CN117289072A - 一种基于电压编码的电网不良数据辨识方法 - Google Patents

一种基于电压编码的电网不良数据辨识方法 Download PDF

Info

Publication number
CN117289072A
CN117289072A CN202311054764.4A CN202311054764A CN117289072A CN 117289072 A CN117289072 A CN 117289072A CN 202311054764 A CN202311054764 A CN 202311054764A CN 117289072 A CN117289072 A CN 117289072A
Authority
CN
China
Prior art keywords
voltage
node
data
identifying
bad 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.)
Pending
Application number
CN202311054764.4A
Other languages
English (en)
Inventor
李志民
汤豪
樊瑞华
仪忠凯
郑凯泽
李展飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202311054764.4A priority Critical patent/CN117289072A/zh
Publication of CN117289072A publication Critical patent/CN117289072A/zh
Pending legal-status Critical Current

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
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
    • 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
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于电压编码的电网不良数据辨识方法，属于电力***技术领域。解决现有不良数据的辨识过于冗杂的问题。包括以下步骤：步骤1：电压编码的计算；步骤2：不良数据的辨识。本发明的方法将***运行方式的变化蕴含在电压编码的变化里，每次运行方式发生变化的时候只需对电压编码做出一定的修正，辨识速度很快。

Description

一种基于电压编码的电网不良数据辨识方法
技术领域
本发明涉及一种电网不良数据辨识方法，属于电力***技术领域。
背景技术
随着社会的发展，电力***的复杂程度也日益提高。为了便于运行维护人员实时监测电力***的运行状态，在***的各个位置都安装了许多互感器等测量装置。测量装置得到的实时数据通过数据传送***传送到调度中心，电网工作人员依据这些实时数据做出电力调度，以保证电力***稳定高效的运行。
在电力***的实际运行中，由于测量仪器的精度、外界信号对***有一定干扰等原因，会产生各种各样的量测误差，甚至是错误的不良数据，不良数据如果不加以筛选和处理会对调度决策产生干扰，严重时会危及电力***的安全运行。因此在***运行过程中准确、即时的“剔除”不良数据就十分必要。
当前关于不良数据的辨识算法主要包括两大类：基于状态估计的辨识算法和基于数据挖掘的辨识方法。基于状态估计的辨识算法利用外部测量数据对电网进行参数估计，再将状态估计值和采集到的数值进行比较，得到残差，然后用数学方法对残差数据进行分析，即可辨识出***中的不良数据。但这一方法总会涉及到残差计算，会存在残差污染和残差淹没的问题，这一问题在噪声很大的电力***中尤为凸显；而且随着***规模的扩大，需要处理的实时数据不断增加，传统的残差计算运算过于冗杂的弊端越来越显著。基于数据挖掘的辨识方法，是先对采样得到的样本参数做出一定的预处理，在预处理中可以过滤掉一些边缘参数，获得一系列无规则且包含噪声的实际数据，然后采取适当的分析方式提取出这预处理数据的隐藏规则并且做出评价和分析，以达到从中获取隐藏在原始数据中的信息和规律的目的。但这一方法辨识效果和预处理的好坏关系密切，好的预处理方法往往需要较长的运算时间，也就是说，好的数据辨识效果和实时性难以同时达到。
因此，亟需提出一种基于电压编码的电网不良数据辨识方法，以解决上述技术问题。
发明内容
