CN117110798A - 智能配电网的故障检测方法和*** - Google Patents
智能配电网的故障检测方法和*** Download PDFInfo
- Publication number
- CN117110798A CN117110798A CN202311384748.1A CN202311384748A CN117110798A CN 117110798 A CN117110798 A CN 117110798A CN 202311384748 A CN202311384748 A CN 202311384748A CN 117110798 A CN117110798 A CN 117110798A
- Authority
- CN
- China
- Prior art keywords
- voltage waveform
- feature
- global
- matrix
- scale
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 159
- 239000011159 matrix material Substances 0.000 claims abstract description 148
- 238000013507 mapping Methods 0.000 claims abstract description 75
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 15
- 238000012544 monitoring process Methods 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种智能配电网的故障检测方法和***。方法为:获取发生故障的配电网的各个区段的电压信号;多尺度地提取各个区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列;从多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵;将全局电压波形语义特征矩阵映射到多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量;基于电压波形全局参考映射特征向量确定发生故障的区段。装置包括依次连接的电压信号获取模块、多尺度特征提取模块、全局特征提取模块、映射模块、故障区段确定模块。本发明能够实现对故障区段的快速、准确定位。
Description
技术领域
本发明涉及配电智能化检测技术领域,具体涉及一种智能配电网的故障检测方法和***。
背景技术
配电网是电力***中的一部分,是负责将电力从输电网输送到最终用户的电力配送***,其包括了输电网与终端用户之间的电力传输和分配设施,以及相关的设备和控制***。配电网的主要功能是将高压输电线路的电能转换为适用于终端用户的低压电能。通常由以下几个组成部分构成:
变电站:变电站是配电网的关键组成部分,用于将高压输电线路的电能转换为适用于配电网的低压电能,变电站包括变压器、开关设备、保护设备等,用于控制和保护电力***的运行。
配电线路:配电线路是将电能从变电站输送到各个终端用户的电力传输线路,可以是架空线路或地下电缆,根据具体情况选择不同的线路类型。
配电变压器:配电变压器用于将变电站输出的低压电能进一步降压,以满足不同终端用户的需求,将电能分配到各个终端用户,并根据需要进行电压调节。
开关设备:开关设备用于控制电能在配电网中的流动和分配,包括隔离开关、负荷开关、断路器等,用于实现对不同线路和设备的分段、分配和保护。
控制与监测***:配电网还配备了控制与监测***,用于实时监测电力***的运行状态、故障检测和定位,以及远程控制和管理配电网的运行。
配电网的目标是提供可靠的电力供应,确保电能安全、高效地传输到终端用户,满足各种用电需求。随着电力技术的发展,配电网也在不断演进,引入智能化、自动化和可再生能源等新技术,以提高能源利用效率和配电网的可靠性。
配电网的故障检测是指对配电网中可能发生的故障进行监测、识别和定位,以便及时采取措施修复故障并保障电力***的正常运行。故障检测的主要目的是提高配电网的可靠性、稳定性和安全性。配电网的故障种类多样,包括线路短路、线路断路、设备故障等。
故障检测的方法和技术也有多种,包括:
传统方法:传统的故障检测方法主要依靠人工巡检和操作,通过观察设备运行状态、检查电力参数等手段来判断是否存在故障。这种方法需要运维人员具备丰富的经验和专业知识,并且对于隐蔽故障或大范围故障的检测效果有限。
保护装置:配电网中的保护装置能够监测电流、电压等参数,一旦检测到异常情况,如过载、短路等,会触发保护装置进行动作,切断故障区域的电力供应。保护装置能够快速响应并切除故障,但对于故障的具体定位和识别能力有限。
智能监测***:随着物联网和传感器技术的发展,智能监测***在配电网故障检测中得到了应用。通过在配电线路和设备上安装传感器,实时监测电流、电压、温度等参数,并将数据传输到中央监控***进行分析和处理。智能监测***能够实现对故障的实时监测和预警,并提供故障的位置和类型信息,帮助运维人员快速定位和修复故障。
数据分析和人工智能技术:利用数据分析和人工智能技术,对配电网中的数据进行深入挖掘和分析,可以发现故障的潜在模式和规律。通过建立故障诊断模型和故障预测模型,可以实现对故障的自动识别和预测,提高故障检测的准确性和效率。
随着电力技术的发展,配电网在各个地区得到普及,对配电网的故障检测的范围以及难度亦有所提升。在一些地区为了降低配电网投资成本,常采用三相隔离开关做架空线配电线路的分段器。但在线路发生故障变电站跳闸后,运维人员在维护时需要操作隔离开关,与变电站出线重合开关配合,通过分段—重合测试方式确认故障区段。这种方法需要进行停电并且停电时间长。
发明内容
本发明的目的是提供一种能够实现配电网故障的快速、准确定位的智能配电网的故障检测方法以及相应***。
为达到上述目的,本发明采用的技术方案是:
一种智能配电网的故障检测方法,用于对发生故障的配电网进行检测以确定发生故障的区段,所述智能配电网的故障检测方法包括以下步骤:
步骤110:获取发生故障的配电网的各个区段的电压信号;
步骤120:多尺度地提取各个所述区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列;
