CN113655285B - 一种输电线路杆塔接地电阻测量方法、装置及存储介质 - Google Patents
一种输电线路杆塔接地电阻测量方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113655285B CN113655285B CN202111002212.XA CN202111002212A CN113655285B CN 113655285 B CN113655285 B CN 113655285B CN 202111002212 A CN202111002212 A CN 202111002212A CN 113655285 B CN113655285 B CN 113655285B
- Authority
- CN
- China
- Prior art keywords
- sample
- error
- transmission tower
- measured
- impedance data
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/20—Measuring earth resistance; Measuring contact resistance, e.g. of earth connections, e.g. plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种输电线路杆塔接地电阻测量方法、装置及存储介质。该方法包括:获取待测输电杆塔的目标信息,其中,目标信息为待测输电杆塔的目标测量频点或者测量参数;通过回路阻抗法测量待测输电杆塔的测量阻抗数据;获取在先训练的目标信息的误差预测模型;根据误差预测模型获取目标信息的偏正误差;根据偏正误差校准测量阻抗数据为修正阻抗数据。本发明提供的方案能够通过网络模型对不同输电杆塔存在的误差干扰进行预测,并依据得到的偏正误差对测量阻抗数据进行校准,从而提高输电杆塔接地电阻的测量准确度。
Description
技术领域
本发明涉及电网技术领域,尤其涉及一种输电线路杆塔接地电阻测量方法、装置及存储介质。
背景技术
输电线路杆塔接地对电力***的安全稳定运行至关重要,当雷击杆顶或避雷线时,雷电流通过杆塔接地装置入地。杆塔接地不良将引起雷电事故,导致线路跳闸。
目前在输电线路杆塔接地电阻的测量方法中,钳表测量法无需外加电源,不必布置电流极和电压极,在测量时用钳表夹持杆塔接地线或者接地体即可,无需断开杆塔接地装置的接地螺栓连接及其他杆塔支路,仪器简单,重量轻、体积小、携带方便、操作方便,测试方法简单,因此受到基层单位的广泛欢迎,迅速推广应用。
然而,在实际测量中,使用钳表测量法选择发生测量频点的测量信号时,测量信号在一些测量频点容易受到来自工频及来外部其他电磁环境的干扰,并且输电杆塔在不同测量频点表现的误差干扰存在明显差异。因此,如何对不同输电杆塔的存在的误差干扰进行预测,是当前电力***的安全稳定运行领域需要重视的问题。
发明内容
本发明提供了一种输电线路杆塔接地电阻测量方法、装置及存储介质,能够通过网络模型对不同输电杆塔存在的误差干扰进行预测,并依据得到的偏正误差对测量阻抗数据进行校准,从而提高输电杆塔接地电阻的测量准确度。
第一方面,本发明实施例提供了一种输电杆塔接地电阻的测量方法,包括:
获取待测输电杆塔的目标信息,其中,目标信息为待测输电杆塔的目标测量频点或者测量参数;
通过回路阻抗法测量待测输电杆塔的测量阻抗数据;
获取在先训练的目标信息的误差预测模型;
根据误差预测模型获取目标信息的偏正误差;
根据偏正误差校准测量阻抗数据为修正阻抗数据。
可选的,当目标信息为待测输电杆塔的目标测量频点时,目标测量频点不在待测输电杆塔的至少一个干扰频点和/或干扰频段内;测量阻抗数据为待测输电杆塔在目标测量频点的测量阻抗数据;
方法还包括:训练误差预测模型。
可选的,训练误差预测模型,包括:
获取与待测输电杆塔参数配置相同的样本输电杆塔,其中,待测输电杆塔参数配置包括线路电压等级、土壤电阻率及杆塔接地结构;
选取至少两个样本频点,并且获取样本输电杆塔在样本频点的第一理论阻抗数据;
通过回路阻抗法测量样本输电杆塔在样本频点的第一样本阻抗数据;
获取第一理论阻抗数据及第一样本阻抗数据的第一样本误差数据;
以样本频点为输入、关联的第一样本误差数据为输出构建第一样本组;
根据若干第一样本组训练误差预测模型。
可选的,还包括:
根据若干样本频点的第一理论阻抗数据,通过最小二乘法拟合样本曲线;
获取样本曲线在所有频点的切线斜率;
获取样本曲线中切线斜率为零值的若干过零频点;
获取样本输电杆塔在过零频点的第二理论阻抗数据;
通过回路阻抗法测量样本输电杆塔在过零频点的第二样本阻抗数据;
获取第二理论阻抗数据及第二样本阻抗数据的第二样本误差数据;
以过零频点为输入、关联的第二样本误差数据为输出构建第二样本组;
根据若干第二样本组校准误差预测模型。
可选的,还包括:
通过三极法测量样本输电杆塔在样本频点的第三样本阻抗数据;
获取第一理论阻抗数据及第三样本阻抗数据的第三样本误差数据;
根据第一样本误差数据拟合第一误差曲线;
根据第三样本误差数据拟合第三误差曲线;
根据第一误差曲线及第三误差曲线建立误差对比曲线;
根据误差对比曲线筛除样本频点。
可选的,当目标信息为待测输电杆塔的测量参数时,测量参数至少包括线路电压、土壤电阻率及杆塔接地结构;测量阻抗数据为待测输电杆塔在任一第一测量频点的测量阻抗数据;
方法还包括:训练误差预测模型。
可选的,训练误差预测模型,包括:
获取与待测输电杆塔参数配置相同的至少两个样本输电杆塔;
获取每个样本输电杆塔的样本参数,其中,样本参数与测量参数的参数数量及类型相同;
获取每个样本输电杆塔在第一测量频点的第四理论阻抗数据;
通过回路阻抗法测量每个样本输电杆塔在第一测量频点的第四样本阻抗数据;
获取第四理论阻抗数据及第四样本阻抗数据的第四样本误差数据;
以样本参数为输入、关联的第四样本误差数据为输出构建第四样本组;