本发明的目的是为了解决现有不良数据的辨识过于冗杂的问题，提供一种基于电压编码的电网不良数据辨识方法，在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。
本发明的技术方案：
一种基于电压编码的电网不良数据辨识方法，包括以下步骤：
步骤1：电压编码的计算；
步骤2：不良数据的辨识。
优选的：步骤1包括以下步骤：
步骤1.1：导入电力网络的参数；
步骤1.2：计算***节点导纳矩阵；
步骤1.3：计算电压编码。
优选的：步骤1.1中，电力网络参数包括支路数、节点信息、支路信息、发电机(负荷)节点的节点数和编号；
步骤1.2中，电压编码是节点导纳矩阵的逆矩阵Y-1在发电机(负荷)节点的节点号所对应的列向量；与电路的拓扑结构唯一相关；
步骤1.3中，利用节点导纳矩阵，将第X个发电机(负荷)节点的注入电流置为1unit，其余发电机(负荷)节点电流注入置为0，得到的该电流列向量记为IX，X为自然数；
利用节点导纳矩阵的定义I＝YU，Y可逆得到U＝Y-1I，U为***各节点电压，I为***各节点注入电流(中间母线节点注入为0)，带入IX可得到UX，即为第X个发电机(负荷)节点的基础电压编码Vcbx，将所有的发电机(负荷)进行遍历，可得所有节点的电压编码；将这些列向量组合成一个矩阵，即为电压编码矩阵Vcb。
优选的：步骤2包括以下步骤：
步骤2.1：判断不良数据的类型，根据不良数据类型进入不同类型对应的算法；
步骤2.2：不良数据辨识。
优选的：步骤2.2包括以下步骤：
步骤2.2.1：一个电压不良数据的位置辨识；
步骤2.2.2：一个电流不良数据的位置辨识；
步骤2.2.3：两个电压不良数据的辨识；
步骤2.2.4：两个电流不良数据的辨识；
步骤2.2.5：一个电压和一个电流不良数据的辨识。
优选的：步骤2.1包括以下步骤：
步骤2.1.1：设定阈值P0，统计误差向量ΔU中的超过P0的元素的个数；
步骤2.1.2：若有两个元素超过P0，进入步骤2.2.3；
步骤2.1.3：若只有一个元素超过P0，则只有一个节点的电压是不良数据或者一个电压节点和一个电流节点都是不良数据；
步骤2.1.4：若没有元素超过P0，则是两个电流不良数据或者一个电流不良数据。
本发明具有以下有益效果：
1.本发明基于电压编码和量测的数据本身进行不良数据的辨识，是一种新的状态估计方法，不会出现传统状态估计的残差计算一系列问题；也不需要对测量的数据进行预处理。
2.本发明的方法将***运行方式的变化蕴含在电压编码的变化里，每次运行方式发生变化的时候只需对电压编码做出一定的修正，辨识速度很快。
附图说明
图1是一种基于电压编码的电网不良数据辨识方法的流程图；
图2是判断不良数据类型流程图；
图3是一个电压不良数据的辨识流程图
图4是两个电压不良数据的辨识流程图
图5是一个电流不良数据的辨识流程图；
图6是一个电流不良数据和一个电压不良数据的辨识流程图；
图7是两个电流不良数据的辨识流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于电压编码的电网不良数据辨识方法，包括以下步骤：
步骤1：电压编码的计算；
步骤2：不良数据的辨识。
具体实施方式二：结合图1-7说明本实施方式，本实施方式的一种基于电压编码的电网不良数据辨识方法，通过***的结构和参数，计算出当前运行方式下的电压编码，步骤1包括以下步骤：
步骤1.1：导入电力网络的参数；
步骤1.2：计算***节点导纳矩阵；
步骤1.3：计算电压编码。
具体实施方式三：结合图1-7说明本实施方式，本实施方式的一种基于电压编码的电网不良数据辨识方法，步骤1.1中，电力网络参数包括支路数、节点信息、支路信息、发电机(负荷)节点的节点数和发电机(负荷)节点的具体的编号；
步骤1.2中，电压编码是节点导纳矩阵的逆矩阵在发电机(负荷)节点的节点号所对应的列向量；与电路的拓扑结构唯一相关；
步骤1.3中，利用节点导纳矩阵，将第一个发电机(负荷)节点的注入电流置为1unit，其余发电机(负荷)节点电流注入置为0，得到的该电流列向量记为I1；
利用节点导纳矩阵的定义I＝YU，Y可逆得到U＝Y-1I，U为***各节点电压，I为***各节点注入电流(中间母线节点注入为0)，带入I1可得到U1，即为第一个发电机(负荷)节点的电压编码Vcb1，将所有的发电机(负荷)进行遍历，类似的可得其他节点的电压编码；将这些列向量组合成一个矩阵即为电压编码矩阵Vcb；本发明的方法将***运行方式的变化蕴含在电压编码的变化里，每次运行方式发生变化的时候只需对电压编码做出一定的修正，不需要进行潮流计算，辨识速度很快。
