存在时序序列未通过异常错误排查。
基于上述任一实施例,该装置中,所述基于前项平均差值对各异常值法进行顺序修正,具体包括:
按照时间顺序依次通过如下公式进行异常值的修正:
基于上述任一实施例,该装置中,所述采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,具体包括:
对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别进行多轮次迭代EMD分解,每轮迭代EMD分解剔除该轮迭代对应的所述任一时序序列的最后第五阈值个IMF分量及残差,并计算信号残差能量比;
直到当前轮次迭代得到的号残差能量比大于第六阈值时,停止迭代,并将轮迭代对应的时序序列剔除掉最后第五阈值个IMF分量及残差,得到所述注入有功功率时序序列和所述注入无功功率时序序列对应的去趋势平稳信号。
基于上述任一实施例,该装置中,所述将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号,具体包括:
所述任一时序序列对应的去趋势平稳信号进行小波变换分解,得到所述任一时序序列对应的小波系数值;
选择自适应不同类噪声信号噪声水平的启发式阈值滤除所述任一时序序列对应的小波系数值中小幅值噪声分量,再进行小波逆变换处理得到所述任一时序序列对应的去噪后的估计信号。
基于上述任一实施例,本发明实施例提供一种主导负荷参数类噪声辨识的预处理流程,图3为本发明实施例提供的主导负荷参数类噪声辨识的预处理流程的示意图。如图3所示,首先,将PMU量测数据按照时间顺序进行分组,对于预处理过程中的第k组PMU量测数据,首先进行数据粗筛选,判断是否存在严重的数据问题,若是,则跳出下一步预处理,返回第一步开始第k+1组PMU量测数据的预处理,若否,则进行下一步的异常值的检测和处理,判断是否出现多个连续异常,若是,则跳出下一步预处理,返回第一步开始第k+1组PMU量测数据的预处理,若否,则进行下一步的功率信号EMD去趋势,再通过小波阈值去噪,最后重构成为类噪声主导负荷参数辨识的量测数据,再判断k是否达到最大组数(即是否是最后一组PMU量测数据),若否,则继续下一组的数据的预处理,若是,则所有数据预处理完毕,结束预处理。
图4为本发明实施例提供的电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储在存储器403上并可在处理器401上运行的计算机程序,以执行上述各实施例提供的主导负荷参数类噪声辨识的量测数据预处理方法,例如包括:采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,其中,任一组PMU量测数据包括变电站主变高压侧的电压幅值时点总数为N/K的时间序列、注入有功功率时点总数为N/K的时间序列和注入无功功率时点总数为N/K的时间序列,N和K均为为正整数;若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,其中,1≤i≤K;将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的主导负荷参数类噪声辨识的量测数据预处理方法,例如包括:采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,其中,任一组PMU量测数据包括变电站主变高压侧的电压幅值时点总数为N/K的时间序列、注入有功功率时点总数为N/K的时间序列和注入无功功率时点总数为N/K的时间序列,N和K均为为正整数;若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,其中,1≤i≤K;将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种主导负荷参数类噪声辨识的量测数据预处理方法,其特征在于,包括:
采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,其中,任一组PMU量测数据包括变电站主变高压侧的电压幅值时点总数为N/K的时间序列、注入有功功率时点总数为N/K的时间序列和注入无功功率时点总数为N/K的时间序列,N和K均为正整数;
若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,其中,1≤i≤K;
将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。
2.根据权利要求1所述的主导负荷参数类噪声辨识的量测数据预处理方法,其特征在于,还包括:
若确定第i组PMU量测数据中存在时序序列未通过严重错误排查或严重异常排查,则将第i组PMU量测数据剔除。
3.根据权利要求1或2所述的主导负荷参数类噪声辨识的量测数据预处理方法,其特征在于,所述对第i组PMU量测数据中任一时序序列进行严重错误排查,具体包括:
第i组PMU量测数据中检测出电压幅值时间序列的平均电压偏离预设范围、电压幅值时间序列的电压值波动小于第一阈值、注入有功功率时间序列中功率值出现负值、注入无功功率时间序列中功率值出现负值、注入有功功率时间序列中功率值波动小于第二阈值、注入无功功率时间序列中功率值波动小于第三阈值任一条件或任意条件的组合,则判定第i组PMU量测数据中任一时序序列通过严重错误排查,否则,第i组PMU量测数据中存在时序序列未通过严重错误排查。
4.根据权利要求1或2所述的主导负荷参数类噪声辨识的量测数据预处理方法,其特征在于,所述对第i组PMU量测数据中任一时序序列进行异常错误排查,具体包括:
若确认任一时间序列中的异常值均没有连续出现第四阈值及以上个异常值,则基于前项平均差值对各异常值法进行顺序修正并判定第i组PMU量测数据中任一时序序列通过严重错误排查;否则,第i组PMU量测数据中存在时序序列未通过异常错误排查。
6.根据权利要求1或2所述的主导负荷参数类噪声辨识的量测数据预处理方法,其特征在于,所述采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,具体包括:
对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别进行多轮次迭代EMD分解,每轮迭代EMD分解剔除该轮迭代对应的所述任一时序序列的最后第五阈值个IMF分量及残差,并计算信号残差能量比;
直到当前轮次迭代得到的号残差能量比大于第六阈值时,停止迭代,并将轮迭代对应的时序序列剔除掉最后第五阈值个IMF分量及残差,得到所述注入有功功率时序序列和所述注入无功功率时序序列对应的去趋势平稳信号。