步骤130:从所述多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵;
步骤140:将所述全局电压波形语义特征矩阵映射到所述多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量;
步骤150:基于所述电压波形全局参考映射特征向量确定发生故障的区段。
所述步骤120中,通过具有多尺度卷积结构的电压波形特征提取器提取各个所述区段的电压信号的波形特征以得到所述多尺度电压波形特征向量的序列。
所述步骤130包括以下子步骤:
子步骤130-1:计算所述多尺度电压波形特征向量的序列中任意两个多尺度电压波形特征向量之间的余弦相似度以得到多尺度电压波形相似度矩阵;
子步骤130-2:对所述多尺度电压波形相似度矩阵进行拓扑特征提取以得到多尺度电压波形相似度拓扑特征矩阵;
子步骤130-3:将所述多尺度电压波形特征向量的序列和所述多尺度电压波形相似度拓扑特征矩阵相关联以得到所述全局电压波形语义特征矩阵。
所述子步骤130-2中,将所述多尺度电压波形相似度矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述多尺度电压波形相似度拓扑特征矩阵。
所述子步骤130-3中,将所述多尺度电压波形特征向量的序列和所述多尺度电压波形相似度拓扑特征矩阵通过图神经网络模型以得到所述全局电压波形语义特征矩阵。
所述步骤140包括以下子步骤:
子步骤140-1:对所述全局电压波形语义特征矩阵进行特征分布优化以得到优化全局电压波形语义特征矩阵;
子步骤140-2:将所述多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与所述优化全局电压波形语义特征矩阵进行矩阵相乘以得到多个所述电压波形全局参考映射特征向量。
所述子步骤140-1中,对所述全局电压波形语义特征矩阵进行特征分布优化所采用的优化公式为:
;
其中,是所述全局电压波形语义特征矩阵的尺度,/>是所述全局电压波形语义特征矩阵, />是所述全局电压波形语义特征矩阵/>中第/>位置的特征值,/>表示所述全局电压波形语义特征矩阵/>的F范数的平方,/>是加权超参数,/>表示计算以数值为幂的自然指数函数值,/>是所述优化全局电压波形语义特征矩阵。
所述步骤150包括以下子步骤:
子步骤150-1:将所述电压波形全局参考映射特征向量分别通过经训练的分类器以得到多个与各个区段发生故障对应的概率值;
子步骤150-2:基于各个所述概率值确定发生故障的区段。
在利用所述电压波形全局参考映射特征向量对所述分类器进行训练的每一轮迭代中,对所述电压波形全局参考映射特征向量进行权重空间迭代递归的定向提议化优化以得到优化电压波形全局参考映射特征向量。
对所述电压波形全局参考映射特征向量进行权重空间迭代递归的定向提议化优化所采用的定向提议化优化公式为:
;
;
;
其中,和/>分别是上次和本次迭代的权重矩阵,/>是所述电压波形全局参考映射特征向量,/>是第一特征向量,/>是第二特征向量,/>是所述优化电压波形全局参考映射特征向量,/>表示矩阵乘法,/>、/>分别表示按位置加法和按位置点乘。
一种智能配电网的故障检测***,用于对发生故障的配电网进行检测以确定发生故障的区段,所述智能配电网的故障检测***包括:
电压信号获取模块,所述电压信号获取模块用于获取发生故障的配电网的各个区段的电压信号;
多尺度特征提取模块,所述多尺度特征提取模块用于多尺度地提取各个所述区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列;
全局特征提取模块,所述全局特征提取模块用于从所述多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵;
映射模块,所述映射模块用于将所述全局电压波形语义特征矩阵映射到所述多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量;
故障区段确定模块,所述故障区段确定模块用于基于所述电压波形全局参考映射特征向量确定发生故障的区段。
所述多尺度特征提取模块包括具有多尺度卷积结构的电压波形特征提取器。
所述全局特征提取模块包括:
相似度计算模块,所述相似度计算模块用于计算所述多尺度电压波形特征向量的序列中任意两个多尺度电压波形特征向量之间的余弦相似度以得到多尺度电压波形相似度矩阵;
拓扑特征提取模块,所述拓扑特征提取模块用于对所述多尺度电压波形相似度矩阵进行拓扑特征提取以得到多尺度电压波形相似度拓扑特征矩阵;
关联模块,所述关联模块用于将所述多尺度电压波形特征向量的序列和所述多尺度电压波形相似度拓扑特征矩阵相关联以得到所述全局电压波形语义特征矩阵。
所述拓扑特征提取模块包括基于卷积神经网络模型的拓扑特征提取器。
所述关联模块包括图神经网络模型。
所述映射模块包括:
分布优化模块,所述分布优化模块用于对所述全局电压波形语义特征矩阵进行特征分布优化以得到优化全局电压波形语义特征矩阵;
矩阵相乘模块,所述矩阵相乘模块用于将所述多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与所述优化全局电压波形语义特征矩阵进行矩阵相乘以得到多个所述电压波形全局参考映射特征向量。
所述故障区段确定模块包括:
分类器模块,所述分类器模块用于将所述电压波形全局参考映射特征向量分别通过经训练的分类器以得到多个与各个区段发生故障对应的概率值;
故障定位模块,所述故障定位模块用于基于各个所述概率值确定发生故障的区段。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:本发明能够实现对故障区段的快速、准确定位,以便运维人员能够更迅速地进行故障维修,提高配电网的可靠性和稳定性。
附图说明
附图1为本发明的智能配电网的故障检测方法的流程图。
附图2为本发明的智能配电网的故障检测方法的架构示意图。
附图3为本发明的智能配电网的故障检测***的框图。