具体实施方式四：结合图1-7说明本实施方式，本实施方式的一种基于电压编码的电网不良数据辨识方法，步骤2包括以下步骤：
步骤2.1：判断不良数据的类型，根据不良数据类型进入不同类型对应的算法；
步骤2.2：不良数据辨识；本发明基于电压编码和量测的数据本身进行不良数据的辨识，是一种新的状态估计方法，不会出现传统状态估计的残差计算一系列问题；也不需要对测量的数据进行预处理，能更好的兼顾辨识效果和辨识速度。
具体实施方式五：结合图3-7说明本实施方式，本实施方式的一种基于电压编码的电网不良数据辨识方法，步骤2.2包括以下步骤：
步骤2.2.1：一个电压不良数据的位置辨识；如图3所示，包括以下步骤：
步骤2.2.1.1：首先根据叠加定理，测量电流Imes和电压编码Vcb得到计算电压Ucal；
Ucal＝Imes1Vcb1+Imes2Vcb2+…ImesmVcbm
再和测量电压Umes作差得到误差向量ΔU；
ΔU＝Ucal-Umes
式中：Imesi为第i个节点的测量电流，Vcbi为第i个节点的电压编码，m为自然数；
步骤2.2.1.2：判断ΔU中模值最大的元素所在的位置i，即为电压不良数据所在节点；
步骤2.2.2：两个电压不良数据的辨识；如图4所示，包括以下步骤：
步骤2.2.2.1：首先根据叠加定理，测量电流Imes和电压编码Vcb得到计算电压Ucal；
Ucal＝Imes1Vcb1+Imes2Vcb2+…ImesmVcbm
再和测量电压Umes作差得到误差向量ΔU；
ΔU＝Ucal-Umes
步骤2.2.2.2：判断ΔU中模值最大的元素所在位置i、j，即为电压不良数据所在节点；
步骤2.2.3：一个电流不良数据的位置辨识；如图5所示，包括以下步骤：
步骤2.2.3.1：首先根据叠加定理，测量电流Imes和电压编码Vcb得到计算电压Ucal
Ucal＝Imes1Vcb1+Imes2Vcb2+…ImesmVcbm
再和测量电压Umes作差得到误差向量ΔU；
ΔU＝Ucal-Umes＝ΔIiVcbi
式中：ΔIi为i节点测量值和真实值的偏差量；
步骤2.2.3.2：计算各电压编码向量的对应的商向量Qi和其标准差std(Qi)，记./为同规模矩阵对应元素相除；
Qi＝ΔU./Vcbi
寻找各标准差中的最小值，其对应的节点即为电流不良数据所在节点；
步骤2.2.4：一个电流不良数据和一个电压不良数据的辨识；如图6所示，包括以下步骤：
步骤2.2.4.1：首先根据叠加定理，测量电流Imes和电压编码Vcb得到计算电压Ucal；
Ucal＝Imes1Vcb1+Imes2Vcb2+…ImesmVcbm
再和测量电压Umes作差得到误差向量ΔU；
ΔU＝Ucal-Umes
步骤2.2.4.2：判断ΔU中模值最大的元素所在的位置i，即为电压不良数据所在节点；
步骤2.2.4.3：在电压编码和ΔU中去掉电压不良数据所在节点对应的元素，对剩余元素，计算各电压编码向量的对应的商向量Qi和其标准差std(Qi)；
Qi＝ΔU./Vcbi
寻找各标准差中的最小值，其对应的节点即为电流不良数据所在节点；
步骤2.2.5：一个电压和一个电流不良数据的辨识；如图7所示，包括以下步骤：
步骤2.2.5.1：首先根据叠加定理，测量电流Imes和电压编码Vcb得到计算电压Ucal；
Ucal＝Imes1Vcb1+Imes2Vcb2+…ImesmVcbm
再和测量电压Umes作差得到误差向量ΔU；
ΔU＝Ucal-Umes
步骤2.2.5.2：选取两个电压编码Vcbi和Vcbj组成一个电压编码组，取其前两行元素和ΔU中的前两行元素构造方程组并求解得到ΔIi和ΔIj；
步骤2.2.5.3：构造差向量Dij，计算其标准差std(Dij)；
Dij＝ΔU-ΔIiVcbi-ΔIjVcbj
其中：Vcbi和Vcbj是第i、j个电流输入节点对应的电压编码，ΔIi、ΔIj是使用这两个编码的前两行元素去构造方程组求得的那个解，用这个解拟合其他列的元素，Dij用来描述判断误差所在位置；就是最后一种辨识方法，它是把任选两个不同的i、j节点进行组合，进行组合之后两个节点就对应两个电压编码，用两个电压编码和△U求解ΔIi和ΔIj，但是它元素是多的，所以先取前两行先构造一个解，再用这个解带回其他列的元素来判断它是不是整个向量组的解。
步骤2.2.5.4：寻找各标准差中的最小值，其对应的节点组合即为两个电流不良数据所在节点。
具体实施方式六：结合图2-7说明本实施方式，本实施方式的一种基于电压编码的电网不良数据辨识方法，由于电压编码向量的元素模值较小，电流不良数据经过编码作用后对误差向量ΔU的影响明显小于电压不良数据直接的影响，因此可以统计ΔU中元素模值超过某一阈值来作为电压不良数据的判据，据此步骤2.1中根据不良数据类型进入不同类型对应的算法包括以下步骤：
