CN113884805B - 基于d-s证据理论的单相接地故障绝缘劣化识别方法及*** - Google Patents
基于d-s证据理论的单相接地故障绝缘劣化识别方法及*** Download PDFInfo
- Publication number
- CN113884805B CN113884805B CN202111093109.0A CN202111093109A CN113884805B CN 113884805 B CN113884805 B CN 113884805B CN 202111093109 A CN202111093109 A CN 202111093109A CN 113884805 B CN113884805 B CN 113884805B
- Authority
- CN
- China
- Prior art keywords
- insulation degradation
- phase earth
- earth fault
- identification
- recognition model
- 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
- 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
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本公开提供了一种基于D‑S证据理论的单相接地故障绝缘劣化识别方法及***,包括以下步骤:获取单相接地故障零序电流信息;根据获取的单相接地故障零序电流信息和预设的绝缘劣化综合识别模型,得到绝缘劣化类型的识别结果;其中,所述预设的绝缘劣化综合识别模型根据D‑S证据理论对预设的模糊推理识别模型、基于极限学习机的识别模型和基于支持向量机的识别模型融合得到。根据实际单相接地故障波形数据结合多元方差分析进行特征量的提取,利用D‑S证据理论进行预设的模糊推理***模型、粒子群优化模型和交叉验证优化模型的融合,实现绝缘劣化的综合识别,有利于对中压配电网单相接地故障实现准确的绝缘劣化类型识别,提高维护效率。
Description
技术领域
本公开属于配电网接地故障诊断技术领域,具体涉及一种基于D-S证据理论的单相接地故障绝缘劣化识别方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
在电力***中,配电网是影响用户供电可靠性的短板。据数据统计,扣除缺电因素,95%以上的停电都是配电网所导致的;因此,提高配电网的可靠性是实现人民安居乐业、经济发展、生活富裕的重要保证。单相接地故障约占配电线路全部故障的70%左右,其中部件绝缘劣化是其发生的主要原因之一,准确识别引起单相接地故障的绝缘劣化现象有助于提高维护效率,防止故障的发展。
不同类型的绝缘劣化对应不同类型的接地介质,从而导致接地故障发展过程不同,将这种现象映射到故障波形数据中,反映为时域、频域和时频域的各种特征不同。因此,提取反映不同绝缘劣化类型的有效多域特征是建立识别规则和模型的关键。随着配电自动化的发展,具有记录高采样频率故障波形数据功能的监测装置在配电***中得到了广泛的应用。因此,从稳态和暂态的故障波形数据中提取能反映不同绝缘劣化类型的有效多域特征,并最大化提升绝缘劣化类型识别准确率是一个关键问题。
发明内容
为了解决上述问题,本公开提出了一种基于D-S证据理论的单相接地故障绝缘劣化识别方法及***,本公开根据实际单相接地故障波形数据结合多元方差分析进行特征量的提取,利用D-S证据理论进行预设的模糊推理***模型、粒子群优化模型和交叉验证优化模型的融合,实现绝缘劣化的综合识别,有利于对中压配电网单相接地故障实现准确的绝缘劣化类型识别,提高维护效率。
根据一些实施例,本公开的第一方案提供了一种基于D-S证据理论的单相接地故障绝缘劣化识别方法,采用如下技术方案:
一种基于D-S证据理论的单相接地故障绝缘劣化识别方法,包括以下步骤:
获取单相接地故障零序电流信息;
根据获取的单相接地故障零序电流信息和预设的绝缘劣化综合优化识别模型,得到绝缘劣化类型的识别结果;
其中,所述预设的绝缘劣化综合优化识别模型根据D-S证据理论对预设的模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型融合得到。
作为进一步的技术限定,所述获取单相接地故障零序电流信息的具体过程为:通过采样率为4096Hz的故障录波器收集中压配电网单相接地故障波形数据,得到单相接地故障发生后的零序电流波形图。
进一步的,根据得到的单相接地故障发生后的零序电流波形图,基于小波变换,获取单相接地故障零序电流的特征量;基于多元方差分析衡量特征量与绝缘劣化类型之间的相关关系,判断特征量的有效性。
进一步的,以有效的特征量为基础,基于统计分析得到模糊推理优化识别模型。
进一步的,基于获取的特征量,构建基于极限学习机的识别模型,通过粒子群算法优化得到的基于极限学习机的优化识别模型。
进一步的,基于获取的特征量,构建基于支持向量机的识别模型,通过交叉验证法优化得到基于支持向量机的优化识别模型。
作为进一步的技术限定,所述根据D-S证据理论对预设的模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型融合的具体过程为:
确定以各种绝缘劣化原因的集合为识别框架;