附图4为本发明的智能配电网的故障检测方法的应用场景图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一:如附图1和附图2所示,一种用于对发生故障的配电网进行检测以确定发生故障的区段的智能配电网的故障检测方法,包括以下步骤:步骤110:获取发生故障的配电网的各个区段的电压信号;步骤120:多尺度地提取各个区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列;步骤130:从多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵;步骤140:将全局电压波形语义特征矩阵映射到多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量;步骤150:基于电压波形全局参考映射特征向量确定发生故障的区段。
步骤110为获取发生故障的配电网的各个区段的电压信号。可以在配电网的各个关键位置(例如,沿着配电网的线路,每隔1500m设置一个关键位置,当然也可以调整为其他距离,对此,并不为本申请所局限)安装电压传感器或电压监测设备,以获取实时的电压信号。通过获取各个区段的电压信号,可以实时监测电网的运行状态,并为后续的波形特征提取和故障定位提供数据基础。
步骤120为多尺度地提取各个区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列。在提取波形特征时,需要选择适当的算法和方法,波形特征包括频率、振幅、相位、谐波含量等。此外,可以采用多尺度分析方法,对电压波形进行多个尺度的特征提取。其中,通过提取各个区段电压信号的波形特征,可以得到多尺度的电压波形特征向量序列。这样可以捕捉到电压信号的不同频率和时域特征,提高故障检测的准确性和故障类型的区分度。该步骤120中,可以通过具有多尺度卷积结构的电压波形特征提取器提取各个区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列。
步骤130为从多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵。在提取全局区段波形特征时,可以采用统计分析方法,如平均值、方差、峰值等,也可以使用频域分析方法,如快速傅里叶变换(FFT)来获取频谱特征。其中,通过提取全局区段波形特征,可以得到全局电压波形语义特征矩阵,这个矩阵包含了各个区段波形特征的统计信息和频域信息,能够更全面地描述电压波形的特征,为后续的故障定位和诊断提供更准确的参考。
步骤140为将全局电压波形语义特征矩阵映射到多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量。在进行特征矩阵到特征向量的映射时,可以使用降维技术,如主成分分析(PCA)或线性判别分析(LDA),将高维特征映射到低维特征空间。其中,通过将全局电压波形语义特征矩阵映射到多尺度电压波形特征向量的序列,可以得到多个电压波形全局参考映射特征向量。这些特征向量综合了全局特征和局部特征,可以更好地表示电压波形的整体信息,有助于故障区段的确定和故障类型的识别。这样,可以从各个区段的电压信号中提取多尺度电压波形特征向量序列,并进一步提取全局区段波形特征,最后通过映射得到多个电压波形全局参考映射特征向量。这样的处理方法能够综合利用多尺度特征和全局特征,提高故障检测的准确性和故障区段的确定性,为智能配电网的故障诊断和定位提供更可靠的基础。
步骤150为基于电压波形全局参考映射特征向量确定发生故障的区段。可以建立故障诊断模型,并使用机器学习、人工智能等算法进行故障区段的确定。可以采用分类算法或聚类算法来对特征向量进行分析和判断。通过基于多个电压波形全局参考映射特征向量的分析,可以确定故障发生的具体区段,有助于快速定位故障位置,并采取相应的修复措施,减少故障对电力***的影响。
在上述步骤中,通过获取实时的电压信号和分析波形特征,可以更准确地识别故障的发生和位置,避免误判或漏判。智能配电网的故障检测方法能够实时监测电网状态,快速发现故障,并准确定位故障的区段,有助于及时采取修复措施,减少停电时间和影响范围。通过智能故障检测方法,可以及时处理故障,减少故障对电力***的影响,提高配电网的可靠性和稳定性,确保持续的电力供应。
上述智能配电网的故障检测方法的具体实施流程如下:
第一步,获取发生故障的配电网的各个区段的电压信号。考虑到配电网在运行过程中线路发生短路或断路等故障时,会导致线路上的电压发生异常变化,为能够优化确认故障区段的方案,本申请的技术构思为:采集各个区段内的电压信号,利用深度学习算法,对各个区段内的电压信号进行波形特征提取,从而实现对故障区段的准确定位,以便运维人员能够更迅速地进行故障维修,提高配电网的可靠性和稳定性。
基于此,在本申请的技术方案中,首先获取发生故障的配电网的各个区段的电压信号。通过获取各个区段的电压信号,可以实时监测电网的运行状态。当故障发生时,电压信号会发生异常变化,如波形畸变、幅值异常等,通过对电压信号的监测和分析,可以及时识别出故障的存在,并启动故障检测和定位的流程。
电压信号中包含了大量的故障特征信息。通过对电压信号进行波形特征提取,可以提取出故障特征模式和异常波形。这些特征向量可以用于后续的故障诊断和定位,不同故障类型可能会导致电压信号的不同变化,通过对比和分析各个区段的电压信号特征,可以帮助确定故障的类型和位置。
通过对各个区段的电压信号进行比较和分析,可以确定故障发生的具体区段,不同区段的电压信号可能会有不同的特征模式或异常变化。通过比较各个区段的电压信号特征向量,可以找到与故障相关的区段,并进一步缩小故障的范围,有助于快速定位故障位置,并采取相应的修复措施。
获取发生故障的配电网各个区段的电压信号是故障检测和定位的基础,通过对电压信号的实时监测、特征提取和区段比较分析,可以帮助确定故障的类型、位置和影响范围,从而实现快速故障诊断和修复,提高配电网的可靠性和稳定性。
第二步,提取各个区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列。应可以理解,各个区段的电压信号蕴含的波形特征可以揭示电力***运行状态,并反映潜在故障信息。例如,幅值(Amplitude)可以反映电力***的负荷情况和电压水平;电压信号的频率(Frequency)表示电压波形的周期性,频率的异常变化可能暗示着电力***中的频率偏离;电压信号的波形畸变则可以描述电压波形与理想正弦波之间的差异,其通常由非线性负载引起。
在本申请的一个具体示例中,提取各个区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列的编码过程,包括:对各个区段的电压信号通过具有多尺度卷积结构的电压波形特征提取器以得到多尺度电压波形特征向量的序列。也就是,利用电压波形特征提取器中具有不同尺度的卷积核,来捕捉各个区段内在不同邻域跨度下的局部电压波形特征分布。