步骤2.1.1：设定阈值P0，统计误差向量ΔU中的元素模值超过P0的元素的个数；
步骤2.1.2：若有两个元素超过P0，进入步骤2.2.3；
步骤2.1.3：若只有一个元素超过P0，则可能只有一个节点的电压是不良数据或者一个电压节点和一个电流节点都是不良数据；若去除掉电压不良数据节点，ΔU中的其余元素都接近于0，进入步骤2.2.1；否则进入步骤2.2.5；
步骤2.1.4：若没有元素超过P0，则可能是两个电流不良数据或者一个电流不良数据；结合ΔU的离散程度进行进一步分析，离散程度小，进入步骤2.2.2，否则进入步骤2.2.4；
电压编码对应于***的结构和参数，***结构和参数不变的时候，电压编码也不发生变化，在***运行中直接可以对采样到的数据进行辨识；常规的状态估计算法需要对数据进行大量的迭代处理，相比之下本算法是基于电路的叠加定理，分析过程中不涉及复杂的迭代流程，不会有收敛性问题，因此判断的速度更快，准确性也更高。
需要说明的是，在以上实施例中，只要不矛盾的技术方案都能够进行排列组合，本领域技术人员能够根据排列组合的数学知识穷尽所有可能，因此本发明不再对排列组合后的技术方案进行一一说明，但应该理解为排列组合后的技术方案已经被本发明所公开，本实施例未述部分与现有技术相同。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于电压编码的电网不良数据辨识方法，其特征在于：包括以下步骤：
步骤1：电压编码的计算；
步骤2：不良数据的辨识。
2.根据权利要求1所述的一种基于电压编码的电网不良数据辨识方法，其特征在于：步骤1包括以下步骤：
步骤1.1：导入电力网络的参数；
步骤1.2：计算***节点导纳矩阵；
步骤1.3：计算电压编码。
3.根据权利要求2所述的一种基于电压编码的电网不良数据辨识方法，其特征在于：步骤1.1中，电力网络参数包括支路数、节点信息、支路信息、发电机(负荷)节点的节点数和编号；
步骤1.2中，电压编码是节点导纳矩阵的逆矩阵Y-1在发电机(负荷)节点的节点号所对应的列向量；与电路的拓扑结构唯一相关；
步骤1.3中，利用节点导纳矩阵，将第X个发电机(负荷)节点的注入电流置为1unit，其余发电机(负荷)节点电流注入置为0，得到的该电流列向量记为IX，X为自然数；
利用节点导纳矩阵的定义I＝YU，Y可逆得到U＝Y-1I，U为***各节点电压，I为***各节点注入电流(中间母线节点注入为0)，带入IX可得到UX，将所有的发电机(负荷)进行遍历，可得其他节点的电压编码；将这些列向量组合成一个矩阵，即为电压编码矩阵Vcb。
4.根据权利要求3所述的一种基于电压编码的电网不良数据辨识方法，其特征在于：步骤2包括以下步骤：
步骤2.1：判断不良数据的类型，根据不良数据类型进入不同类型对应的算法；
步骤2.2：不良数据辨识。
5.根据权利要求4所述的一种基于电压编码的电网不良数据辨识方法，其特征在于：步骤2.2包括以下步骤：
步骤2.2.1：一个电压不良数据的位置辨识；
步骤2.2.2：一个电流不良数据的位置辨识；
步骤2.2.3：两个电压不良数据的辨识；
步骤2.2.4：两个电流不良数据的辨识；
步骤2.2.5：一个电压和一个电流不良数据的辨识。
6.根据权利要求5所述的一种基于电压编码的电网不良数据辨识方法，其特征在于：
步骤2.1包括以下步骤：
步骤2.1.1：设定阈值P，统计误差向量ΔU中的超过P的元素的个数；
步骤2.1.2：若有两个元素超过P，进入步骤2.2.3；
步骤2.1.3：若只有一个元素超过P，个节点的电压是不良数据或者一个电压节点和一个电流节点都是不良数据；
步骤2.1.4：若没有元素超过P，两个电流不良数据或者一个电流不良数据。
CN202311054764.4A 2023-08-22 2023-08-22 一种基于电压编码的电网不良数据辨识方法 Pending CN117289072A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311054764.4A CN117289072A (zh) 2023-08-22 2023-08-22 一种基于电压编码的电网不良数据辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311054764.4A CN117289072A (zh) 2023-08-22 2023-08-22 一种基于电压编码的电网不良数据辨识方法

