CN115480204A - 基于大数据推演的电流互感器运行误差在线评估优化方法 - Google Patents
基于大数据推演的电流互感器运行误差在线评估优化方法 Download PDFInfo
- Publication number
- CN115480204A CN115480204A CN202211203324.6A CN202211203324A CN115480204A CN 115480204 A CN115480204 A CN 115480204A CN 202211203324 A CN202211203324 A CN 202211203324A CN 115480204 A CN115480204 A CN 115480204A
- Authority
- CN
- China
- Prior art keywords
- current
- data
- phase
- current transformer
- transformer
- 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 60
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012935 Averaging Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 6
- 238000000819 phase cycle Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 239000002279 physical standard Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical 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
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明涉及一种基于大数据推演的电流互感器运行误差在线评估优化方法,包括:采集变电站内同一母线上的电流互感器正常运行时的二次侧三相电流测量数据,用均值法选出稳定段三相电流测量数据;采用载流分级法将稳定段三相电流测量数据划分为各个量程的数据集;获取训练误差估计神经网络模型的训练数据集;用各个量程的数据集分别训练得到对应的各个误差估计神经网络模型;将待评估电流互感器的二次侧电流数据输入对应的训练完成的误差估计神经网络模型,输出得到待评估电流互感器的状态信息;提高了评估准确度,摆脱了对停电和实物标准器的依赖,可适用于不同原理或准确度等级的电流互感器,具有精度高、使用性强等优点。
Description
技术领域
本发明涉及电力计量在线监测技术领域,尤其涉及一种基于大数据推演的电流互感器运行误差在线评估优化方法。
背景技术
电流互感器(Current transformers)是电力***中的重要测量设备。其一次绕组串联在输变电主回路内,二次绕组则根据不同要求,分别接入测量仪表、继电保护或自动装置等设备,用于将一次回路的大电流变化为二次侧小电流,供测控保护计量设备安全采集。其准确可靠对于电力***的安全运行、控制保护、电能计量、贸易结算具有重大意义。
目前电流互感器误差评估通常采用离线校验或者在线校验的方法,通过直接比对法得到电流互感器的比差和角差。然而,这些方法的校验周期较长,现场接线复杂,工作效率低。为了完善电流互感器误差状态评估体系,亟需建立电流互感器误差状态评估方法,以及时发现其误差超差问题,减少电流互感器误差越限运行时间,指导互感器检测工作,从而保证电能计量的公平性。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于大数据推演的电流互感器运行误差在线评估优化方法,提高了评估准确度,摆脱了对停电和实物标准器的依赖,可适用于不同原理或准确度等级的电流互感器,具有精度高、使用性强等优点。
根据本发明的第一方面,提供了一种基于大数据推演的电流互感器运行误差在线评估优化方法,包括:
步骤1,采集变电站内同一母线上的电流互感器正常运行时的二次侧三相电流测量数据,用均值法选出稳定段三相电流测量数据;
步骤2,采用载流分级法将所述稳定段三相电流测量数据划分为各个量程的数据集;
步骤3,根据各电流互感器的个体误差与测量节点电流矢量和的物理关系获取训练误差估计神经网络模型的训练数据集,所述训练数据集包括所述误差估计神经网络模型的输入数据集和输出数据集;所述输入数据集为电流互感器误差真值与匝数比的乘积数据B和电流互感器二次电流值的序列数据X,所述输出数据集为电流互感器的额定变比序列数据T,TX=B;
步骤4,用所述步骤3中各个量程的数据集分别训练得到对应的各个所述误差估计神经网络模型;将待评估电流互感器的二次侧电流数据输入对应的训练完成的所述误差估计神经网络模型,输出得到所述待评估电流互感器的状态信息。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述步骤1中用均值法选出稳定段三相电流测量数据的过程包括:
对采集到的电流幅值数据进行时标检查,对缺失的电流幅值数据按照公式(1)进行均值处理,得到所述稳定段三相电流数据;
i为时标检查结果为缺失的数据点编号,Ampo为原始电流幅值数据,Amp为电流幅值缺失的数据点计算值。
可选的,所述步骤1中选出稳定段三相电流测量数据的过程还包括:
线路电流低于额定电流超过一定范围时,筛取额定量程50%及以上的所述三相电流测量数据。
可选的,所述步骤3中获取所述训练数据集的方法包括:
步骤305,计算并记录电流偏差真值与匝数比的乘积为B。
可选的,所述步骤4还包括:
可选的,所述电流互感器的各个状态包括:正常、告警和异常。