第三步,从多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵。也就是,提取各个多尺度电压波形特征向量之间的全局关联特征。
在本申请的一个具体示例中,从多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵的编码过程,包括:先计算多尺度电压波形特征向量的序列中任意两个多尺度电压波形特征向量之间的余弦相似度以得到多尺度电压波形相似度矩阵;随后,对多尺度电压波形相似度矩阵进行拓扑特征提取以得到多尺度电压波形相似度拓扑特征矩阵,如将多尺度电压波形相似度矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到多尺度电压波形相似度拓扑特征矩阵;最后,将多尺度电压波形特征向量的序列和多尺度电压波形相似度拓扑特征矩阵相关联以得到全局电压波形语义特征矩阵,如将多尺度电压波形特征向量的序列和多尺度电压波形相似度拓扑特征矩阵通过图神经网络模型以得到全局电压波形语义特征矩阵。
这里,将各个配电区段内的电压波形特征视为节点信息,而将它们之间的相似度关联关系视为拓扑图中的边,通过利用图神经网络模型,可以更好地捕捉到全局视野下的电压波形拓扑关联信息。更具体地,在配电网中,各个区段之间存在复杂的相互影响和依赖关系。电压信号的波形特征不仅与当前区段的状态有关,还与其周围区段的状态密切相关。利用图神经网络模型能够通过学习节点之间的邻居关系和全局拓扑结构,实现对区段之间复杂关联的建模。这样,不仅可以考虑到各个区段的局部特征,还能够捕捉到它们之间的全局关联和相互影响。
第四步,将全局电压波形语义特征矩阵分别映射至多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量。也就是,将全局电压波形语义特征矩阵表达的全局电压波形特征信息映射至各个区段的局部电压波形特征分布之中,以使得各个电压波形全局参考映射特征向量包含各个区段的局部波形特征与配电网的整体波形特征的关联信息。
在本申请的一个实施例中,将全局电压波形语义特征矩阵分别映射至多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量,包括:对全局电压波形语义特征矩阵进行特征分布优化以得到优化全局电压波形语义特征矩阵;以及,将多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与优化全局电压波形语义特征矩阵进行矩阵相乘以得到多个电压波形全局参考映射特征向量。
在本申请的技术方案中,多尺度电压波形特征向量的序列中的每个多尺度电压波形特征向量表达相应区段的电压信号波形的多尺度局部关联图像语义特征,由此,在将多尺度电压波形特征向量的序列和多尺度电压波形相似度拓扑特征矩阵通过图神经网络模型时,全局电压波形语义特征矩阵可以表达各个区段的电压信号波形的多尺度局部关联图像语义特征在波形图像特征语义相似性拓扑下的拓扑关联表示,这样,相对于单个区段的电压信号波形的多尺度局部关联图像语义特征作为前景对象特征,在进行语义相似性拓扑关联时,也会引入与各个多尺度局部关联图像语义的特征分布干涉相关的背景分布噪声,并且,全局电压波形语义特征矩阵也具有局部区段的电压信号波形语义和全局区段的波形语义拓扑分布下的分级关联特征表达,由此,期望基于全局电压波形语义特征矩阵的分布特性来增强其表达效果。
因此,本申请对全局电压波形语义特征矩阵进行基于概率密度特征模仿范式的分布增益,具体表示为:对全局电压波形语义特征矩阵进行特征分布优化以得到优化全局电压波形语义特征矩阵;将多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与优化全局电压波形语义特征矩阵进行矩阵相乘以得到多个电压波形全局参考映射特征向量。
对全局电压波形语义特征矩阵进行特征分布优化所采用的优化公式为:
;
其中,是全局电压波形语义特征矩阵的尺度,/>是全局电压波形语义特征矩阵,是全局电压波形语义特征矩阵/>中第/>位置的特征值,/>表示全局电压波形语义特征矩阵/>的F范数的平方,/>是加权超参数,/>表示计算以数值为幂的自然指数函数值,/>是优化全局电压波形语义特征矩阵。
这里,基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式,基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码,在高维特征空间内区分前景对象特征和背景分布噪声,从而基于高维特征的区段分级关联来对高维空间进行特征空间映射的关联语义认知的分布软匹配,来获得高维特征分布的无约束的分布增益,提升全局电压波形语义特征矩阵基于特征分布特性的表达效果,也就提升了将多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与全局电压波形语义特征矩阵进行矩阵相乘得到的多个电压波形全局参考映射特征向量的表达效果,从而提升了其通过分类器得到的概率值的准确性。
第五步,基于多个电压波形全局参考映射特征向量,确定故障区段,包括:将电压波形全局参考映射特征向量分别通过经训练的分类器以得到多个与各个区段发生故障对应的概率值;以及,基于各个概率值确定发生故障的区段,其中,多个概率值中的最大值所对应的区段确定为故障区段。
进一步地,在本申请的技术方案中,多尺度电压波形特征向量的序列中的每个多尺度电压波形特征向量表达相应区段的电压信号波形的多尺度局部关联图像语义特征,由此,在将多尺度电压波形特征向量的序列和多尺度电压波形相似度拓扑特征矩阵通过图神经网络模型时,全局电压波形语义特征矩阵可以表达各个区段的电压信号波形的多尺度局部关联图像语义特征在波形图像特征语义相似性拓扑下的拓扑关联表示,这样,相对于单个区段的电压信号波形的多尺度局部关联图像语义特征作为前景对象特征,在进行语义相似性拓扑关联时,全局电压波形语义特征矩阵会具有局部区段的电压信号波形语义和全局区段的波形语义拓扑分布下的分级关联特征表达,使得将多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与全局电压波形语义特征矩阵进行矩阵相乘时,得到的多个电压波形全局参考映射特征向量通过分类器进行分类回归的情况下,分类器的权重矩阵相对于归属于预定局部-全局维度的回归方向的收敛困难,影响分类器的训练效果。