根据至少两个第四样本组训练误差预测模型。
可选的,还包括:
选择至少一个样本输电杆塔的样本参数为测试参数;
将测试参数的全部或部分配置正加权数及负加权数,形成正加权参数及负加权参数,其中,测试参数中配置正加权数及负加权数的部分参数是土壤电阻率;
分别输入正加权参数及负加权参数到训练的误差预测模型,以得到正误差值及负误差值;
比较正误差值及负误差值,以得到结果差值;
判断结果差值大于或等于一阈值时增加若干第四样本组。
第二方面,本发明实施例还提供了一种输电杆塔接地电阻的测量装置,包括:
存储器,非瞬时性地存储有计算机可实现指令;
处理器,配置为运行计算机可实现指令;
其中,计算机可实现指令被处理器运行时实现上述任一实施例的输电杆塔接地电阻的测量方法。
第三方面,本发明实施例还提供了一种计算机可读存储介质,储介质包括一组计算机可实现指令,指令被处理器执行时实现上述任一实施例的输电杆塔接地电阻的测量方法。
本发明实施例提供了一种输电线路杆塔接地电阻测量方法、装置及存储介质,该方法包括:获取待测输电杆塔的目标信息,其中,目标信息为待测输电杆塔的目标测量频点或者测量参数;通过回路阻抗法测量待测输电杆塔的测量阻抗数据;获取在先训练的目标信息的误差预测模型;根据误差预测模型获取目标信息的偏正误差;根据偏正误差校准测量阻抗数据为修正阻抗数据。通过获取待测输电杆塔的目标信息训练测量模型,并通过网络模型对不同输电杆塔存在的误差干扰进行预测,依据得到的目标信息的偏正误差对测量阻抗数据进行校准,解决了用钳表法选择发生测量频点的测量信号时,测量信号在一些测量频点容易受到来自工频及来外部其他电磁环境的干扰,并且输电杆塔在不同测量频点表现的误差干扰存在明显差异的问题,提高了输电杆塔接地电阻的测量准确度。
附图说明
图1为实施例一提供的一种输电线路杆塔接地电阻测量方法的流程示意图;
图2为实施例二提供的一种输电线路杆塔接地电阻测量方法的流程示意图;
图3为实施例二提供的BP神经网络设计的示意图;
图4为实施例二提供的一种训练BP神经网络模型的流程示意图;
图5为实施例二提供的一种校准误差预测模型的流程示意图;
图6为实施例二提供的一种样本频点及过零频点清洗方法的流程示意图;
图7为实施例三提供的一种输电线路杆塔接地电阻测量方法的流程示意图;
图8为实施例三提供的BP神经网络设计的示意图;
图9为实施例三提供的一种训练BP神经网络模型的流程示意图;
图10为实施例三提供的校准误差预测模型的流程示意图;
图11为实施例三提供的一种样本频点及过零频点清洗方法的流程示意图;
图12为实施例三提供的对误差预测模型的训练方法的流程示意图;
图13为实施例三提供的一种BP神经网络设计的示意图;
图14为实施例四提供的一种输电线路杆塔接地电阻测量装置的结构示意图;
图15为实施例五提供的一种服务器的结构示意图;
图16为实施例六提供的一种存储介质的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
输电线路杆塔接地对电力***的安全稳定运行至关重要,杆塔接地不良将引起雷电事故,引起线路跳闸。当雷击杆顶或避雷线时,雷电流通过杆塔接地装置入地。
现有的输电线路杆塔接地电阻测量方法使用最为广泛的是钳表法,该方法实际上是测量杆塔接地阻抗与杆塔架空地线和临近杆塔的接地阻抗形成的回路阻抗,将回路阻抗近似为所测杆塔接地装置的接地阻抗。但往往使用钳表测量法选择发生测量频点的测量信号时,测量信号在一些测量频点容易受到来自工频及来外部其他电磁环境的干扰,并且输电杆塔在不同测量频点表现的误差干扰存在明显差异。
为解决上述问题,本发明提供一种输电线路杆塔接地电阻测量方法、装置及存储介质,通过获取待测输电杆塔的目标信息训练测量模型,对不同输电杆塔存在的误差干扰进行预测,并依据得到的目标信息的偏正误差对测量阻抗数据进行校准,从而提升输电杆塔接地电阻的测量准确度。
需要说明的是,本发明下述各个实施例可以单独执行,各个实施例之间也可以相互结合执行,本发明实施例对此不作具体限制。
下面,对输电线路杆塔接地电阻测量方法、装置及其技术效果进行描述。
实施例一
图1为实施例一提供的一种输电线路杆塔接地电阻测量方法的流程示意图,如图1所示,本实施例提供的方法适用于输电线路杆塔接地电阻测量装置,该装置可以采用软件和/或硬件的方式来实现,配置于服务器中。该方法具体包括如下几个步骤。
S101、获取待测输电杆塔的目标信息,其中,目标信息为待测输电杆塔的目标测量频点或者测量参数。
其中,目标信息为待测输电杆塔的目标测量频点时,目标测量频点不在待测输电杆塔的至少一个干扰频点和/或干扰频段内,具体的,干扰频点是现场经人工测量及判断的工频干扰及相关的谐波分量Io=I50Hz+ΣI50*n Hz,干扰频段是干扰频点所在的频段区间。实施例中干扰频点的确定,也取决于现场的电磁环境等,在此不作限定。
其中,目标信息为待测输电杆塔的测量参数时,测量参数至少包括线路电压、土壤电阻率及杆塔接地结构,具体的,线路电压的等级有35kV(1级)、110kV(2级)、220kV(3级)、500kV(4级)及1000kV(5级)等;土壤电阻率如有50Ω·m、300Ω·m及1000Ω·m等;塔接地结构区分有射线结构、无射线结构及自然接地体电阻率降低结构等,在此不作限定。
S102、通过回路阻抗法测量待测输电杆塔的测量阻抗数据。
其中,目标信息为待测输电杆塔的目标测量频点时,测量阻抗数据为待测输电杆塔在目标测量频点的测量阻抗数据;目标信息为待测输电杆塔的测量参数时,测量阻抗数据为待测输电杆塔在任一第一测量频点的测量阻抗数据;在此不作限定。
S103、获取在先训练的目标信息的误差预测模型。
其中,误差预测模型可以是BP(back propagation)神经网络模型等。具体的,BP神经网络是按误差反向传播训练的多层前馈网络,BP神经网络模型可实现的功能是,对待测输电杆塔进行测量时,预测待测输电杆塔对应的测量参数存在的误差值或误差区间。在此不作限定。
S104、根据误差预测模型获取目标信息的偏正误差。