本发明提供的一种基于大数据推演的电流互感器运行误差在线评估优化方法,构建各CT个体误差与测量值节点电流矢量和的物理关系,将偏差分布作为分布,将该分布的特征,和电流变比数据,利用RBM神经网络模型进行训练,将电流数据和误差输入得到的模型,即可得到CT误差估计值;提高了评估准确度,摆脱了对停电和实物标准器的依赖,可适用于不同原理或准确度等级的电流互感器,具有精度高、使用性强等优点。
附图说明
图1为本发明提供的一种基于大数据推演的电流互感器运行误差在线评估优化方法的流程图;
图2(a)为单相电流互感器的实施例的接线图;
图2(b)为图2(a)的等值电路图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明提供的一种基于大数据推演的电流互感器运行误差在线评估优化方法的流程图,如图1所示,该在线评估优化方法包括:
步骤1,采集变电站内同一母线上的电流互感器正常运行时的二次侧三相电流测量数据,用均值法选出稳定段三相电流测量数据。
步骤2,采用载流分级法将稳定段三相电流测量数据划分为各个量程的数据集。
步骤3,根据各电流互感器的个体误差与测量节点电流矢量和的物理关系获取训练误差估计神经网络模型的训练数据集,训练数据集包括误差估计神经网络模型的输入数据集和输出数据集;输入数据集为电流互感器误差真值与匝数比的乘积数据B和电流互感器二次电流值的序列数据X,输出数据集为电流互感器的额定变比序列数据T,TX=B。
步骤4,用步骤3中各个量程的数据集分别训练得到对应的各个误差估计神经网络模型;将待评估电流互感器的二次侧电流数据输入对应的训练完成的误差估计神经网络模型,输出得到待评估电流互感器的状态信息。
本发明提供的一种基于大数据推演的电流互感器运行误差在线评估优化方法,通过构建各CT个体误差与测量值节点电流矢量和的物理关系,将偏差分布作为分布,将该分布的特征,和电流变比数据,利用RBM神经网络模型进行训练,将电流数据和误差输入得到的模型,即可得到CT误差估计值;提高了评估准确度,摆脱了对停电和实物标准器的依赖,可适用于不同原理或准确度等级的电流互感器,具有精度高、使用性强等优点。
实施例1
本发明提供的实施例1为本发明提供的一种基于大数据推演的电流互感器运行误差在线评估优化的实施例,结合图2(a)和图2(b)可知,该实施例包括:
步骤1,采集变电站内同一母线上的电流互感器正常运行时的二次侧三相电流测量数据,用均值法选出稳定段三相电流测量数据。
在一种可能的实施例方式中,步骤1中用均值法选出稳定段三相电流测量数据的过程包括:
电网中电流波动较大,电流数据中将会存在较多的数据断点,因此对采集到的电流幅值数据,依次进行时标检查,对于缺失的电流幅值数据,依据公式(1)进行改进后的均值法处理,解决电流数据断点问题。
i为时标检查结果为缺失的数据点编号,Ampo为原始电流幅值数据,Amp为电流幅值缺失的数据点计算值。
在一种可能的实施例方式中,步骤1中选出稳定段三相电流测量数据的过程还包括:
线路电流低于额定电流超过一定范围时,筛取额定量程50%及以上的三相电流测量数据。
对于电流互感器,当线路电流相较额定电流较低时,电流互感器本身误差较大,数据质量较低,因此筛取额定量程50%及以上的电流数据。
步骤2,采用载流分级法将稳定段三相电流测量数据划分为各个量程的数据集。
步骤3,根据各电流互感器的个体误差与测量节点电流矢量和的物理关系获取训练误差估计神经网络模型的训练数据集,训练数据集包括误差估计神经网络模型的输入数据集和输出数据集;输入数据集为电流互感器误差真值与匝数比的乘积数据B和电流互感器二次电流值的序列数据X,输出数据集为电流互感器的额定变比序列数据T,TX=B。
在一种可能的实施例方式中,步骤3中获取训练数据集的方法包括:
步骤305,计算并记录电流偏差真值与匝数比的乘积(即对一次侧的影响)为B。
具体的,如图2(a)所示为单相电流互感器的实施例的接线图,图2(b)为图2(a)的等值电路图。
定义电流互感器比值差和相位差:
额定电流比为:
利用磁势平衡得:
计算三相电流测量值与电流测量真值关系。
评估群体的三相电流测量值构成测试数据集,测试数据集由同一母线上各线路电流真值与不同的CT的个体误差(比值差、相位差)组成。由基尔霍夫电流定律决定:同一母线上各线路电流真值构建的节点电流矢量和为0,但是测量数据集因为包含每台CT的个体误差,且个体误差因各台CT存在物理差异,各不相同,导致由测量值构建的节点电流矢量和不为0,故该节点电流矢量和与各CT的个体误差有关。
一次侧线路的电流真值记为:
二次侧线路的电流测量值记为:
根据基尔霍夫电流定律,有:
根据基尔霍夫电流定律,建立判断模型。
在载流分级的基础上,分别对四个数据集进行如下操作建立模型。根据基尔霍夫
电流定律 在理想情况下,节点流经电流值为0。将稳定段三相电流数据Amp(i)
记作xi(i<=n),n为线路数,即电流互感器的数量,记ti为二次侧与一次侧的变比(额定变
比),由基尔霍夫电流定律KCL可得到 ,用向量X和向量T的乘积TX,表示每个电
流互感器二次电流值的序列数据,和对应电流互感器的额定变比序列数据的乘积,即TX=0。
记录本区域有条件进行电流互感器离线检测的数据,得到电流互感器误差(比差)真值E,计
算并统计电流互感器的额定变比序列数据乘以二次电流值的序列数据即TX,计算并记录电
流偏差真值与匝数比的乘积(即对一次侧的影响)为B,(),其为一个均值为μ、标
准差为σ的正态分布,即B~N(μ,σ),T、X、B均为某时刻广域CT数据,综上得到TX=B。
步骤4,用步骤3中各个量程的数据集分别训练得到对应的各个误差估计神经网络模型;将待评估电流互感器的二次侧电流数据输入对应的训练完成的误差估计神经网络模型,输出得到待评估电流互感器的状态信息。
将不同时间的T、X、B数据作为数据集,用于训练受限玻尔兹曼机(RBM)神经网络模型,该模型是神经网络中一种特殊拓扑结构,该模型适合分布的输入,虽然性能较差但本场景下的数据量不会影响效率,将X和B~N(μ,σ)作为输入数据,T作为输出数据,通过训练得到模型M,根据载流分级的结果得到4个模型,分别记作M1、M2、M3和M4。