因此,本申请在利用电压波形全局参考映射特征向量对分类器进行训练时,在每一轮迭代中,对电压波形全局参考映射特征向量进行权重空间迭代递归的定向提议化优化以得到优化电压波形全局参考映射特征向量。
对电压波形全局参考映射特征向量进行权重空间迭代递归的定向提议化优化所采用的定向提议化优化公式为:
;
;
;
其中,和/>分别是上次和本次迭代的权重矩阵,/>是电压波形全局参考映射特征向量,/>是第一特征向量,/>是第二特征向量,/>是优化电压波形全局参考映射特征向量,/>表示矩阵乘法,/>、/>分别表示按位置加法和按位置点乘。
这里,权重空间迭代递归的定向提议化优化可以通过将初始的待分类的电压波形全局参考映射特征向量作为锚点,来在权重空间内基于权重矩阵迭代的对应于电压波形全局参考映射特征向量/>的不同分级关联特征方向获得与局部-全局特征分布维度下的锚点足迹(anchor footprint),以作为在权重空间迭代递归的定向提议(orientedproposal),从而基于预测提议地提升权重矩阵收敛的类置信度和局部精确性,以提升电压波形全局参考映射特征向量通过分类器的训练效果。
综上,基于本发明实施例的智能配电网的故障检测方法被阐明,其采集各个区段内的电压信号,利用深度学习算法,对各个区段内的电压信号进行波形特征提取,从而实现对故障区段的准确定位,以便运维人员能够更迅速地进行故障维修,提高配电网的可靠性和稳定性。
如附图3所示,实现上述智能配电网的故障检测方法的智能配电网的故障检测***200,包括:电压信号获取模块210,用于获取发生故障的配电网的各个区段的电压信号;多尺度特征提取模块220,用于多尺度地提取各个区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列;全局特征提取模块230,用于从多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵;映射模块240,用于将全局电压波形语义特征矩阵映射到多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量;故障区段确定模块250,用于基于电压波形全局参考映射特征向量确定发生故障的区段。电压信号获取模块210、多尺度特征提取模块220、全局特征提取模块230、映射模块240、故障区段确定模块250依次连接。
多尺度特征提取模块220通过具有多尺度卷积结构的电压波形特征提取器提取各个区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列,即多尺度特征提取模块包括具有多尺度卷积结构的电压波形特征提取器。
全局特征提取模块230具体用于计算多尺度电压波形特征向量的序列中任意两个多尺度电压波形特征向量之间的余弦相似度以得到多尺度电压波形相似度矩阵;对多尺度电压波形相似度矩阵进行拓扑特征提取以得到多尺度电压波形相似度拓扑特征矩阵,如将多尺度电压波形相似度矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到多尺度电压波形相似度拓扑特征矩阵;将多尺度电压波形特征向量的序列和多尺度电压波形相似度拓扑特征矩阵相关联以得到全局电压波形语义特征矩阵,如将多尺度电压波形特征向量的序列和多尺度电压波形相似度拓扑特征矩阵通过图神经网络模型以得到全局电压波形语义特征矩阵。故全局特征提取模块230包括:相似度计算模块,用于计算多尺度电压波形特征向量的序列中任意两个多尺度电压波形特征向量之间的余弦相似度以得到多尺度电压波形相似度矩阵;拓扑特征提取模块,用于对多尺度电压波形相似度矩阵进行拓扑特征提取以得到多尺度电压波形相似度拓扑特征矩阵;关联模块,用于将多尺度电压波形特征向量的序列和多尺度电压波形相似度拓扑特征矩阵相关联以得到全局电压波形语义特征矩阵。其中,拓扑特征提取模块包括基于卷积神经网络模型的拓扑特征提取器。关联模块包括图神经网络模型。
映射模块240用于对全局电压波形语义特征矩阵进行特征分布优化以得到优化全局电压波形语义特征矩阵;将多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与优化全局电压波形语义特征矩阵进行矩阵相乘以得到多个电压波形全局参考映射特征向量。故映射模块240包括:分布优化模块,用于对全局电压波形语义特征矩阵进行特征分布优化以得到优化全局电压波形语义特征矩阵;矩阵相乘模块,用于将多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与优化全局电压波形语义特征矩阵进行矩阵相乘以得到多个电压波形全局参考映射特征向量。
故障区段确定模块250用于将电压波形全局参考映射特征向量分别通过经训练的分类器以得到多个与各个区段发生故障对应的概率值;基于各个概率值确定发生故障的区段,即多个概率值中的最大值所对应的区段确定为故障区段。故故障区段确定模块250包括:分类器模块,用于将电压波形全局参考映射特征向量分别通过经训练的分类器以得到多个与各个区段发生故障对应的概率值;故障定位模块,用于基于各个概率值确定发生故障的区段。
上述智能配电网的故障检测***200可以实现在各种终端设备中,例如用于智能配电网的故障检测的服务器等。在一个示例中,根据本发明实施例的智能配电网的故障检测***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能配电网的故障检测***200可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能配电网的故障检测***200同样可以是该终端设备的众多硬件模块之一。替换地,在另一示例中,该智能配电网的故障检测***200与该终端设备也可以是分立的设备,并且该智能配电网的故障检测***200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种智能配电网的故障检测方法的应用场景图。如图4所示,在该应用场景中,首先,获取发生故障的配电网的各个区段的电压信号(例如,如图4中所示意的C);然后,将获取的电压信号输入至部署有智能配电网的故障检测算法的服务器(例如,如图4中所示意的S)中,其中服务器能够基于智能配电网的故障检测算法对电压信号进行处理,以确定故障区段。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (17)