其中,偏正误差校准为一误差值或误差权重。在此不作限定。
S105、根据偏正误差校准测量阻抗数据为修正阻抗数据。
其中,若偏正误差校准为误差值,则修正阻抗数据为误差值及测量阻抗数据的算术和/差;若偏正误差校准为误差权重,则修正阻抗数据为误差值及测量阻抗数据的算术乘积。在此不作限定。
本发明实施例提供了一种输电线路杆塔接地电阻测量方法,包括:获取待测输电杆塔的目标信息,其中,目标信息为待测输电杆塔的目标测量频点或者测量参数;通过回路阻抗法测量待测输电杆塔的测量阻抗数据;获取在先训练的目标信息的误差预测模型;根据误差预测模型获取目标信息的偏正误差;根据偏正误差校准测量阻抗数据为修正阻抗数据。通过获取待测输电杆塔的目标信息训练测量模型,并通过网络模型对不同输电杆塔存在的误差干扰进行预测,依据得到的目标信息的偏正误差对测量阻抗数据进行校准,解决了用钳表测量法选择发生测量频点的测量信号时,测量信号在一些测量频点容易受到来自工频及来外部其他电磁环境的干扰,并且输电杆塔在不同测量频点表现的误差干扰存在明显差异的问题,提高了输电杆塔接地电阻的测量准确度。
实施例二
图2为实施例二提供的一种输电线路杆塔接地电阻测量方法的流程示意图,如图2所示,本实施例提供的方法适用于输电线路杆塔接地电阻测量装置,该装置可以采用软件和/或硬件的方式来实现。该装置可配置于服务器中,该方法具体包括如下几个步骤。
S201、获取待测输电杆塔的干扰频点及频段。
其中,目标测量频点不在待测输电杆塔的至少一个干扰频点和/或干扰频段内,干扰频点是现场经人工测量及判断的工频干扰及相关的谐波分量Io=I50Hz+ΣI50*n Hz。干扰频段是干扰频点所在的频段区间。实施例中干扰频点的确定,也取决于现场的电磁环境等,在此不作限定。
S202、选取不在干扰频点和/或干扰频段的测量频点。
其中,选取的测量频点远离干扰频点及干扰频段的区间;或现场中明显对接地电阻的测量产生影响的其他频点及区间,在此不作限定。
S203、获取在先训练的测量频点的误差预测模型。
其中,误差预测模型可以是BP神经网络模型等。BP神经网络是按误差反向传播训练的多层前馈网络,BP神经网络模型可实现的功能是,对待测输电杆塔进行测量时,预测测量频点存在的误差值或误差区间,在此不作限定。
图3为实施例二提供的BP神经网络设计的示意图。从图3可以看出,误差预测模型由输入层、隐含层及输出层组成;并且选用S型传递函数通过反传误差函数其中Ti为期望输出、Oi为网络的计算输出,调节网络权值和阈值使误差函数E达到极小化。
具体的,与测量结果有关的输入变量有测量频点,输入非变量有待测输电杆塔的配置参数,即有线路电压等级、土壤电阻率及杆塔接地结构。
例如,线路电压等级有35kV、110kV、220kV、500kV及1000kV等;土壤电阻率有50Ω·m、300Ω·m及1000Ω·m等;杆塔接地结构区分有射线结构、无射线结构及自然接地体电阻率降低结构等。
那么,输入层由4个神经元组成,即1个变量节点及3个非变量节点。变量节点为测量频点,非变量节点为线路电压等级的数值、土壤电阻率的数值及杆塔接地结构的标签。
例如,与测量结果有关的输出变量有误差值。
那么,输出层由1个神经元组成,即1个变量节点。
具体的,隐含层的隐含节点在BP神经网络可以有一层或多层,本发明实施例中网络模型提供的隐含层有且仅有一层。
隐含层中的神经元数量参考了经验公式其中,n为输入层神经元个数,m为输出层神经元个数,a为区间[1,10]间的经验常数。
由此,实施例中示例的a取值为2;那么隐含层的神经元有4个。同时,实施例中选择S型正切函数tansig作为隐含层神经元的激励函数。
通过实施例中建立的网络模型可实现对固定参数配置的待测输电杆塔在不同测量频点下误差值的预测,进而修正测量结果。
图4为实施例二提供的一种训练BP神经网络模型的流程示意图,主要分为如下六个步骤:
步骤A1、获取与待测输电杆塔相近参数配置的样本输电杆塔;其中参数配置所指是国内高压输电线路电压等级的数值、土壤电阻率的单位数值及不同杆塔接地结构对应的构造标签。
步骤A2、选取避让干扰频点及相关频段区间的若干样本频点,并且获取样本输电杆塔在样本频点的第一理论阻抗数据;其中第一理论阻抗数据可由技术人员通过精密器械多次反复测量取得。
步骤A3、通过回路阻抗法测量样本输电杆塔在样本频点的第一样本阻抗数据。
步骤A4、获取第一理论阻抗数据及第一样本阻抗数据的第一样本误差数据。
步骤A5、根据样本频点、线路电压等级的数值、土壤电阻率的数值及不同杆塔接地结构对应的标签为4个输入量,与样本频点关联的第一样本误差数据为1输出量构建第一样本组。
步骤A6、根据若干第一样本组训练误差预测模型;其中各第一样本组中的样本频点及第一样本误差数据为变量,其他单元项为对应样本输电杆塔的常量。
对BP神经网络模型进行训练之后,通过建立区别第一样本组的第二样本组,以及通过第二样本组参与对误差预测模型的校准。
S204、通过回路阻抗法测量待测输电杆塔在测量频点的测量阻抗数据。
其中,测量阻抗数据为待测输电杆塔在目标测量频点的测量阻抗数据,在此不作限定。
S205、根据误差预测模型获取测量频点的偏正误差。
其中,偏正误差校准为一误差值或误差权重。在此不作限定。
S206、根据偏正误差校准测量阻抗数据为修正阻抗数据。
其中,若偏正误差校准为误差值,则修正阻抗数据为误差值及测量阻抗数据的算术和/差;若偏正误差校准为误差权重,则修正阻抗数据为误差值及测量阻抗数据的算术乘积;在此不作限定。
图5为实施例二中校准误差预测模型的流程示意图,主要分为如下七个步骤:
步骤B1、根据若干样本频点及第一理论阻抗数据利用最小二乘法多项式拟合出样本曲线。
步骤B2、获取样本曲线在所有频点的切线斜率。
步骤B3、获取样本曲线中切线斜率为过零值的若干过零频点,并且获取过零频点的第二理论阻抗数据。
步骤B4、通过回路阻抗法测量样本输电杆塔在过零频点的第二样本阻抗数据。
步骤B5、获取第二理论阻抗数据及第二样本阻抗数据的第二样本误差数据。
步骤B6、根据过零频点、样本输电杆塔的参数配置为4个输入量,关联的第二样本误差数据为输出构建第二样本组。