采用模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型的识别结果作为证据,并确定识别框架内元素的信任值;
基于Dempster合成规则融合三种证据,获得对识别框架内某一元素的融合信任值及其不确定度,建立基本信任分配表;
设定融合结果应满足的信任值范围及不确定度范围,以此构成识别规则,输出满足识别规则的最终融合结果。
根据一些实施例,本公开的第二方案提供了一种基于D-S证据理论的单相接地故障绝缘劣化识别***,采用如下技术方案:
一种基于D-S证据理论的单相接地故障绝缘劣化识别***,包括:
获取信息模块,被配置为:获取单相接地故障零序电流信息;
识别模块,被配置为:根据获取的单相接地故障零序电流信息和预设的绝缘劣化综合识别模型,得到绝缘劣化类型的识别结果;
其中,所述预设的绝缘劣化综合识别模型根据D-S证据理论对预设的模糊推理识别模型、基于极限学习机的识别模型和基于支持向量机的识别模型融合得到。
根据一些实施例,本公开的第三方案提供了一种计算机可读存储介质,采用如下技术方案:
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于D-S证据理论的单相接地故障绝缘劣化识别方法中的步骤。
根据一些实施例,本公开的第四方案提供了一种电子设备,采用如下技术方案:
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程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于D-S证据理论的单相接地故障绝缘劣化识别方法中的步骤。
与现有技术相比,本公开的有益效果为:
本公开分别提取时域、频域和时频域内的波形特征,通过多元方差分析进行波形特征的有效性分析,利用D-S证据理论进行预设的模糊推理识别模型、基于极限学习机的识别模型和基于支持向量机的识别模型的融合以实现单相接地故障绝缘劣化的综合识别,具有优越性和可行性,有利于对中压配电网单相接地故障实现准确的绝缘劣化类型识别,提高维护效率。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例一中基于D-S证据理论的单相接地故障绝缘劣化识别方法的流程图;
图2是本公开实施例一中单相接地故障发生后由故障录波器测得的零序电流波形图;
图3是本公开实施例一中利用粒子群算法对基于极限学习机的识别模型优化时适应度随迭代次数的变化图;
图4是本实施例中基于绝缘劣化综合优化识别模型的识别准确率示意图:
图5是本公开实施例二中基于D-S证据理论的单相接地故障绝缘劣化识别***的结构框图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于D-S证据理论的单相接地故障绝缘劣化识别方法。
如图1所示的一种基于D-S证据理论的单相接地故障绝缘劣化识别方法,包括以下步骤:
步骤S01:采用采样率为4096Hz的故障录波器收集数据,根据收集的中压配电网单相接地故障波形数据,计算提出的11种特征量的对应值;
步骤S02:利用多元方差分析(MANOVA)衡量各特征量与绝缘劣化类型间的相关关系,并以F统计量值(F-statistics值)是否大于等于10为标准判别各特征量的有效性;
步骤S03:以步骤S02得到的有效的特征量为基础,基于统计分析得到中压配电网单相接地故障的模糊推理优化识别模型;
步骤S04:以步骤S01中提取到的特征量为基础,构建基于极限学习机(ELM)的识别模型,通过粒子群算法(PSO)进行基于极限学习机的识别模型的优化,得到中压配电网单相接地故障的基于极限学习机的优化识别模型;
步骤S05:以步骤S01中提取到的特征量为基础,构建基于支持向量机(SVM)的识别模型,通过交叉验证法进行基于支持向量机的识别模型的优化,得到中压配电网单相接地故障的基于支持向量机的优化识别模型;
步骤S06:根据D-S证据理论对步骤S03中得到的中压配电网单相接地故障的模糊推理优化识别模型、步骤S04中得到的中压配电网单相接地故障的基于极限学习机的优化识别模型和步骤S05中得到的中压配电网单相接地故障的基于支持向量机的优化识别模型进行融合,得到中压配电网单相接地故障的绝缘劣化综合优化识别模型,实现绝缘劣化的综合识别。
其中,步骤S01的具体过程为:
步骤S101:根据如图2所示的单相接地故障发生后测得的零序电流波形图,计算特征量C1,其含义为最大零序电流I0max与故障触发后连续采样点之间的最大差值ΔI0max的比值,计算公式如公式(2)所示;
ΔI0max=max(In+1-In) (1)
步骤S102:根据如图2所示的单相接地故障发生后测得的零序电流波形图,计算特征量C2,其含义为总谐波失真(THD)的对数,由稳态下零序电流前十个周期的平均值计算得出,THD的计算公式如公式(3)所示。
其中,h代表谐波次数,I(h)代表第h次谐波电流的均方根值。M代表最高谐波数,在本实施例中,M设为10。
步骤S103:根据单相接地故障发生后测得的零序电流波形图,计算特征量C3,其含义为波形失真的随机程度,可由公式(4)计算得到:
步骤S104:根据单相接地故障发生后测得的零序电流波形图,计算特征量C4,其含义为特征维数,可由公式(5)计算得到:
其中r表示说明书附图图2的网格尺度,说明书附图图2可以分为r2个网格;r值不同,信息熵Tr的值也不同。
步骤S105:根据单相接地故障发生后测得的零序电流波形图,基于小波变换,计算特征量C5-C11,可由公式(6)得到:
