CN117972537A - 基于广域量测的电压互感器计量状态评估方法及*** - Google Patents
基于广域量测的电压互感器计量状态评估方法及*** Download PDFInfo
- Publication number
- CN117972537A CN117972537A CN202410389514.4A CN202410389514A CN117972537A CN 117972537 A CN117972537 A CN 117972537A CN 202410389514 A CN202410389514 A CN 202410389514A CN 117972537 A CN117972537 A CN 117972537A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic
- voltage amplitude
- time sequence
- branch
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 230000001932 seasonal effect Effects 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000000737 periodic effect Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提供了基于广域量测的电压互感器计量状态评估方法及***,涉及电力计量在线测量技术领域,构建多支路变电站的拓扑关联关系,采集每条支路的电压幅值时序数据;将所述电压幅值时序数据进行时序序列分解,分解为趋势量、季节量、周期量以及随机量序列数据,再进行特征抽取得到特征量;获取同区域历史支路电压幅值数据与历史离线状态下电压幅值数据的误差值,再计算特征量与误差值的相关系数,作为特征贡献度;根据特征贡献度生成特征数据,输入至密度聚类网络,调节密度聚类网络的参数,输出异常簇,将该簇作为异常点的簇,获取对应的异常电压互感器。
Description
技术领域
本公开涉及电力计量在线测量技术领域,具体涉及基于广域量测的电压互感器计量状态评估方法及***。
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。
作为电能计量装置的重要组成部分,互感器计量性能的准确可靠直接关系到电能贸易结算的公平公正。电压互感器(PT)是经降压和隔离,作为用来变换电压的仪器,电压互感器还可以将载波频率耦合到输电线,用于长途通信、选择性的线路高频保护、遥控等功能上。
在PT的实际运行过程中,互感器误差采集原理与恶劣环境等影响会在其工作寿命内出现测量偏差越限,因此不仅需要再其计量误差超差时能够进行准确快速的诊断,以便相关运行维护***检修维护的工作,如果不能及时发现互感器状态劣化,将影响电网运行。
现有电压互感器计量状态评估通常采用停电状态下的离线评估方法,该方法对电网正常运行影响较大,而无需停电的在线评估方法,则一般采用数据驱动的方法,基于单个待测互感器采集数据通过统计分析、机器学习等方法推断出电压互感器状态,该类方法未结合区域范围内的其他互感器的采集数据,导致数据量较少,且数据类型单一,难以对有拓扑关联的对侧站的互感器采集数据实现有效利用,导致评估准确率较低。
发明内容
本公开为了解决上述问题,提出了基于广域量测的电压互感器计量状态评估方法及***,对运行电网监控范围内的电压互感器进行状态评估,建立广域级变电站群体,通过处理电压幅值时间序列数据,最终获取异常的电压互感器。
根据一些实施例,本公开采用如下技术方案:
基于广域量测的电压互感器计量状态评估方法,包括:
构建多支路变电站的拓扑关联关系,采集每条支路的电压幅值时序数据;
将所述电压幅值时序数据进行时序序列分解,分解为趋势量、季节量、周期量以及随机量序列数据,再进行特征抽取得到特征量;
获取同区域历史支路电压幅值数据与历史离线状态下电压幅值数据的误差值,再计算特征量与误差值的相关系数,作为特征贡献度;
根据特征贡献度生成特征数据,输入至密度聚类网络,调节密度聚类网络的参数,输出异常簇,将该簇作为异常点的簇,获取异常点对应的异常电压互感器。
根据一些实施例,本公开采用如下技术方案:
基于广域量测的电压互感器计量状态评估***,包括:
数据获取模块,用于构建多支路变电站的拓扑关联关系,采集每条支路的电压幅值时序数据;
数据分解与特征抽取模块,用于将所述电压幅值时序数据进行时序序列分解,分解为趋势量、季节量、周期量以及随机量序列数据,再进行特征抽取得到特征量;
特征数据生成模块,用于获取同区域历史支路电压幅值数据与历史离线状态下电压幅值数据的误差值,再计算特征量与误差值的相关系数,作为特征贡献度;根据特征贡献度生成特征数据;