步骤B7、根据若干第二样本组校准误差预测模型。
通过上述内容,利用离散的若干样本频点,基于最小二乘法多项式拟合出样本曲线;再结合归一化后的样本曲线一般在坐标的X轴附近波动。那么提取的归一化后样本曲线的过零频点,可最大化的示出不同频点在接地阻抗测量中的误差性能。那么用过零频点对应的第二样本组作为网络模型的测试集可有效提高网络模型的准确性。
需要说明的是,为了提高对误差预测模型的有效及准确性。本发明实施例在训练BP神经网络模型的流程中,基于一些条件对样本频点及过零频点作出清洗。
具体的,图6为实施例二提供的一种样本频点及过零频点清洗方法的流程示意图,主要是在误差预测模型实施训练时,对样本频点及过零频点进行清洗,主要分为如下六个步骤:
步骤C1、通过三极法测量样本输电杆塔在样本频点及过零频点的第三样本阻抗数据。
步骤C2、获取第一理论阻抗数据及第三样本阻抗数据的第三样本误差数据。
步骤C3、根据第一样本误差数据拟合第一误差曲线。
步骤C4、根据第三样本误差数据拟合第三误差曲线。
步骤C5、根据第一误差曲线及第三误差曲线建立误差对比曲线。
步骤C6、筛选误差对比曲线中纵坐标大于或等于超限阈值的横坐标;筛选的横坐标即为样本频点及过零频点。
通过上述内容,实施例中将阻抗回路法及三级法测量的接地阻抗作出对比;筛选出明显测量结果差异较大的频点,以此排除不具有普遍性的第一样本组和第二样本组对误差预测模型训练的干扰。
可选的,实施例中在排除的频点,在步骤S201中测量待测输电杆塔时不作为测量频点使用。
本发明实施例提供了一种输电线路杆塔接地电阻测量方法,包括:获取待测输电杆塔的至少一个干扰频点和/或干扰频段;选取至少一个不在干扰频点和/或干扰频段的测量频点;通过回路阻抗法测量待测输电杆塔在测量频点的测量阻抗数据;获取在先训练的测量频点的误差预测模型;根据误差预测模型获取测量频点的偏正误差;根据偏正误差校准测量阻抗数据为修正阻抗数据。其中修正阻抗数据即表征待测输电杆塔在测量频点下逼近真实值的接地阻抗。解决了用钳表测量法选择发生测量频点的测量信号时,测量信号在一些测量频点容易受到来自工频及来外部其他电磁环境的干扰,并且输电杆塔在不同测量频点表现的误差干扰存在明显差异的问题,提高了输电杆塔接地电阻的测量准确度。
实施例三
图7为实施例三提供的一种输电线路杆塔接地电阻测量方法的流程示意图,如图7所示,本实施例提供的方法适用于输电线路杆塔接地电阻测量装置,该装置可以采用软件和/或硬件的方式来实现。该装置可配置于服务器中,该方法具体包括如下几个步骤。
S701、获取待测输电杆塔的测量参数。
其中,测量参数包括线路电压的等级、土壤电阻率及杆塔接地结构的标签;具体的,线路电压的等级有35kV(1级)、110kV(2级)、220kV(3级)、500kV(4级)及1000kV(5级)等;土壤电阻率如有50Ω·m、300Ω·m及1000Ω·m等;塔接地结构区分有射线结构、无射线结构及自然接地体电阻率降低结构等。在此不作限定。
S702、通过回路阻抗法测量待测输电杆塔在任一第一测量频点的测量阻抗数据。
S703、获取在先训练的测量参数的误差预测模型。
其中,误差预测模型可以是BP神经网络模型等。BP神经网络是按误差反向传播训练的多层前馈网络,BP神经网络模型可实现的功能是,对待测输电杆塔进行测量时,预测待测输电杆塔对应的测量参数存在的误差值或误差区间。在此不作限定。
S704、根据误差预测模型获取测量参数的偏正误差。
其中,偏正误差校准为一误差值或误差权重。在此不作限定。
S705、根据偏正误差校准测量阻抗数据为修正阻抗数据。
其中,若偏正误差校准为误差值,则修正阻抗数据为误差值及测量阻抗数据的算术和/差;若偏正误差校准为误差权重,则修正阻抗数据为误差值及测量阻抗数据的算术乘积。在此不作限定。
图8为实施例三提供的BP神经网络设计的示意图。从图中可以看出,误差预测模型由输入层、隐含层及输出层组成;并且选用S型传递函数通过反传误差函数其中Ti为期望输出、Oi为网络的计算输出,调节网络权值和阈值使误差函数E达到极小化。
具体的,与测量结果有关的输入变量有待测输电杆塔的测量参数,即有线路电压的等级、土壤电阻率及杆塔接地结构的标签。
那么,输入层由3个神经元组成,分别是线路电压的等级数值、土壤电阻率的数值及杆塔接地结构的标签。
例如,与测量结果有关的输出变量有误差值。
那么,输出层由1个神经元组成,即1个变量节点。
具体的,隐含层的隐含节点在BP神经网络可以有一层或多层,本发明至少一实施例中网络模型提供的隐含层有且仅有一层。
隐含层中的神经元数量参考了经验公式其中,n为输入层神经元个数,m为输出层神经元个数,a为区间[1,10]间的经验常数。
由此,实施例中示例的a取值为3,那么隐含层的神经元有5个。同时,实施例中选择S型正切函数tansig作为隐含层神经元的激励函数。
通过实施例三中建立的网络模型可实现对不同待测输电杆塔对应的测量参数给出误差值的预测,进而修正测量结果。
图9为实施例三提供的一种训练BP神经网络模型的流程示意图,主要分为如下六个步骤:
步骤D1、选择若干个样本输电杆塔,分别的测量出每个样本输电杆的样本参数,即国内高压输电线路电压等级的数值、土壤电阻率的单位数值及不同杆塔接地结构对应的构造标签。
步骤D2、获取每个样本输电杆塔在第一测量频点的第四理论阻抗数据;其中第四理论阻抗数据可由技术人员通过精密器械多次反复测量取得。
步骤D3、通过回路阻抗法测量每个样本输电杆塔在第一测量频点的第四样本阻抗数据。
步骤D4、获取第四理论阻抗数据及第一样本阻抗数据的第四样本误差数据。
步骤D5、根据线路电压等级的数值、土壤电阻率的等级数值及不同杆塔接地结构对应的标签为3个输入量,第四样本误差数据为1个输出量构建第四样本组。
步骤D6、根据若干第四样本组训练误差预测模型;其中各第四样本组中所有数据项均变量。
对BP神经网络模型进行训练之后,通过对训练的误差预测模型进行评价,以确定对第一样本组的增补。