在一种可能的实施例方式中,步骤4还包括:
在进行互感器状态预测时根据载流分级的结果导入对应的模型M,即导入B和待测时刻互感器二次侧电流序列数据X’,输出T’,此为修正后的变比,计算比值误差估计值。
在一种可能的实施例方式中,电流互感器的各个状态包括:正常、告警和异常。
本发明实施例提供的一种基于大数据推演的电流互感器运行误差在线评估优化方法,构建各CT个体误差与测量值节点电流矢量和的物理关系,将偏差分布作为分布,将该分布的特征,和电流变比数据,利用RBM神经网络模型进行训练,将电流数据和误差输入得到的模型,即可得到CT误差估计值;提高了评估准确度,摆脱了对停电和实物标准器的依赖,可适用于不同原理或准确度等级的电流互感器,具有精度高、使用性强等优点。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种基于大数据推演的电流互感器运行误差在线评估优化方法,其特征在于,所述在线评估优化方法包括:
步骤1,采集变电站内同一母线上的电流互感器正常运行时的二次侧三相电流测量数据,用均值法选出稳定段三相电流测量数据;
步骤2,采用载流分级法将所述稳定段三相电流测量数据划分为各个量程的数据集;
步骤3,根据各电流互感器的个体误差与测量节点电流矢量和的物理关系获取训练误差估计神经网络模型的训练数据集,所述训练数据集包括所述误差估计神经网络模型的输入数据集和输出数据集;所述输入数据集为电流互感器误差真值与匝数比的乘积数据B和电流互感器二次电流值的序列数据X,所述输出数据集为电流互感器的额定变比序列数据T,TX=B;
步骤4,用所述步骤3中各个量程的数据集分别训练得到对应的各个所述误差估计神经网络模型;将待评估电流互感器的二次侧电流数据输入对应的训练完成的所述误差估计神经网络模型,输出得到所述待评估电流互感器的状态信息。
3.根据权利要求1所述的在线评估优化方法,其特征在于,所述步骤1中选出稳定段三相电流测量数据的过程还包括:
线路电流低于额定电流超过一定范围时,筛取额定量程50%及以上的所述三相电流测量数据。
5.根据权利要求1所述的在线评估优化方法,其特征在于,所述步骤3中获取所述训练数据集的方法包括:
步骤305,计算并记录电流偏差真值与匝数比的乘积为B。
10.根据权利要求8所述的在线评估优化方法,其特征在于,所述电流互感器的各个状态包括:正常、告警和异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211203324.6A CN115480204A (zh) | 2022-09-29 | 2022-09-29 | 基于大数据推演的电流互感器运行误差在线评估优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211203324.6A CN115480204A (zh) | 2022-09-29 | 2022-09-29 | 基于大数据推演的电流互感器运行误差在线评估优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115480204A true CN115480204A (zh) | 2022-12-16 |
Family
ID=84393293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211203324.6A Pending CN115480204A (zh) | 2022-09-29 | 2022-09-29 | 基于大数据推演的电流互感器运行误差在线评估优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115480204A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106815A (zh) * | 2023-02-06 | 2023-05-12 | 广州市德珑电子器件有限公司 | 一种降低电流互感器测量误差的方法及*** |
CN117151932B (zh) * | 2023-10-27 | 2024-01-12 | 武汉纺织大学 | 一种非平稳输出的电流互感器误差状态预测方法和*** |
CN117991171A (zh) * | 2024-04-03 | 2024-05-07 | 国网山东省电力公司营销服务中心(计量中心) | 互感器计量误差监测方法、***、介质、设备及产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105158723A (zh) * | 2015-07-30 | 2015-12-16 | 贵州电力试验研究院 | 一种数字化电能计量***的误差评估***及方法 |
US20190237997A1 (en) * | 2016-10-13 | 2019-08-01 | Hitachi, Ltd. | Power Flow Monitoring Device for Power System, Power System Stabilization Device, and Power Flow Monitoring Method for Power System |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
WO2022021726A1 (zh) * | 2020-07-29 | 2022-02-03 | 国网上海市电力公司 | 一种基于pmu的电力***状态估计性能评价方法 |
CN114460521A (zh) * | 2021-12-24 | 2022-05-10 | 广东电网有限责任公司 | 电流互感器误差状态判别方法、装置、终端设备及介质 |
-
2022