7.根据权利要求1或2所述的主导负荷参数类噪声辨识的量测数据预处理方法,其特征在于,所述将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号,具体包括:
所述任一时序序列对应的去趋势平稳信号进行小波变换分解,得到所述任一时序序列对应的小波系数值;
选择自适应不同类噪声信号噪声水平的启发式阈值滤除所述任一时序序列对应的小波系数值中小幅值噪声分量,再进行小波逆变换处理得到所述任一时序序列对应的去噪后的估计信号。
8.一种主导负荷参数类噪声辨识的量测数据预处理装置,其特征在于,包括:
采集单元,用于采集连续N个单位时间的用于主导负荷参数类噪声辨识的K组PMU量测数据,其中,任一组PMU量测数据包括变电站主变高压侧的电压幅值时点总数为N/K的时间序列、注入有功功率时点总数为N/K的时间序列和注入无功功率时点总数为N/K的时间序列,其中,N和K均为正整数;
EMD单元,用于若确定第i组PMU量测数据中任一时序序列通过严重错误排查和严重异常排查,则采用经验模态分解对所述第i组PMU量测数据中注入有功功率时序序列和注入无功功率时序序列分别去除低频波动趋势,得到所述任一时序序列对应的去趋势平稳信号,其中,1≤i≤K;
小波阈值单元,用于将所述任一时序序列对应的去趋势平稳信号分别进行基于小波阈值去噪的高频噪声滤除,得到所述任一时序序列对应的去噪后的估计信号。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的主导负荷参数类噪声辨识的量测数据预处理方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的主导负荷参数类噪声辨识的量测数据预处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025550.0A CN112213561B (zh) | 2020-09-25 | 2020-09-25 | 主导负荷参数类噪声辨识的量测数据预处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011025550.0A CN112213561B (zh) | 2020-09-25 | 2020-09-25 | 主导负荷参数类噪声辨识的量测数据预处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213561A true CN112213561A (zh) | 2021-01-12 |
CN112213561B CN112213561B (zh) | 2022-01-18 |
Family
ID=74051147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011025550.0A Active CN112213561B (zh) | 2020-09-25 | 2020-09-25 | 主导负荷参数类噪声辨识的量测数据预处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213561B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114705289A (zh) * | 2022-04-13 | 2022-07-05 | 中国石油天然气集团有限公司 | 随钻钻具振动测量方法及***和设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007001236A1 (en) * | 2005-06-28 | 2007-01-04 | Agency For Science, Technology And Research | Wavelet shrinkage pre-filtering of mr images for brain tissue segmentation |
CN103558441A (zh) * | 2013-10-25 | 2014-02-05 | 兰州交通大学 | 一种接触网绝缘子泄漏电流去噪的方法 |
CN104135521A (zh) * | 2014-07-29 | 2014-11-05 | 广东省环境监测中心 | 环境自动监测网络的数据异常值标识方法及*** |
CN104636609A (zh) * | 2015-01-30 | 2015-05-20 | 电子科技大学 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
CN105975510A (zh) * | 2016-04-28 | 2016-09-28 | 广东鹰视能效科技有限公司 | 一种基于智能仪表数据自动补录的方法及*** |
CN106786567A (zh) * | 2017-03-02 | 2017-05-31 | 国家电网公司 | 一种基于pmu类噪声数据的在线负荷建模方法 |
CN107422235A (zh) * | 2017-08-30 | 2017-12-01 | 广东电网有限责任公司珠海供电局 | 一种电缆局部放电信号预处理方法 |
CN109086928A (zh) * | 2018-07-27 | 2018-12-25 | 福州大学 | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 |
CN110926386A (zh) * | 2019-11-25 | 2020-03-27 | 国网吉林省电力有限公司电力科学研究院 | 基于ceemd-改进小波阈值去噪的变压器绕组超声检测三维成像方法 |
CN111190890A (zh) * | 2019-12-26 | 2020-05-22 | 深圳供电局有限公司 | 用户日用电量数据清洗方法、装置、设备和介质 |
CN111697574A (zh) * | 2020-06-19 | 2020-09-22 | 杭州岑石能源科技有限公司 | 一种基于6sigma原理的短期低压配电网转供判定方法 |
-
2020
- 2020-09-25 CN CN202011025550.0A patent/CN112213561B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007001236A1 (en) * | 2005-06-28 | 2007-01-04 | Agency For Science, Technology And Research | Wavelet shrinkage pre-filtering of mr images for brain tissue segmentation |