其中,如说明书附图2所示,f(t)表示***故障的零序电流波形,t0表示f(t)的初始时间,ttotal表示所选波形的终止时间,ts(t0<ts<ttotal)表示故障发生的时间,tw表示故障暂态过程的结束时间,tmid表示f(t)的中间时间,tk表示tmid和ttotal之间选择的时间,用于区分零序的时频特性瞬态过程前后的电流。tm表示f(t)的峰值时间,th表示tm后零序电流的前半峰,n表示小波变换层数,Ei表示[ts,tw]周期内零序电流第i层小波变换信号的能量,ej表示[t0,tk]周期内零序电流第j层小波变换信号的能量,U0代表故障前的线电压,Ms代表f(t)的最大斜率,在此过程中,f(t)为1.1个周期的波形(故障前0.1个周期,故障后1个周期)。
步骤S02的具体过程为:
步骤S201:将步骤S01中计算得到的442组数据输入“统计产品与服务解决方案”软件(Statistical Product and Service Solutions,SPSS)中进行多元方差分析;
步骤S202:以F-statistics是否大于等于10为标准判断所提取特征是否能有效表征各绝缘劣化类型。
步骤S04的具体过程为:
步骤S401:以步骤S01中所提取出的11种特征量为基础,构建基于极限学习机的识别模型;
步骤S402:通过粒子群算法优化基于极限学习机的识别模型的初始权值和偏置,得到中压配电网单相接地故障的基于极限学习机的优化识别模型。
步骤S05的具体过程为:
步骤S501:以步骤S01中所提取出的11种特征量为基础,构建基于支持向量机的识别模型;
步骤S502:通过交叉验证方法优化SVM的核函数参数c和g,得到中压配电网单相接地故障的基于支持向量机的优化识别模型。
步骤S06的具体过程为:
步骤S601:根据D-S证据理论对模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型进行融合,具体表现为:
确定以各种绝缘劣化原因的集合为识别框架O;
采用模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型的识别结果作为证据,并确定识别框架内元素的信任值m(A);
基于Dempster合成规则融合三种证据,获得对识别框架内某一元素的融合信任值及其不确定度,建立基本信任分配表;
设定融合结果应满足的信任值范围及不确定度范围,以此构成识别规则,输出满足识别规则的最终融合结果。
步骤S602:确定判断接地故障类型所采用的具体规则:
Rule 1:
Rule 2:m(Ftype)>m(θ)
其中,Ftype表示将FIS、ELM、SVM的结果与BPA的最大值融合后得到的识别结果;Fi表示不同的绝缘劣化原因;获得最终的中压配电网单相接地故障绝缘劣化综合识别模型。
下面,结合实例进行本实施例中基于模糊推理***的单相接地故障绝缘劣化识别方法的进一步说明。
基于步骤S01,计算得到的422组数据包括避雷器绝缘劣化击穿61例,线间绝缘劣化放电61例,电缆绝缘损坏61例,绝缘子绝缘劣化击穿(闪络)55例,树障导致的绝缘劣化接触59例,其他类型接地故障145例;将这些信息输入SPSS中进行多元方差分析后所得结果如表1所示,能够清楚的得到所提取的11个特征值的F-statistics均大于10,属于能有效反映绝缘劣化类型的特征。
表1基于MANOVA的波形特征统计结果
基于步骤S03中的记载,采用模糊推理优化识别模型对各种绝缘劣化原因的识别准确率如表2所示。
表2模糊推理***的识别准确率
基于步骤S04中的记载,利用粒子群算法对基于极限学习机的识别模型优化适应度随迭代次数的变化图如图3所示。
在不同参数下采用基于极限学习机的识别模型在现场实测数据集上识别的准确率如表3所示:
表3不同情况下的识别准确率
基于步骤S05中的记载,经交叉验证优化后,基于支持向量机的优化识别模型在现场数据测试集上的最高识别准确率可达92.8%。
基于步骤S06中的记载,经D-S证据理论融合后的绝缘劣化综合优化识别模型的识别准确率如图5和下表4所示:
表4不同绝缘劣化类型的测试集规模及其识别准确率
通过对现场数据的测试结果表明,本实施例中方法的识别效果能满足现场应用的要求,绝缘劣化综合优化识别模型的识别准确率明显高于单一模型识别的准确率;有利于对中压配电网单相接地故障实现快速的绝缘劣化类型识别,提高维护效率。
实施例二
本公开实施例二介绍了一种基于D-S证据理论的单相接地故障绝缘劣化识别***,采用了实施例一中所介绍的基于D-S证据理论的单相接地故障绝缘劣化识别方法。
如图5所示的一种基于D-S证据理论的单相接地故障绝缘劣化识别***,包括:
获取信息模块,被配置为:获取单相接地故障零序电流信息;
识别模块,被配置为:根据获取的单相接地故障零序电流信息和预设的绝缘劣化综合识别模型,得到绝缘劣化类型的识别结果;
其中,所述预设的绝缘劣化综合识别模型根据D-S证据理论对预设的模糊推理识别模型、基于极限学习机的识别模型和基于支持向量机的识别模型融合得到。
详细步骤与实施例一提供的基于D-S证据理论的单相接地故障绝缘劣化识别方法相同,在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例一所述的基于D-S证据理论的单相接地故障绝缘劣化识别方法中的步骤。
详细步骤与实施例一提供的基于D-S证据理论的单相接地故障绝缘劣化识别方法相同,在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