判断分类模块,用于输入至密度聚类网络,调节密度聚类网络的参数,输出异常簇,将该簇作为异常点的簇,获取异常点对应的异常电压互感器。
根据一些实施例,本公开采用如下技术方案:
一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现所述的基于广域量测的电压互感器计量状态评估方法。
根据一些实施例,本公开采用如下技术方案:
一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现所述的基于广域量测的电压互感器计量状态评估方法。
与现有技术相比,本公开的有益效果为:
本公开的基于广域量测的电压互感器计量状态评估方法及***,通过利用采集的电压幅值时间序列数据进行分解以及处理,得到多个分解量,因为电压幅值序列数据是由多个因素组合影响的结果,将其通过技术手段分解逐个处理,比直接数据处理相比,这使得在后面的预测阶段结果更加准确;并利用其生成特征数据,输入至密度聚类网络中进行分类判断,得到异常的电压互感器,是一种广域电压互感器的在线评估方法,实现多个变电站的群体电压互感器计量误差的评估,通过广域评估也能保证评估的准确性,又避免互感器逐个评估耗费巨大的问题。
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为本公开实施例的方法逻辑流程图;
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。
术语解释
广域评估:摒弃了传统评估方法基于单一个体的数据驱动评估,而是结合了区域范围内多个个体形成拓扑结构充分挖掘站点间数据信息的一种技术手段。摆脱局部或本地信息的拘绊,站在电力***更广范围角度,充分利用电网中的多点多元广域信息。
实施例1
本公开的一种实施例中提供了一种基于广域量测的电压互感器计量状态评估方法,包括:
步骤一:构建多支路变电站的拓扑关联关系,采集每条支路的电压幅值时序数据;
步骤二:将所述电压幅值时序数据进行时序序列分解,分解为趋势量、季节量、周期量以及随机量序列数据,再进行特征抽取得到特征量;
步骤三:获取同区域历史支路电压幅值数据与历史离线状态下电压幅值数据的误差值,再计算特征量与误差值的相关系数,作为特征贡献度;
步骤四:根据特征贡献度生成特征数据,输入至密度聚类网络,调节密度聚类网络的参数,输出异常簇,将该簇作为异常点的簇,获取异常点对应的异常电压互感器。
作为一种实施例,本公开的基于广域量测的电压互感器计量状态评估方法的具体实施过程如下:
步骤1:构建拓扑关联关系群体,采集电压幅值时序数据;
获取多个变电站以及之间的拓扑关联关系,将有拓扑关联关系的多个变电站构建为群体,建立广域级多站链变电站关系网和多条站链,将各变电站的各支路作为群体支路,每条支路均有待测电压互感器挂网,在二次侧采集并通过边缘计算得到电压幅值时序数据。
其中,将各变电站的各支路作为群体支路且支路条数为n,支路记作M1,M2,...,Mn,支路均有待测PT挂网,二次侧经过高精度数据采集装置采集并通过边缘计算得到1小时1次的电压幅值时序数据,将采集到的电压幅值时序数据分别记作Us1,Us2,...Usn。
作为一种实施例,所述高精度数据采集装置可以为高精度传感器,可以在线采集电能表端的电压信号。
步骤2:基于STL的电压幅值时间序列数据分解;
将采集到的电压幅值时序数据,利用STL时间序列分解方法,并通过鲁棒局部加权回归平滑化时间序列将其分解,STL时间序列分解方法分为外循环和内循环,所述外循环计算鲁棒性权重,所述内循环计算时间序列的分解量,包括:
STL分为外循环与内循环,外循环计算鲁棒性权重,内循环计算时间序列的分解量,Usnt是第n个支路二次侧电压幅值时序数据在t时刻的值,分解时每个支路t时刻简写作Ust,将其分解为趋势量、季节量、周期量以及随机量,即分解的目标为:,其中,Dt,St,Ct,Rt分别为时间序列在t时刻的趋势量、季节量、周期量和随机量。分解流程如下:
Step1.初始化,趋势量;
Step2.将t时刻电压幅值时序数据Ust去除趋势量:;
Step3.每个子序列进行LOESS(局部加权回归)过程,前后各延展一个时间点,组合得到长度为(N+2np)的时间序列,平滑参数为ns。
Step4.对进行3次长度分别为np、np、3的滑动平均,进行一次LOESS过程,得到长度为N的时间序列Lt(k+1),去除周期性差异,平滑参数为nl。
Step5.去除的趋势/>;
Step6.去除季节项;
Step7.对进行LOESS过程,得到/>平滑参数为nt;
Step8.重复step2-step7直至收敛。
其中,k为循环的次数;N为时间序列样本数;np时间序列的周期;ns,nl,nt在不同步骤中截取的进行加权滑动平均的数据长度;Lt为t时刻去除周期性差异后的时间序列;Rt为t时刻删除趋势量与季节量后的时间序列.