CN103558441A (zh) * | 2013-10-25 | 2014-02-05 | 兰州交通大学 | 一种接触网绝缘子泄漏电流去噪的方法 |
CN104135521A (zh) * | 2014-07-29 | 2014-11-05 | 广东省环境监测中心 | 环境自动监测网络的数据异常值标识方法及*** |
CN104636609A (zh) * | 2015-01-30 | 2015-05-20 | 电子科技大学 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
CN105975510A (zh) * | 2016-04-28 | 2016-09-28 | 广东鹰视能效科技有限公司 | 一种基于智能仪表数据自动补录的方法及*** |
CN106786567A (zh) * | 2017-03-02 | 2017-05-31 | 国家电网公司 | 一种基于pmu类噪声数据的在线负荷建模方法 |
CN107422235A (zh) * | 2017-08-30 | 2017-12-01 | 广东电网有限责任公司珠海供电局 | 一种电缆局部放电信号预处理方法 |
CN109086928A (zh) * | 2018-07-27 | 2018-12-25 | 福州大学 | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 |
CN110926386A (zh) * | 2019-11-25 | 2020-03-27 | 国网吉林省电力有限公司电力科学研究院 | 基于ceemd-改进小波阈值去噪的变压器绕组超声检测三维成像方法 |
CN111190890A (zh) * | 2019-12-26 | 2020-05-22 | 深圳供电局有限公司 | 用户日用电量数据清洗方法、装置、设备和介质 |
CN111697574A (zh) * | 2020-06-19 | 2020-09-22 | 杭州岑石能源科技有限公司 | 一种基于6sigma原理的短期低压配电网转供判定方法 |
Non-Patent Citations (1)
Title |
---|
王颖 等: "类噪声辨识负荷参数的实际电网校验方法", 《电网技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114705289A (zh) * | 2022-04-13 | 2022-07-05 | 中国石油天然气集团有限公司 | 随钻钻具振动测量方法及***和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112213561B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116703183B (zh) | 一种新型配电网***用电负荷评估方法 | |
CN112213561B (zh) | 主导负荷参数类噪声辨识的量测数据预处理方法和装置 | |
CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、***、终端及介质 | |
CN111079710A (zh) | 一种基于改进ceemd滚动轴承信号的多层降噪方法 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
Swaminathan et al. | A CNN-LSTM-based fault classifier and locator for underground cables | |
CN111239565B (zh) | 基于分层式去噪模型的充油套管局部放电脉冲信号处理方法及*** | |
CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
CN110927497A (zh) | 一种转辙机故障检测方法及装置 | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析*** | |
CN117390373A (zh) | 一种通信传输设备调测维修管理方法及*** | |
CN117454081A (zh) | 一种机械振动信号的去噪处理方法及装置 | |
CN114676593B (zh) | 一种纺织设备的异常检测方法及相关装置 | |
Nicolae et al. | Comparative study of wavelet based techniques for electromagnetic noise evaluation and removal | |
CN113986711A (zh) | 一种时间序列数据的峰值检测方法、装置及设备 | |
CN114065815A (zh) | 基于eemd与神经网络的变压器局部放电识别方法及*** | |
CN114089218A (zh) | 一种配电网高阻接地故障识别方法、装置、终端及介质 | |
CN113655344B (zh) | 一种配电网故障识别方法、装置、终端及介质 | |
CN117388637B (zh) | 基于ai的换流站直流***异常信号辨识与辅助决策方法 | |
Ming et al. | Partial discharge de-noising based on hybrid particle swarm optimization SWT adaptive threshold | |
Kavya et al. | Parabolic filter for removal of powerline interference in ecg signal using periodogram estimation technique | |
CN113343560B (zh) | 一种直流支撑电容的电容值预测方法及装置 | |
CN111929535B (zh) | 一种交流线路的直流侧出口故障方向检测方法及装置 | |
Kaszowska et al. | Assessment of Available Measurement Data, Data Breaks and Estimation of Missing Data from AMI Meters | |
Ananya et al. | Detection of transmission line-fault through CWT based Bewley lattice diagram |
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 |