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程序,所述处理器执行所述程序时实现如本公开实施例一所述的基于D-S证据理论的单相接地故障绝缘劣化识别方法中的步骤。
详细步骤与实施例一提供的基于D-S证据理论的单相接地故障绝缘劣化识别方法相同,在此不再赘述。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (9)
1.一种基于D-S证据理论的单相接地故障绝缘劣化识别方法,其特征在于,包括以下步骤:
获取单相接地故障零序电流信息;
根据获取的单相接地故障零序电流信息和预设的绝缘劣化综合优化识别模型,得到绝缘劣化类型的识别结果;
其中,所述预设的绝缘劣化综合优化识别模型根据D-S证据理论对预设的模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型融合得到;
所述根据D-S证据理论对预设的模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型融合的具体过程为:
确定以各种绝缘劣化原因的集合为识别框架;
采用模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型的识别结果作为证据,并确定识别框架内元素的信任值;
基于Dempster合成规则融合三种证据,获得对识别框架内某一元素的融合信任值及其不确定度,建立基本信任分配表;
设定融合结果应满足的信任值范围及不确定度范围,以此构成识别规则,输出满足识别规则的最终融合结果。
2.如权利要求1中所述的一种基于D-S证据理论的单相接地故障绝缘劣化识别方法,其特征在于,所述获取单相接地故障零序电流信息的具体过程为:通过采样率为4096Hz的故障录波器收集中压配电网单相接地故障波形数据,得到单相接地故障发生后的零序电流波形图。
3.如权利要求2中所述的一种基于D-S证据理论的单相接地故障绝缘劣化识别方法,其特征在于,根据得到的单相接地故障发生后的零序电流波形图,基于小波变换,获取单相接地故障零序电流的特征量;基于多元方差分析衡量特征量与绝缘劣化类型之间的相关关系,判断特征量的有效性。
4.如权利要求3中所述的一种基于D-S证据理论的单相接地故障绝缘劣化识别方法,其特征在于,以有效的特征量为基础,基于统计分析得到模糊推理优化识别模型。
5.如权利要求3中所述的一种基于D-S证据理论的单相接地故障绝缘劣化识别方法,其特征在于,基于获取的特征量,构建基于极限学习机的识别模型,通过粒子群算法优化得到的基于极限学习机的优化识别模型。
6.如权利要求3中所述的一种基于D-S证据理论的单相接地故障绝缘劣化识别方法,其特征在于,基于获取的特征量,构建基于支持向量机的识别模型,通过交叉验证法优化得到基于支持向量机的优化识别模型。
7.一种基于D-S证据理论的单相接地故障绝缘劣化识别***,其特征在于,包括:
获取信息模块,被配置为:获取单相接地故障零序电流信息;
识别模块,被配置为:根据获取的单相接地故障零序电流信息和预设的绝缘劣化综合识别模型,得到绝缘劣化类型的识别结果;
其中,所述预设的绝缘劣化综合识别模型根据D-S证据理论对预设的模糊推理识别模型、基于极限学习机的识别模型和基于支持向量机的识别模型融合得到;
所述根据D-S证据理论对预设的模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型融合的具体过程为:
确定以各种绝缘劣化原因的集合为识别框架;
采用模糊推理优化识别模型、基于极限学习机的优化识别模型和基于支持向量机的优化识别模型的识别结果作为证据,并确定识别框架内元素的信任值;
基于Dempster合成规则融合三种证据,获得对识别框架内某一元素的融合信任值及其不确定度,建立基本信任分配表;
设定融合结果应满足的信任值范围及不确定度范围,以此构成识别规则,输出满足识别规则的最终融合结果。
8.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的基于D-S证据理论的单相接地故障绝缘劣化识别方法中的步骤。
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1-6中任一项所述的基于D-S证据理论的单相接地故障绝缘劣化识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093109.0A CN113884805B (zh) | 2021-09-17 | 2021-09-17 | 基于d-s证据理论的单相接地故障绝缘劣化识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093109.0A CN113884805B (zh) | 2021-09-17 | 2021-09-17 | 基于d-s证据理论的单相接地故障绝缘劣化识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113884805A CN113884805A (zh) | 2022-01-04 |
CN113884805B true CN113884805B (zh) | 2023-10-20 |
Family