- 2022-09-29 CN CN202211203324.6A patent/CN115480204A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105158723A (zh) * | 2015-07-30 | 2015-12-16 | 贵州电力试验研究院 | 一种数字化电能计量***的误差评估***及方法 |
US20190237997A1 (en) * | 2016-10-13 | 2019-08-01 | Hitachi, Ltd. | Power Flow Monitoring Device for Power System, Power System Stabilization Device, and Power Flow Monitoring Method for Power System |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
WO2022021726A1 (zh) * | 2020-07-29 | 2022-02-03 | 国网上海市电力公司 | 一种基于pmu的电力***状态估计性能评价方法 |
CN114460521A (zh) * | 2021-12-24 | 2022-05-10 | 广东电网有限责任公司 | 电流互感器误差状态判别方法、装置、终端设备及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106815A (zh) * | 2023-02-06 | 2023-05-12 | 广州市德珑电子器件有限公司 | 一种降低电流互感器测量误差的方法及*** |
CN116106815B (zh) * | 2023-02-06 | 2023-10-27 | 广州市德珑电子器件有限公司 | 一种降低电流互感器测量误差的方法及*** |
CN117151932B (zh) * | 2023-10-27 | 2024-01-12 | 武汉纺织大学 | 一种非平稳输出的电流互感器误差状态预测方法和*** |
CN117991171A (zh) * | 2024-04-03 | 2024-05-07 | 国网山东省电力公司营销服务中心(计量中心) | 互感器计量误差监测方法、***、介质、设备及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115480204A (zh) | 基于大数据推演的电流互感器运行误差在线评估优化方法 | |
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
CN103324847B (zh) | 电力***动态不良数据检测与辨识方法 | |
CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
CN115469259B (zh) | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 | |
CN115392141B (zh) | 一种自适应的电流互感器误差评估方法 | |
CN111999692B (zh) | 一种多表误差的校准方法和装置 | |
CN116125361B (zh) | 电压互感器误差评估方法、***、电子设备及存储介质 | |
CN115508770B (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
CN115018139A (zh) | 基于相间特征的电流互感器误差状态在线辨识方法及*** | |
CN109284933B (zh) | 一种基于数理统计的电子式互感器状态评估***及方法 | |
CN115469260B (zh) | 一种基于Hausdorff的电流互感器异常识别方法、*** | |
CN109753762A (zh) | 基于类别修正的配电网两阶段网络拓扑识别方法及装置 | |
CN115616470B (zh) | 电流互感器计量误差状态预测方法、***、设备及介质 | |
CN115248906A (zh) | 一种发电机出线双电流互感器的状态误差识别方法及*** | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及*** | |
CN115480203A (zh) | 一种电流互感器误差状态在线定量评估方法及*** | |
CN115166618A (zh) | 一种非平稳输出的电流互感器误差评估方法 | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
CN114089255B (zh) | 一种电容式电压互感器稳定性评估方法 | |
CN111999691A (zh) | 一种计量传感器装置的误差校准方法和误差校准装置 | |
US20220413032A1 (en) | Machine learning based method and device for disturbance classification in a power transmission line | |
CN115144807B (zh) | 差分滤噪和载流分级的电流互感器在线评估方法、装置 | |
CN115542064B (zh) | 一种互感器误差状态实时监测方法及装置 | |
Rodríguez-García et al. | Methodology for measurement-based load modeling considering integration of dynamic load models |
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 |