1.一种智能配电网的故障检测方法,用于对发生故障的配电网进行检测以确定发生故障的区段,其特征在于:所述智能配电网的故障检测方法包括以下步骤:
步骤110:获取发生故障的配电网的各个区段的电压信号;
步骤120:多尺度地提取各个所述区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列;
步骤130:从所述多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵;
步骤140:将所述全局电压波形语义特征矩阵映射到所述多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量;
步骤150:基于所述电压波形全局参考映射特征向量确定发生故障的区段。
2.根据权利要求1所述的智能配电网的故障检测方法,其特征在于:所述步骤120中,通过具有多尺度卷积结构的电压波形特征提取器提取各个所述区段的电压信号的波形特征以得到所述多尺度电压波形特征向量的序列。
3.根据权利要求1所述的智能配电网的故障检测方法,其特征在于:所述步骤130包括以下子步骤:
子步骤130-1:计算所述多尺度电压波形特征向量的序列中任意两个多尺度电压波形特征向量之间的余弦相似度以得到多尺度电压波形相似度矩阵;
子步骤130-2:对所述多尺度电压波形相似度矩阵进行拓扑特征提取以得到多尺度电压波形相似度拓扑特征矩阵;
子步骤130-3:将所述多尺度电压波形特征向量的序列和所述多尺度电压波形相似度拓扑特征矩阵相关联以得到所述全局电压波形语义特征矩阵。
4.根据权利要求3所述的智能配电网的故障检测方法,其特征在于:所述子步骤130-2中,将所述多尺度电压波形相似度矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述多尺度电压波形相似度拓扑特征矩阵。
5.根据权利要求3所述的智能配电网的故障检测方法,其特征在于:所述子步骤130-3中,将所述多尺度电压波形特征向量的序列和所述多尺度电压波形相似度拓扑特征矩阵通过图神经网络模型以得到所述全局电压波形语义特征矩阵。
6.根据权利要求1所述的智能配电网的故障检测方法,其特征在于:所述步骤140包括以下子步骤:
子步骤140-1:对所述全局电压波形语义特征矩阵进行特征分布优化以得到优化全局电压波形语义特征矩阵;
子步骤140-2:将所述多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与所述优化全局电压波形语义特征矩阵进行矩阵相乘以得到多个所述电压波形全局参考映射特征向量。
7.根据权利要求6所述的智能配电网的故障检测方法,其特征在于:所述子步骤140-1中,对所述全局电压波形语义特征矩阵进行特征分布优化所采用的优化公式为:
;
其中,是所述全局电压波形语义特征矩阵的尺度,/>是所述全局电压波形语义特征矩阵, />是所述全局电压波形语义特征矩阵/>中第/>位置的特征值,/>表示所述全局电压波形语义特征矩阵/>的F范数的平方,/>是加权超参数,/>表示计算以数值为幂的自然指数函数值,/>是所述优化全局电压波形语义特征矩阵。
8.根据权利要求1所述的智能配电网的故障检测方法,其特征在于:所述步骤150包括以下子步骤:
子步骤150-1:将所述电压波形全局参考映射特征向量分别通过经训练的分类器以得到多个与各个区段发生故障对应的概率值;
子步骤150-2:基于各个所述概率值确定发生故障的区段。
9.根据权利要求8所述的智能配电网的故障检测方法,其特征在于:在利用所述电压波形全局参考映射特征向量对所述分类器进行训练的每一轮迭代中,对所述电压波形全局参考映射特征向量进行权重空间迭代递归的定向提议化优化以得到优化电压波形全局参考映射特征向量。
10.根据权利要求9所述的智能配电网的故障检测方法,其特征在于:对所述电压波形全局参考映射特征向量进行权重空间迭代递归的定向提议化优化所采用的定向提议化优化公式为:
;
;
;
其中,和/>分别是上次和本次迭代的权重矩阵,/>是所述电压波形全局参考映射特征向量,/>是第一特征向量,/>是第二特征向量,/>是所述优化电压波形全局参考映射特征向量,/>表示矩阵乘法,/>、/>分别表示按位置加法和按位置点乘。
11.一种智能配电网的故障检测***,用于对发生故障的配电网进行检测以确定发生故障的区段,其特征在于:所述智能配电网的故障检测***包括:
电压信号获取模块,所述电压信号获取模块用于获取发生故障的配电网的各个区段的电压信号;
多尺度特征提取模块,所述多尺度特征提取模块用于多尺度地提取各个所述区段的电压信号的波形特征以得到多尺度电压波形特征向量的序列;
全局特征提取模块,所述全局特征提取模块用于从所述多尺度电压波形特征向量的序列中提取全局区段波形特征以得到全局电压波形语义特征矩阵;
映射模块,所述映射模块用于将所述全局电压波形语义特征矩阵映射到所述多尺度电压波形特征向量的序列以得到多个电压波形全局参考映射特征向量;
故障区段确定模块,所述故障区段确定模块用于基于所述电压波形全局参考映射特征向量确定发生故障的区段。
12.根据权利要求11所述的智能配电网的故障检测***,其特征在于:所述多尺度特征提取模块包括具有多尺度卷积结构的电压波形特征提取器。
13.根据权利要求11所述的智能配电网的故障检测***,其特征在于:所述全局特征提取模块包括:
相似度计算模块,所述相似度计算模块用于计算所述多尺度电压波形特征向量的序列中任意两个多尺度电压波形特征向量之间的余弦相似度以得到多尺度电压波形相似度矩阵;
拓扑特征提取模块,所述拓扑特征提取模块用于对所述多尺度电压波形相似度矩阵进行拓扑特征提取以得到多尺度电压波形相似度拓扑特征矩阵;
关联模块,所述关联模块用于将所述多尺度电压波形特征向量的序列和所述多尺度电压波形相似度拓扑特征矩阵相关联以得到所述全局电压波形语义特征矩阵。
14.根据权利要求13所述的智能配电网的故障检测***,其特征在于:所述拓扑特征提取模块包括基于卷积神经网络模型的拓扑特征提取器。
15.根据权利要求13所述的智能配电网的故障检测***,其特征在于:所述关联模块包括图神经网络模型。
16.根据权利要求11所述的智能配电网的故障检测***,其特征在于:所述映射模块包括:
分布优化模块,所述分布优化模块用于对所述全局电压波形语义特征矩阵进行特征分布优化以得到优化全局电压波形语义特征矩阵;