经过上述的分解过程得到该支路电压幅值时间序列数据的趋势量,季节量/>,周期量/>,随机量/>,最后根据时间t组合为时间序列数据D、S、C、R,其中,D、S、C、R分别表示趋势项D、季节项S、周期项C、随机项R。
其中,以Dt为例,t为时刻,对于t的每个取值都有一个Dt,按时间顺序组合每个Dt,形成数据序列,记作D。
作为一种实施例,每条支路均按照上述Step1~Step8步骤进行分解。
步骤3:根据电压幅值时间序列数据分解结果进行特征抽取;
每条支路分解得到的时间序列D、S、C、R,对于趋势项D,计算其拟合曲线斜率k和截距b,具体为,
其中,为时间序列D横坐标时间集合,/>为D纵坐标集合。
对于周期项C,对时间序列C进行快速傅里叶变换,抽取其主频分量频率f,取其倒数为C的周期,记录功率谱密度为频率T的功率p1。
同理,对季节项S也进行快速傅里叶变换,抽取其主频分量频率的功率p2,针对随机项R,则计算时间序列随机项R元素之和。
步骤4:计算相关系数得到各特征贡献度;
搜集历史该区域同款PT二次电压幅值时间序列数据与对应离线检测得到的误差数据Fk,由于电压幅值时间序列数据经过上述步骤1~3的处理,分别得到kk、bk、fk、Tk、p1k、p2k、SR 7个特征量,其分别为实例区域历史的k、b、f、T、p1、p2、SR,分别计算该7个量与Fk的相关系数作为特征贡献度,即:
其中,Cov()为两个量的协方差,Var()为方差。
步骤5:生成特征数据
开展基于广域量测的PT计量误差评估,对各支路PT的二次电压幅值做step2-step3的操作,每条支路PT得到一组数据,第i组数据得到ki、bi、fi、Ti、p1i、p2i、SRi,上述特征量通过归一化、加权计算得到该支路PT特征量Hi,计算公式为:
其中,kmean为时间序列k的均值,kstd为k的标准差(下同),
同理计算,
其中,ki、bi、fi、Ti、p1i、p2i、SRi为第i组数据对应的k、b、f、T、p1、p2、SR,kmean为时间序列的均值,kstd为/>的标准差,bmean为时间序列/>的均值,bstd为/>的标准差,Tmean为时间序列/>的均值,Tstd为/>的标准差p1mean为时间序列/>的均值,/> std为/>的标准差/> mean为时间序列/>的均值,p2std为/>的标准差p2mean为时间序列/>的均值,SRstd为/>的标准差。
步骤6:聚类密度判断异常PT
利用特征贡献度生成特征数据,每个特征数据包含7个特征值,所述密度聚类网络为7维,调节密度聚类网络的eps和min_samples参数,输出簇,直到出现一个簇包含的点小于等于设定个数,将该簇作为异常点的簇,包括:
计算该待测n个支路PT的Hi,每个Hi包含7个特征值,Hi={bh,fh,Th,p1h,p2h,SRh}建立7维dbscan密度聚类网络,调节eps和min_samples参数,直到出现有一个簇包含的点小于等于2个,将该簇作为异常点的簇。异常点对应的PT为异常PT。
其中,dbscan密度聚类网络中实施的方法如下:
1.设置参数:人工确定两个参数:邻域半径(eps)和邻域内最小样本个数(MinPts)。
2.寻找核心点:对每个Hi计算其领域内的样本数量。如果邻域内的样本数量满足或超过 MinPts,则将此点标记为核心点。
3.构建聚类簇:从每个核心点开始,将它们邻域内的所有点加入一个新的聚类簇中。这个过程持续进行,直到不再有新点可以加入任何一个聚类簇。
4.搜寻异常PT:对于未被标记为核心点的数据点,将其标记为边界点,边界点对应的PT为异常PT;一个簇包含的点小于等于2个,将该簇作为异常点的簇。异常点对应的PT为异常PT。
实施例2
本公开的一种实施例中提供了基于广域量测的电压互感器计量状态评估***,包括:
数据获取模块,用于构建多支路变电站的拓扑关联关系,采集每条支路的电压幅值时序数据;
数据分解与特征抽取模块,用于将所述电压幅值时序数据进行时序序列分解,分解为趋势量、季节量、周期量以及随机量序列数据,再进行特征抽取得到特征量;
特征数据生成模块,用于获取同区域历史支路电压幅值数据与历史离线状态下电压幅值数据的误差值,再计算特征量与误差值的相关系数,作为特征贡献度;根据特征贡献度生成特征数据;
判断分类模块,用于输入至密度聚类网络,调节密度聚类网络的参数,输出异常簇,将该簇作为异常点的簇,获取异常点对应的异常电压互感器。
实施例3
本公开的一种实施例中提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现所述的基于广域量测的电压互感器计量状态评估方法。
实施例4
本公开的一种实施例中提供了一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现所述的基于广域量测的电压互感器计量状态评估方法。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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。
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 (10)
1.基于广域量测的电压互感器计量状态评估方法,其特征在于,包括:
构建多支路变电站的拓扑关联关系,采集每条支路的电压幅值时序数据;
将所述电压幅值时序数据进行时序序列分解,分解为趋势量、季节量、周期量以及随机量序列数据,再进行特征抽取得到特征量;
获取同区域历史支路电压幅值数据与历史离线状态下电压幅值数据的误差值,再计算特征量与误差值的相关系数,作为特征贡献度;
根据特征贡献度生成特征数据,输入至密度聚类网络,调节密度聚类网络的参数,输出异常簇,将该簇作为异常点的簇,获取异常点对应的异常电压互感器。