具体的,对训练的误差预测模型进行评价的方法如图10所示,图10为实施例三提供的校准误差预测模型的流程示意图,主要分为如下五个步骤:
步骤E1、选择至少一个样本输电杆塔的样本参数为测试参数。
步骤E2、测试参数的全部或部分配置正加权数及负加权数,形成正加权参数及负加权参数。
其中,选取测试参数的部分参数配置是土壤电阻率。正加权数及负加权数分别是对土壤电阻率ρ的10%的数值增量及数值减量。那么正加权参数的土壤电阻率是110%ρ,正加权参数的土壤电阻率是90%ρ。在此不作限定。
步骤E3、分别输入正加权参数及负加权参数到训练的误差预测模型,以得到正误差值及负误差值。
其中,正加权参数及负加权参数的电压等级及杆塔结构的标签与步骤一的测试参数的相同;区别仅是土壤电阻率。分别的将正加权参数及负加权参数输入到误差预测模型进行预测,可以得出与测试参数进行预测大致相同的误差值。在此不作限定。
步骤E4、比较正误差值及负误差值,以得到结果差值。
其中,结果差值能够用于反映在有且仅在土壤电阻率些许不同时误差值的差异。在此不作限定。
步骤E5、判断结果差值大于或等于一阈值时增加若干第四样本组。
其中,已知道土壤电阻率在输电杆塔的接地电阻测试中的强关联性,以及土壤电阻率的少量变化并不会导致结果差值出现较大波动。因此,结果差值在大于或等于一阈值时说明当前训练的误差预测模型准确性不足,需要通过补充的其他第四样本组再训练。
需要说明的是,为了提高对误差预测模型的有效及准确性。实施例三在训练BP神经网络模型的流程中,基于一些条件对样本频点及过零频点作出清洗。
图11为实施例三提供的一种样本频点及过零频点清洗方法的流程示意图,主要是在误差预测模型实施训练时,对样本频点及过零频点进行清洗,主要分为如下六个步骤:
步骤F1、通过三极法法测量每个样本输电杆塔在第一测量频点的第六样本阻抗数据。
步骤F2、获取第四理论阻抗数据及第六样本阻抗数据的第六样本误差数据。
步骤F3、根据第四样本误差数据拟合第四误差曲线。
步骤F4、根据第六样本误差数据拟合第六误差曲线。
步骤F5、根据第四误差曲线及第六误差曲线建立误差对比曲线。
步骤F6、筛选误差对比曲线中纵坐标大于或等于超限阈值的横坐标;筛选的横坐标即为样本参数。
通过上述内容,实施例中将阻抗回路法及三级法测量的接地阻抗作出对比;筛选出明显测量结果差异较大的样本参数,以此排除不具有普遍性的第四样本组对误差预测模型训练的干扰。
图12为实施例三提供的对误差预测模型的训练方法的流程示意图,主要分为如下七个步骤:
步骤G1、获取与待测输电杆塔相近参数配置的至少两个样本输电杆塔。
步骤G2、获取每个样本输电杆塔的样本参数。
步骤G3、获取每个样本输电杆塔在多个不同第二测量频点的第五理论阻抗数据;其中,若干第二测量频点处在同一测量频段。
步骤G4、通过回路阻抗法测量每个样本输电杆塔在不同第二测量频点时的第五样本阻抗数据。
步骤G5、获取第五理论阻抗数据及第五样本阻抗数据的第五样本误差数据。
步骤G6、根据样本参数及第二测量频点为输入、关联的第五样本误差数据为输出构建第五样本组。
步骤G7、根据若干第五样本组训练误差预测模型。
通过上述内容,本发明在接地电阻的测量中引入的变量进一步的包括有不同的若干第二测量频点;那么引入同一输电杆塔因不同测量频点所造成的误差的变化,可进一步优化训练的误差预测模型,提高测量的准确性。
对此,图13为实施例三提供的一种BP神经网络设计的示意图。从图13中可以看出,误差预测模型由输入层、隐含层及输出层组成;具体的,与测量结果有关的输入变量有待测输电杆塔的第一测量频点及测量参数。
实施例四
本发明实施例四所提供的输电线路杆塔接地电阻测量装置可执行本发明任意实施例所提供的输电线路杆塔接地电阻测量方法,具备执行方法相应的功能模块和有益效果。
图14为实施例四提供的一种输电线路杆塔接地电阻测量装置的结构示意图,如图14所示,包括:信息获取模块141、阻抗测量模块142、模型获取模块143、偏正误差获取模块144和阻抗修正模块145。
信息获取模块141,用于获取待测输电杆塔的目标信息,其中,目标信息为待测输电杆塔的目标测量频点或者测量参数。
阻抗测量模块142,用于通过回路阻抗法测量待测输电杆塔的测量阻抗数据。
模型获取模块143,用于获取在先训练的目标信息的误差预测模型。
偏正误差获取模块144,用于根据误差预测模型获取目标信息的偏正误差。
阻抗修正模块145,用于根据偏正误差校准测量阻抗数据为修正阻抗数据。
本实施例提供的输电线路杆塔接地电阻测量为实现上述实施例的输电线路杆塔接地电阻测量方法,本实施例提供的输电线路杆塔接地电阻测量装置实现原理和技术效果与上述实施例类似,此处不再赘述。
可选的,当目标信息为待测输电杆塔的目标测量频点时,目标测量频点不在待测输电杆塔的至少一个干扰频点和/或干扰频段内;测量阻抗数据为待测输电杆塔在目标测量频点的测量阻抗数据。
模型获取模块143,具体用于训练误差预测模型。
可选的,模型获取模块143,具体用于获取与待测输电杆塔参数配置相同的样本输电杆塔,其中,待测输电杆塔参数配置包括线路电压等级、土壤电阻率及杆塔接地结构;选取至少两个样本频点,并且获取样本输电杆塔在样本频点的第一理论阻抗数据;通过回路阻抗法测量样本输电杆塔在样本频点的第一样本阻抗数据;获取第一理论阻抗数据及第一样本阻抗数据的第一样本误差数据;以样本频点为输入、关联的第一样本误差数据为输出构建第一样本组;根据若干第一样本组训练误差预测模型。
模型获取模块143,还用于根据若干样本频点的第一理论阻抗数据,通过最小二乘法拟合样本曲线;获取样本曲线在所有频点的切线斜率;获取样本曲线中切线斜率为零值的若干过零频点;获取样本输电杆塔在过零频点的第二理论阻抗数据;通过回路阻抗法测量样本输电杆塔在过零频点的第二样本阻抗数据;获取第二理论阻抗数据及第二样本阻抗数据的第二样本误差数据;以过零频点为输入、关联的第二样本误差数据为输出构建第二样本组;根据若干第二样本组校准误差预测模型。