Publications (1)

Publication Number Publication Date
CN117289072A true CN117289072A (zh) 2023-12-26

Family

ID=89239854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311054764.4A Pending CN117289072A (zh) 2023-08-22 2023-08-22 一种基于电压编码的电网不良数据辨识方法

Country Status (1)

Country Link
CN (1) CN117289072A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1056737A (ja) * 1996-08-07 1998-02-24 Toshiba Corp 配電系統運用装置
CN101216527A (zh) * 2007-12-29 2008-07-09 湖南大学 一种基于神经网络的在线电子电路故障诊断方法
CN103324847A (zh) * 2013-06-17 2013-09-25 西南交通大学 电力***动态不良数据检测与辨识方法
US20150226781A1 (en) * 2014-02-07 2015-08-13 Mitsubishi Electric Research Laboratories, Inc. Method for Fault Location Analysis of Ungrounded Distribution Systems
US20160013648A1 (en) * 2013-02-28 2016-01-14 Hitachi, Ltd. Power System Control System and Distributed Controller Used in Same
CN105391059A (zh) * 2015-11-23 2016-03-09 江苏省电力公司南通供电公司 一种基于电流量测变换的分布式发电***状态估计方法
CN110120666A (zh) * 2019-05-07 2019-08-13 南京工程学院 一种电压暂降状态估计方法
CN113283094A (zh) * 2021-05-31 2021-08-20 山东大学 基于量测辨识的交直流大电网电压稳定评估方法及***
CN115940127A (zh) * 2022-10-24 2023-04-07 国网江苏省电力有限公司 一种基于电气量幅值量测的电力网络参数辨识方法及终端