2.如权利要求1所述的基于广域量测的电压互感器计量状态评估方法,其特征在于,获取多个变电站以及之间的拓扑关联关系,将有拓扑关联关系的多个变电站构建为群体,建立广域级多站链变电站关系网和多条站链,将各变电站的各支路作为群体支路,每条支路均有待测电压互感器挂网,在二次侧采集并通过边缘计算得到电压幅值时序数据。
3.如权利要求1所述的基于广域量测的电压互感器计量状态评估方法,其特征在于,将采集到的电压幅值时序数据,利用STL时间序列分解方法,并通过鲁棒局部加权回归平滑化时间序列将其分解,STL时间序列分解方法分为外循环和内循环,所述外循环计算鲁棒性权重,所述内循环计算时间序列的分解量。
4.如权利要求3所述的基于广域量测的电压互感器计量状态评估方法,其特征在于,获取每条支路二次侧电压幅值时序数据在t时刻的值,对每条支路二次侧电压幅值时序数据在t时刻的值进行分解,将其分解为趋势量、季节量、周期量以及随机量,最后组合成时间序列数据。
5.如权利要求1所述的基于广域量测的电压互感器计量状态评估方法,其特征在于,对得到的时间序列数据进行特征抽取,对于趋势项,则计算其拟合曲线斜率和截距;对于周期项,则对其进行快速傅里叶变换,抽取主频分量频率,记录功率谱密度改频率的功率;对于季节项,则也进行快速傅里叶变换,抽取其主频分量频率的功率;对于随机项,则计算所有随机项元素的和,得到所有的特征量。
6.如权利要求1所述的基于广域量测的电压互感器计量状态评估方法,其特征在于,搜集同区域电压互感器历史二次电压幅值序列数据与对应离线检测得到的误差数据,电压幅值时间序列数据分解以及特征抽取,得到了多个特征量,计算多个特征量与误差数据的相关系数作为特征贡献度,用于进行基于广域量测的电压互感器计量误差评估。
7.如权利要求1所述的基于广域量测的电压互感器计量状态评估方法,其特征在于,根据特征贡献度生成特征数据,每个特征数据包含7个特征值,所述密度聚类网络为7维,调节密度聚类网络的eps和min_samples参数,输出簇,直到出现一个簇包含的点小于等于设定个数,将该簇作为异常点的簇。
8.基于广域量测的电压互感器计量状态评估***,其特征在于,包括:
数据获取模块,用于构建多支路变电站的拓扑关联关系,采集每条支路的电压幅值时序数据;
数据分解与特征抽取模块,用于将所述电压幅值时序数据进行时序序列分解,分解为趋势量、季节量、周期量以及随机量序列数据,再进行特征抽取得到特征量;
特征数据生成模块,用于获取同区域历史支路电压幅值数据与历史离线状态下电压幅值数据的误差值,再计算特征量与误差值的相关系数,作为特征贡献度;根据特征贡献度生成特征数据;
判断分类模块,用于输入至密度聚类网络,调节密度聚类网络的参数,输出异常簇,将该簇作为异常点的簇,获取异常点对应的异常电压互感器。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-7任一项所述的基于广域量测的电压互感器计量状态评估方法。
10.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-7任一项所述的基于广域量测的电压互感器计量状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389514.4A CN117972537B (zh) | 2024-04-02 | 2024-04-02 | 基于广域量测的电压互感器计量状态评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389514.4A CN117972537B (zh) | 2024-04-02 | 2024-04-02 | 基于广域量测的电压互感器计量状态评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117972537A true CN117972537A (zh) | 2024-05-03 |
CN117972537B CN117972537B (zh) | 2024-07-19 |
Family
ID=90849949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410389514.4A Active CN117972537B (zh) | 2024-04-02 | 2024-04-02 | 基于广域量测的电压互感器计量状态评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972537B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702895A (zh) * | 2021-10-28 | 2021-11-26 | 华中科技大学 | 一种电压互感器误差状态在线定量评估方法 |
CN115587673A (zh) * | 2022-11-10 | 2023-01-10 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器误差状态预测方法及*** |
CN115603320A (zh) * | 2022-11-11 | 2023-01-13 | 国网上海市电力公司(Cn) | 一种基于广域量测数据的实时感知与在线评估方法及*** |
CN115685046A (zh) * | 2022-11-10 | 2023-02-03 | 广东电网有限责任公司 | 互感器计量异常识别方法、装置、设备及存储介质 |
CN116702630A (zh) * | 2023-08-07 | 2023-09-05 | 国网安徽省电力有限公司营销服务中心 | 一种电容式电压互感器cvt的误差迭代评估方法 |
CN116720622A (zh) * | 2023-06-14 | 2023-09-08 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电流互感器计量误差值预测方法 |