模型获取模块143,还用于通过三极法测量样本输电杆塔在样本频点的第三样本阻抗数据;获取第一理论阻抗数据及第三样本阻抗数据的第三样本误差数据;根据第一样本误差数据拟合第一误差曲线;根据第三样本误差数据拟合第三误差曲线;根据第一误差曲线及第三误差曲线建立误差对比曲线;根据误差对比曲线筛除样本频点。
可选的,当目标信息为待测输电杆塔的测量参数时,测量参数至少包括线路电压、土壤电阻率及杆塔接地结构;测量阻抗数据为待测输电杆塔在任一第一测量频点的测量阻抗数据。
模型获取模块143,具体用于训练误差预测模型。
可选的,模型获取模块143,具体用于获取与待测输电杆塔参数配置相同的至少两个样本输电杆塔;获取每个样本输电杆塔的样本参数,其中,样本参数与测量参数的参数数量及类型相同;获取每个样本输电杆塔在第一测量频点的第四理论阻抗数据;通过回路阻抗法测量每个样本输电杆塔在第一测量频点的第四样本阻抗数据;获取第四理论阻抗数据及第四样本阻抗数据的第四样本误差数据;以样本参数为输入、关联的第四样本误差数据为输出构建第四样本组;根据至少两个第四样本组训练误差预测模型。
可选的,模型获取模块143,还用于选择至少一个样本输电杆塔的样本参数为测试参数;将测试参数的全部或部分配置正加权数及负加权数,形成正加权参数及负加权参数,其中,测试参数中配置正加权数及负加权数的部分参数是土壤电阻率;分别输入正加权参数及负加权参数到训练的误差预测模型,以得到正误差值及负误差值;比较正误差值及负误差值,以得到结果差值;判断结果差值大于或等于一阈值时增加若干第四样本组。
实施例五
图15为本发明实施例五提供的一种服务器的结构示意图,如图15所示,该服务器包括处理器151、存储器152、输入装置153和输出装置154;服务器中处理器151的数量可以是一个或多个,图15中以一个处理器151为例;服务器中的处理器151、存储器152、输入装置153和输出装置154可以通过总线或其他方式连接,图15中以通过总线连接为例。
存储器152作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的输电线路杆塔接地电阻测量对应的程序模块(例如,信息获取模块141、阻抗测量模块142、模型获取模块143、偏正误差获取模块144和阻抗修正模块145)。处理器151通过运行存储在存储器152中的软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述的输电线路杆塔接地电阻测量。
存储器152可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器152可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器152可进一步包括相对于处理器151远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置153可用于接收输入的待测输电杆塔的目标信息,输出装置154可包括显示屏等显示设备。
实施例六
图16是本发明实施例六提供的一种存储介质的示意图,如图16所示,该存储介质包含计算机可执行指令,计算机可执行指令在由计算机处理器执行时用于执行一种输电线路杆塔接地电阻测量方法,该方法包括:
获取待测输电杆塔的目标信息;
通过回路阻抗法测量待测输电杆塔的测量阻抗数据;
获取在先训练的目标信息的误差预测模型;
根据误差预测模型获取目标信息的偏正误差;
根据偏正误差校准测量阻抗数据为修正阻抗数据。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的输电线路杆塔接地电阻测量方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
值得注意的是,上述输电线路杆塔接地电阻测量装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种输电杆塔接地电阻的测量方法,其特征在于,包括:
获取待测输电杆塔的目标信息,其中,所述目标信息为所述待测输电杆塔的目标测量频点或者测量参数;
通过回路阻抗法测量所述待测输电杆塔的测量阻抗数据;
获取在先训练的所述目标信息的误差预测模型;
根据所述误差预测模型获取所述目标信息的偏正误差;
根据所述偏正误差校准所述测量阻抗数据为修正阻抗数据。
2.根据权利要求1所述的方法,其特征在于,当所述目标信息为所述待测输电杆塔的目标测量频点时,所述目标测量频点不在所述待测输电杆塔的至少一个干扰频点和/或干扰频段内;所述测量阻抗数据为所述待测输电杆塔在所述目标测量频点的测量阻抗数据;
所述方法还包括:
训练所述误差预测模型。
3.根据权利要求2所述的方法,其特征在于,所述训练所述误差预测模型,包括:
获取与所述待测输电杆塔参数配置相同的样本输电杆塔,其中,所述待测输电杆塔参数配置包括线路电压等级、土壤电阻率及杆塔接地结构;
选取至少两个样本频点,并且获取所述样本输电杆塔在所述样本频点的第一理论阻抗数据;
通过回路阻抗法测量所述样本输电杆塔在所述样本频点的第一样本阻抗数据;
获取所述第一理论阻抗数据及所述第一样本阻抗数据的第一样本误差数据;
以所述样本频点为输入、关联的所述第一样本误差数据为输出构建第一样本组;
根据若干所述第一样本组训练所述误差预测模型。
4.根据权利要求3所述的方法,其特征在于,还包括:
根据若干所述样本频点的所述第一理论阻抗数据,通过最小二乘法拟合样本曲线;
获取所述样本曲线在所有频点的切线斜率;
获取所述样本曲线中切线斜率为零值的若干过零频点;
获取所述样本输电杆塔在所述过零频点的第二理论阻抗数据;
通过回路阻抗法测量所述样本输电杆塔在所述过零频点的第二样本阻抗数据;
获取所述第二理论阻抗数据及所述第二样本阻抗数据的第二样本误差数据;
以所述过零频点为输入、关联的所述第二样本误差数据为输出构建第二样本组;
根据若干所述第二样本组校准所述误差预测模型。
5.根据权利要求3所述的方法,其特征在于,还包括:
通过三极法测量所述样本输电杆塔在所述样本频点的第三样本阻抗数据;
获取所述第一理论阻抗数据及所述第三样本阻抗数据的第三样本误差数据;