ID=79009586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111093109.0A Active CN113884805B (zh) | 2021-09-17 | 2021-09-17 | 基于d-s证据理论的单相接地故障绝缘劣化识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884805B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256592B (zh) * | 2022-11-28 | 2023-09-26 | 国网山东省电力公司德州供电公司 | 一种中压配电电缆潜伏性故障检测方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0195449A2 (en) * | 1985-03-20 | 1986-09-24 | Kabushiki Kaisha Toshiba | Automatic trouble analysis apparatus and method therefor |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估***及其评估方法 |
CN104360239A (zh) * | 2014-12-08 | 2015-02-18 | 国家电网公司 | 一种小电流单相接地故障选线方法及*** |
CN105785232A (zh) * | 2016-05-18 | 2016-07-20 | 成都理工大学 | 小电流接地***单相接地故障综合选线方法 |
CN107238780A (zh) * | 2017-06-13 | 2017-10-10 | 国网江苏省电力公司宿迁供电公司 | 利用粗集理论分类的补偿接地电网自适应选线方法 |
CN108226711A (zh) * | 2018-01-05 | 2018-06-29 | 广东电网有限责任公司电力科学研究院 | 一种基于信息融合的电网故障诊断方法及装置 |
CN108710756A (zh) * | 2018-05-18 | 2018-10-26 | 上海电力学院 | 基于谱聚类分析下多特征信息加权融合的故障诊断方法 |
CN110348708A (zh) * | 2019-06-26 | 2019-10-18 | 北京理工大学 | 一种基于极限学习机的地面目标动态威胁评估方法 |
CN111521905A (zh) * | 2020-03-30 | 2020-08-11 | 国网上海市电力公司 | 一种基于多维数据故障度智能融合的电网故障诊断方法 |
CN113092899A (zh) * | 2021-03-25 | 2021-07-09 | 国网湖南省电力有限公司 | 一种基于多源信息融合的变压器电气故障识别方法、***、终端以及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011265563B2 (en) * | 2010-12-24 | 2016-09-22 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
-
2021
- 2021-09-17 CN CN202111093109.0A patent/CN113884805B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0195449A2 (en) * | 1985-03-20 | 1986-09-24 | Kabushiki Kaisha Toshiba | Automatic trouble analysis apparatus and method therefor |
CN101614775A (zh) * | 2009-07-15 | 2009-12-30 | 河北科技大学 | 基于多源信息融合的变压器状态评估***及其评估方法 |
CN104360239A (zh) * | 2014-12-08 | 2015-02-18 | 国家电网公司 | 一种小电流单相接地故障选线方法及*** |
CN105785232A (zh) * | 2016-05-18 | 2016-07-20 | 成都理工大学 | 小电流接地***单相接地故障综合选线方法 |
CN107238780A (zh) * | 2017-06-13 | 2017-10-10 | 国网江苏省电力公司宿迁供电公司 | 利用粗集理论分类的补偿接地电网自适应选线方法 |
CN108226711A (zh) * | 2018-01-05 | 2018-06-29 | 广东电网有限责任公司电力科学研究院 | 一种基于信息融合的电网故障诊断方法及装置 |
CN108710756A (zh) * | 2018-05-18 | 2018-10-26 | 上海电力学院 | 基于谱聚类分析下多特征信息加权融合的故障诊断方法 |
CN110348708A (zh) * | 2019-06-26 | 2019-10-18 | 北京理工大学 | 一种基于极限学习机的地面目标动态威胁评估方法 |
CN111521905A (zh) * | 2020-03-30 | 2020-08-11 | 国网上海市电力公司 | 一种基于多维数据故障度智能融合的电网故障诊断方法 |
CN113092899A (zh) * | 2021-03-25 | 2021-07-09 | 国网湖南省电力有限公司 | 一种基于多源信息融合的变压器电气故障识别方法、***、终端以及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