CN116840765A (zh) * | 2023-08-31 | 2023-10-03 | 武汉格蓝若智能技术股份有限公司 | 一种基于多元时序分析的电压互感器误差状态评估方法 |
-
2024
- 2024-04-02 CN CN202410389514.4A patent/CN117972537B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702895A (zh) * | 2021-10-28 | 2021-11-26 | 华中科技大学 | 一种电压互感器误差状态在线定量评估方法 |
CN115587673A (zh) * | 2022-11-10 | 2023-01-10 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器误差状态预测方法及*** |
CN115685046A (zh) * | 2022-11-10 | 2023-02-03 | 广东电网有限责任公司 | 互感器计量异常识别方法、装置、设备及存储介质 |
CN115603320A (zh) * | 2022-11-11 | 2023-01-13 | 国网上海市电力公司(Cn) | 一种基于广域量测数据的实时感知与在线评估方法及*** |
CN116720622A (zh) * | 2023-06-14 | 2023-09-08 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电流互感器计量误差值预测方法 |
CN116702630A (zh) * | 2023-08-07 | 2023-09-05 | 国网安徽省电力有限公司营销服务中心 | 一种电容式电压互感器cvt的误差迭代评估方法 |
CN116840765A (zh) * | 2023-08-31 | 2023-10-03 | 武汉格蓝若智能技术股份有限公司 | 一种基于多元时序分析的电压互感器误差状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117972537B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108802525A (zh) | 基于小样本的设备故障智能预测方法 | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及*** | |
CN108683180B (zh) | 一种三相低压配电网拓扑重建方法 | |
Jiang et al. | Stochastic subspace identification‐based approach for tracking inter‐area oscillatory modes in bulk power system utilising synchrophasor measurements | |
CN103413044B (zh) | 一种基于变电站量测信息的电力***局部拓扑估计方法 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN110133393A (zh) | 一种基于非侵入式监测技术的用电监测***及方法 | |
CN113556629B (zh) | 一种智能电表误差远程估计方法及装置 | |
CN112485747A (zh) | 一种电容式电压互感器误差状态评估方法 | |
CN105354636A (zh) | 一种基于非参数核密度估计的风功率波动性概率密度建模方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN117909855B (zh) | 基于电力模型的数据监测与辅助治理方法 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
CN117972537B (zh) | 基于广域量测的电压互感器计量状态评估方法及*** | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
CN115293090A (zh) | 基于重构数据处理的多谐波源责任量化方法 | |
CN115184734A (zh) | 一种电网线路故障检测方法和*** | |
Li et al. | Extraction of abnormal points from on-line operation data of intelligent meter based on LSTM | |
Zhong et al. | Low-voltage distribution network topology identification method based on segmented current features and cnn-lstm deep learning | |
CN111461214A (zh) | 一种基于随机森林算法的绝缘管母故障自动诊断方法 | |
CN117148017B (zh) | 一种高压套管油气远程监测方法及*** | |
CN118244192B (zh) | 一种基于线损动态离群点的智能电表计量失准识别方法 | |
Hong et al. | Deep‐Learning‐Assisted Topology Identification and Sensor Placement for Active Distribution Network |
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 |