根据所述第一样本误差数据拟合第一误差曲线;
根据所述第三样本误差数据拟合第三误差曲线;
根据所述第一误差曲线及所述第三误差曲线建立误差对比曲线;
根据所述误差对比曲线筛除所述样本频点。
6.根据权利要求1所述的方法,其特征在于,当所述目标信息为所述待测输电杆塔的测量参数时,所述测量参数至少包括线路电压、土壤电阻率及杆塔接地结构;所述测量阻抗数据为所述待测输电杆塔在任一第一测量频点的测量阻抗数据;
所述方法还包括:
训练所述误差预测模型。
7.根据权利要求6所述的方法,其特征在于,所述训练所述误差预测模型,包括:
获取与所述待测输电杆塔参数配置相同的至少两个样本输电杆塔;
获取每个所述样本输电杆塔的样本参数,其中,所述样本参数与所述测量参数的参数数量及类型相同;
获取每个所述样本输电杆塔在所述第一测量频点的第四理论阻抗数据;
通过回路阻抗法测量每个所述样本输电杆塔在所述第一测量频点的第四样本阻抗数据;
获取所述第四理论阻抗数据及所述第四样本阻抗数据的第四样本误差数据;
以所述样本参数为输入、关联的所述第四样本误差数据为输出构建第四样本组;
根据至少两个所述第四样本组训练所述误差预测模型。
8.根据权利要求7所述的方法,其特征在于,还包括:
选择至少一个所述样本输电杆塔的所述样本参数为测试参数;
将所述测试参数的全部或部分配置正加权数及负加权数,形成正加权参数及负加权参数,其中,所述测试参数中配置所述正加权数及所述负加权数的部分参数是土壤电阻率;
分别输入所述正加权参数及所述负加权参数到训练的所述误差预测模型,以得到正误差值及负误差值;
比较所述正误差值及所述负误差值,以得到结果差值;
判断所述结果差值大于或等于一阈值时增加若干所述第四样本组。
9.一种输电杆塔接地电阻的测量装置,其特征在于,包括:
存储器,非瞬时性地存储有计算机可实现指令;
处理器,配置为运行所述计算机可实现指令;
其中,所述计算机可实现指令被所述处理器运行时实现根据权利要求1-8任一项所述的输电杆塔接地电阻的测量方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质包括一组计算机可实现指令,当所述指令被实现时用于实现权利要求1-8任一项所述的输电杆塔接地电阻的测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002212.XA CN113655285B (zh) | 2021-08-30 | 2021-08-30 | 一种输电线路杆塔接地电阻测量方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002212.XA CN113655285B (zh) | 2021-08-30 | 2021-08-30 | 一种输电线路杆塔接地电阻测量方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113655285A CN113655285A (zh) | 2021-11-16 |
CN113655285B true CN113655285B (zh) | 2023-07-21 |
Family
ID=78482413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111002212.XA Active CN113655285B (zh) | 2021-08-30 | 2021-08-30 | 一种输电线路杆塔接地电阻测量方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113655285B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1298105A (zh) * | 1999-11-25 | 2001-06-06 | 株式会社爱德万测试 | 网络分析仪、网络分析方法和记录媒体 |
CN103399286A (zh) * | 2013-07-16 | 2013-11-20 | 中国电子科技集团公司第四十一研究所 | 一种多特性阻抗网络的测量校准方法 |
CN103500521A (zh) * | 2013-09-29 | 2014-01-08 | 广州供电局有限公司 | 电气设备的接地电阻可视化仿真测试方法 |
CN104914314A (zh) * | 2015-05-11 | 2015-09-16 | 国家电网公司 | 一种用于接地阻抗测量的线路布置及误差修正*** |
CN108445292A (zh) * | 2018-06-04 | 2018-08-24 | 中车青岛四方机车车辆股份有限公司 | 基于误差修正的电阻测量方法和装置 |
CN110221129A (zh) * | 2019-07-01 | 2019-09-10 | 国网四川省电力公司电力科学研究院 | 一种基于回路阻抗测试的杆塔接地电阻计算方法 |
CN111310905A (zh) * | 2020-05-11 | 2020-06-19 | 创新奇智(南京)科技有限公司 | 神经网络模型训练方法、装置及暖通***能效优化方法 |
WO2021071446A1 (en) * | 2019-10-11 | 2021-04-15 | Aytacoglu Murat Emin | Panel type grounding measuring device |
CN113009237A (zh) * | 2021-03-03 | 2021-06-22 | 广东电网有限责任公司 | 基于频率拟合算法的杆塔接地电阻测量方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6876935B2 (en) * | 2002-09-24 | 2005-04-05 | Murata Manufacturing Co., Ltd. | Method for correcting measurement error, method of determining quality of electronic component, and device for measuring characteristic of electronic component |