矩阵相乘模块,所述矩阵相乘模块用于将所述多尺度电压波形特征向量的序列中的各个多尺度电压波形特征向量分别与所述优化全局电压波形语义特征矩阵进行矩阵相乘以得到多个所述电压波形全局参考映射特征向量。
17.根据权利要求11所述的智能配电网的故障检测***,其特征在于:所述故障区段确定模块包括:
分类器模块,所述分类器模块用于将所述电压波形全局参考映射特征向量分别通过经训练的分类器以得到多个与各个区段发生故障对应的概率值;
故障定位模块,所述故障定位模块用于基于各个所述概率值确定发生故障的区段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311384748.1A CN117110798B (zh) | 2023-10-25 | 2023-10-25 | 智能配电网的故障检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311384748.1A CN117110798B (zh) | 2023-10-25 | 2023-10-25 | 智能配电网的故障检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117110798A true CN117110798A (zh) | 2023-11-24 |
CN117110798B CN117110798B (zh) | 2024-02-13 |
Family
ID=88795212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311384748.1A Active CN117110798B (zh) | 2023-10-25 | 2023-10-25 | 智能配电网的故障检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110798B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117638799A (zh) * | 2023-12-14 | 2024-03-01 | 温岭市恒亚机电有限公司 | 具有漏电保护功能的远程变频控制器及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109324266A (zh) * | 2018-11-21 | 2019-02-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于深度学习的配网接地故障分析方法 |
CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及*** |
CN111881290A (zh) * | 2020-06-17 | 2020-11-03 | 国家电网有限公司 | 一种基于加权语义相似度的配网多源网架实体融合方法 |
CN113672720A (zh) * | 2021-09-14 | 2021-11-19 | 国网天津市电力公司 | 一种基于知识图谱和语义相似度的电力审计问答方法 |
CN114389312A (zh) * | 2021-11-02 | 2022-04-22 | 国网江苏省电力有限公司苏州供电分公司 | 一种配电网分布式状态估计方法 |
WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
CN116824517A (zh) * | 2023-08-31 | 2023-09-29 | 安徽博诺思信息科技有限公司 | 基于可视化的变电站运维安全管控*** |
CN116842194A (zh) * | 2023-07-03 | 2023-10-03 | 中国南方电网有限责任公司 | 一种电力语义知识图谱***及方法 |
-
2023
- 2023-10-25 CN CN202311384748.1A patent/CN117110798B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109324266A (zh) * | 2018-11-21 | 2019-02-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于深度学习的配网接地故障分析方法 |
CN111443259A (zh) * | 2020-03-30 | 2020-07-24 | 国网山东省电力公司德州供电公司 | 基于局部异常因子检测的有源配电网故障诊断方法及*** |
CN111881290A (zh) * | 2020-06-17 | 2020-11-03 | 国家电网有限公司 | 一种基于加权语义相似度的配网多源网架实体融合方法 |
WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
CN113672720A (zh) * | 2021-09-14 | 2021-11-19 | 国网天津市电力公司 | 一种基于知识图谱和语义相似度的电力审计问答方法 |
CN114389312A (zh) * | 2021-11-02 | 2022-04-22 | 国网江苏省电力有限公司苏州供电分公司 | 一种配电网分布式状态估计方法 |
CN116842194A (zh) * | 2023-07-03 | 2023-10-03 | 中国南方电网有限责任公司 | 一种电力语义知识图谱***及方法 |
CN116824517A (zh) * | 2023-08-31 | 2023-09-29 | 安徽博诺思信息科技有限公司 | 基于可视化的变电站运维安全管控*** |
Non-Patent Citations (4)
Title |
---|
PENG SU 等: "Real-Time Dynamic SLAM Algorithm Based on Deep Learning", 《IEEE ACCESS》, pages 87754 - 87766 * |
吴健 等: "适用于分布式光伏接入中压直流配网的三电平零电流开关变换器", 《电网技术》, vol. 43, no. 12, pages 4486 - 4494 * |
唐文虎 等: "数据驱动的人工智能技术在电力设备状态分析中的研究与应用", 《高电压技术》, vol. 46, no. 9, pages 2985 - 2999 * |