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1056737A (ja) * 1996-08-07 1998-02-24 Toshiba Corp 配電系統運用装置
CN101216527A (zh) * 2007-12-29 2008-07-09 湖南大学 一种基于神经网络的在线电子电路故障诊断方法
US20160013648A1 (en) * 2013-02-28 2016-01-14 Hitachi, Ltd. Power System Control System and Distributed Controller Used in Same
CN103324847A (zh) * 2013-06-17 2013-09-25 西南交通大学 电力***动态不良数据检测与辨识方法
US20150226781A1 (en) * 2014-02-07 2015-08-13 Mitsubishi Electric Research Laboratories, Inc. Method for Fault Location Analysis of Ungrounded Distribution Systems
CN105391059A (zh) * 2015-11-23 2016-03-09 江苏省电力公司南通供电公司 一种基于电流量测变换的分布式发电***状态估计方法
CN110120666A (zh) * 2019-05-07 2019-08-13 南京工程学院 一种电压暂降状态估计方法
CN113283094A (zh) * 2021-05-31 2021-08-20 山东大学 基于量测辨识的交直流大电网电压稳定评估方法及***
CN115940127A (zh) * 2022-10-24 2023-04-07 国网江苏省电力有限公司 一种基于电气量幅值量测的电力网络参数辨识方法及终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FAN CHENG: "Reactive Power Optimization Strategy Considering Analytical Impedance Ratio with Wind Power", 2016 IEEE INTERNATIONAL CONFERENCE ON POWER AND RENEWABLE ENERGY, 30 June 2012 (2012-06-30), pages 110 - 114 *
李潇雨: "含逆变型分布式电源的不平衡配电网快速短路电流计算", 《电力***记忆自动化学报》, vol. 36, no. 3, 15 March 2023 (2023-03-15), pages 75 - 86 *
牟晓明: "电压薄弱节点的在线识别与控制方法", 《电网技术》, vol. 36, no. 8, 31 August 2012 (2012-08-31), pages 163 - 168 *

Similar Documents

Publication Publication Date Title
CN109034244B (zh) 基于电量曲线特征模型的线损异常诊断方法及装置
Li Evaluating mean life of power system equipment with limited end-of-life failure data
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
Baran et al. A meter placement method for state estimation
CN109818349B (zh) 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN107886171B (zh) 一种基于pmu数据的断路器状态在线诊断方法及***
CN113344134A (zh) 一种低压配电监控终端数据采集异常检测方法及***
CN109921415B (zh) 一种面向混合量测的电网恶性数据注入攻击在线防御方法
CN110879377B (zh) 基于深度信念网络的计量装置故障溯源方法
CN111856209A (zh) 一种输电线路故障分类方法及装置
CN113189418B (zh) 一种基于电压数据的拓扑关系识别方法
CN110580387A (zh) 基于熵权法的直流保护***混合威布尔可靠性评价方法
CN113985339A (zh) 智能电表的误差诊断方法及***、设备、存储介质
CN112906251A (zh) 一种配电网可靠性影响要素的分析方法及***
CN114519514A (zh) 一种低压台区合理线损值测算方法、***及计算机设备
CN102945222A (zh) 一种基于灰色理论的乏信息测量数据粗大误差判别方法
CN109829246B (zh) 一种基于参数综合可疑度的线路参数辨识方法
CN109902133B (zh) 基于电网任意分割区域的多源数据纠错处理方法及***
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
CN117289072A (zh) 一种基于电压编码的电网不良数据辨识方法
CN112345972A (zh) 基于停电事件的配电网线变关系异常诊断方法、装置及***
CN111476502A (zh) 一种基于多层感知机的中压配电网线损区间计算方法及***
CN112436866B (zh) 基于电力载波辐射信号强度分布特征计算线路拓扑的方法
Gulati et al. Overview of state estimation technique for power system control
CN116739399A (zh) 一种高压电缆运行状态评价方法

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