A Fast Fault Diagnosis Method of the PEMFC System Based on Extreme Learning Machine and Dempster–Shafer Evidence Theory;Jiawei Liu 等;《 IEEE Transactions on Transportation Electrification 》;5(1);271-284 * |
DS证据理论在小电流接地***的故障选线中的应用;戴武昌 等;《东北电力大学学报》;27(6);19-23 * |
基于极限学习机的多信息融合区段定位方法;齐郑 等;《电力***保护与控制》;42(19);74-80 * |
Also Published As
Publication number | Publication date |
---|---|
CN113884805A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106908674A (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
CN109270482B (zh) | 电压互感器计量准确度在线评价方法及终端设备 | |
CN109034461A (zh) | 一种基于实际电网监测信息的电压暂降随机预估方法 | |
CN117748507B (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
CN113884805B (zh) | 基于d-s证据理论的单相接地故障绝缘劣化识别方法及*** | |
Jin et al. | Mode identification of low‐frequency oscillations in power systems based on fourth‐order mixed mean cumulant and improved TLS‐ESPRIT algorithm | |
CN115796708A (zh) | 一种工程建设用的大数据智能质检方法、***和介质 | |
CN109829652B (zh) | 一种长时间尺度动态谐波责任划分方法 | |
Zhang et al. | A waveform-similarity-based protection scheme for the VSC-HVDC transmission lines | |
Zhang et al. | Incipient fault identification of distribution networks based on feature matching of power disturbance data | |
CN114157023A (zh) | 一种配变预警信息获取方法 | |
CN111896890B (zh) | 基于希尔伯特-黄变换的微电网线路故障诊断方法及*** | |
CN116577698B (zh) | 一种基于电磁场分布的变电所接地故障监测方法 | |
CN106324452B (zh) | 一种变压器绝缘模型*** | |
Bin et al. | Research on mechanical fault diagnosis method of power transformer winding | |
CN115840185B (zh) | 一种电压互感器误差在线监测与分析方法、介质及终端 | |
Li et al. | Estimation method for voltage sag occurrence frequency based on calculation of protection operating time characteristics | |
CN116298509A (zh) | 一种电力***谐波谐振的在线识别方法 | |
CN115561575A (zh) | 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法 | |
CN114062833B (zh) | 基于模糊推理***的单相接地故障绝缘劣化识别方法 | |
CN111400649B (zh) | 谐波责任量化方法、装置、计算机设备和存储介质 | |
Huai et al. | Line fault location for multi‐terminal MMC‐HVDC system based on SWT and SVD | |
Moreto et al. | Using disturbance records to automate the diagnosis of faults and operational procedures in power generators | |
Ma et al. | Fault Identification in Power Distribution Systems based on Domain Adaptation Probabilistic Learning | |
CN118091520B (zh) | 一种10us方波浪涌测试设备智能调控方法及*** |
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 |