-
2021
- 2021-08-30 CN CN202111002212.XA patent/CN113655285B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1298105A (zh) * | 1999-11-25 | 2001-06-06 | 株式会社爱德万测试 | 网络分析仪、网络分析方法和记录媒体 |
CN103399286A (zh) * | 2013-07-16 | 2013-11-20 | 中国电子科技集团公司第四十一研究所 | 一种多特性阻抗网络的测量校准方法 |
CN103500521A (zh) * | 2013-09-29 | 2014-01-08 | 广州供电局有限公司 | 电气设备的接地电阻可视化仿真测试方法 |
CN104914314A (zh) * | 2015-05-11 | 2015-09-16 | 国家电网公司 | 一种用于接地阻抗测量的线路布置及误差修正*** |
CN108445292A (zh) * | 2018-06-04 | 2018-08-24 | 中车青岛四方机车车辆股份有限公司 | 基于误差修正的电阻测量方法和装置 |
CN110221129A (zh) * | 2019-07-01 | 2019-09-10 | 国网四川省电力公司电力科学研究院 | 一种基于回路阻抗测试的杆塔接地电阻计算方法 |
WO2021071446A1 (en) * | 2019-10-11 | 2021-04-15 | Aytacoglu Murat Emin | Panel type grounding measuring device |
CN111310905A (zh) * | 2020-05-11 | 2020-06-19 | 创新奇智(南京)科技有限公司 | 神经网络模型训练方法、装置及暖通***能效优化方法 |
CN113009237A (zh) * | 2021-03-03 | 2021-06-22 | 广东电网有限责任公司 | 基于频率拟合算法的杆塔接地电阻测量方法及装置 |
Non-Patent Citations (1)
Title |
---|
三极法和钳表法测量输电线路杆塔接地电阻分析;林杰欢;电气工程与自动化(第30期);第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113655285A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149554B (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
CN110676940B (zh) | 一种提高参数辨识精度的配电网pmu配置方法及*** | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN110632545A (zh) | 基于回归神经网络电子式互感器误差风险评估方法和装置 | |
WO2021038960A1 (ja) | 部分放電判定装置及び方法 | |
CN109342989A (zh) | 一种电能表的误差分析方法及装置 | |
CN109190164A (zh) | 节点电压暂降严重程度多指标评估方法 | |
Jamali et al. | A Fast and accurate fault location method for distribution networks with DG using genetic algorithms | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
CN112305485A (zh) | 电容式电压互感器的谐波电压测量误差修正方法及装置 | |
CN113655285B (zh) | 一种输电线路杆塔接地电阻测量方法、装置及存储介质 | |
CN115275975B (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
CN103942416B (zh) | 基于加权节点生成树的电压估计方法 | |
CN115982914A (zh) | 基于弹性网理论的接地网腐蚀评估方法及*** | |
CN110865268A (zh) | 低土壤电阻率地区输电杆塔雷击跳闸率测试方法 | |
CN115034449A (zh) | 架空线停电预测神经网络结构搜索方法及装置 | |
CN115618286A (zh) | 变压器局部放电类型识别方法、***、设备、终端及应用 | |
CN115423264A (zh) | 一种基于深度学习的线损区间自适应评估方法及*** | |
CN115291039A (zh) | 一种谐振接地***单相接地故障选线方法 | |
CN114996635A (zh) | 一种配电网参数确定方法、装置、设备及存储介质 | |
CN114019296A (zh) | 一种基于bp神经网络的配电线路接地故障辨识方法 | |
CN109270347B (zh) | 一种针对同步相量量测的电网可观测性分析方法 | |
CN113256444A (zh) | 一种低压台区户变关系辨识方法和装置 | |
CN104467738B (zh) | 农业***传感器组专用复合滤波型校正方法 | |
CN110633489A (zh) | 一种基于参数综合可疑度的线路参数辨识方法 |
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 |