郑伟彦 等: "面向配电网知识图谱的配电调度文本实体链接方法", 《电力***保护与控制》, vol. 49, no. 4, pages 111 - 117 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117638799A (zh) * | 2023-12-14 | 2024-03-01 | 温岭市恒亚机电有限公司 | 具有漏电保护功能的远程变频控制器及方法 |
CN117638799B (zh) * | 2023-12-14 | 2024-05-28 | 温岭市恒亚机电有限公司 | 具有漏电保护功能的远程变频控制器及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117110798B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200292608A1 (en) | Residual-based substation condition monitoring and fault diagnosis | |
Jiang et al. | Fault detection, identification, and location in smart grid based on data-driven computational methods | |
Mohammadi et al. | A fast fault detection and identification approach in power distribution systems | |
Zhang et al. | Fault localization in electrical power systems: A pattern recognition approach | |
CN117110798B (zh) | 智能配电网的故障检测方法和*** | |
Shaw et al. | A novel event detection and classification scheme using wide-area frequency measurements | |
Manohar et al. | Enhancing resilience of PV-fed microgrid by improved relaying and differentiating between inverter faults and distribution line faults | |
Zhu et al. | Networked time series shapelet learning for power system transient stability assessment | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及*** | |
Kezunovic | Translational knowledge: From collecting data to making decisions in a smart grid | |
Srivastava et al. | Data driven approach for fault detection and Gaussian process regression based location prognosis in smart AC microgrid | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
Radhakrishnan et al. | Synchrophasor based islanding detection for microgrids using moving window principal component analysis and extended mathematical morphology | |
CN108512222A (zh) | 一种智能变电站综合自动化*** | |
Sankar et al. | Synchrophasor data driven islanding detection, localization and prediction for microgrid using energy operator | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
Yan et al. | Deep learning based total transfer capability calculation model | |
CN106019043B (zh) | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 | |
Bhuiyan et al. | A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems | |
CN117498262A (zh) | 一种高压直流电子负载开关保护电路 | |
Gholami et al. | D-PMU data generation and anomaly detection using statistical and clustering techniques | |
Luo et al. | Image recognition technology with its application in defect detection and diagnosis analysis of substation equipment | |
Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning | |
Abianeh et al. | Identification of small-signal dynamic faults in distribution systems utilizing intelligent classifiers | |
CN114355182A (zh) | 高压断路器在线监测与故障诊断方法 |
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 |