-
公开(公告)号：CN106291234A
公开(公告)日：2017-01-04
申请号：CN201610613748.8
申请日：2016-07-29
Applicant: 武汉大学
IPC: G01R31/08
CPC classification number: G01R31/085 , G01R31/088
Abstract: 本发明涉及一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法，首先根据双端供电系统原理图搭建仿真模型，得到训练样本的输入，将故障类型和区内外故障作为训练样本的输出，同理生成测试样本。其次，列出网络结构，通过测试样本的错误率，得到最佳网络结构。最后，在每次故障之后，获取故障电流，输入到训练好的网络中，即可判断是否区内故障并进行故障选相，无需再次训练。该方法对卷积神经网络输出进行了改进，用同一网络同时解决了区内外故障判断和故障选相两类非独立分类问题，实现了两种非独立分类问题的权值共享。对采样率要求低，无需计算各种整定值，不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，结果准确可靠。
-
公开(公告)号：CN106291233A
公开(公告)日：2017-01-04
申请号：CN201610613683.7
申请日：2016-07-29
Applicant: 武汉大学
IPC: G01R31/08
CPC classification number: G01R31/088
Abstract: 本发明一种基于卷积神经网络的故障选相方法。首先根据双端供电系统原理图搭建仿真模型。其次，列出网络结构，通过设置批处理数量为较大定值，训练次数为较小定值，得到测试样本的错误率，错误率最小的网络结构即为最佳网络结构。然后，在最佳网络结构下，减少批处理数量，增加训练次数，使错误率降为0，从而得到训练好的网络结构参数和权值偏置矩阵。最后，在每次故障之后，获取故障电流，输入到训练好的网络中，即可得到故障类型输出，无需再次训练。该方法能够准确进行故障选相，检测灵敏度高，不受系统频率、故障位置、负荷电流、过渡电阻等因素的影响，具有很高的可靠性。
-
公开(公告)号：CN105844431A
公开(公告)日：2016-08-10
申请号：CN201610263273.4
申请日：2016-04-26
Applicant: 武汉大学
CPC classification number: G06Q10/0635 , G06Q50/06
Abstract: 本发明涉及一种基于模糊信息粒化算法继电保护风险评估方法，首先从风险的定义出发，阐述事故发生概率和损失之间的关系；其次计算事故发生的概率以及损失，先根据负荷等级以及减供负荷判断事故类型，根据历史统计数据计算该类型下事故发生的概率，利用停电损失函数计算事故发生后对电力行业以及各类用户带来的损失；再次采用模糊信息粒化算法处理数据，计算继电保护系统的风险并采用以模糊极大集和模糊极小集为参照基准，海明距离为测量工具的模糊排序方法，对多个地区的风险进行排序，为风险管理决策者做出正确决策提供理论性依据。最后结合某地区的实际数据表明采用软层次模型做继电保护风险评估的正确性和有效性。
-
公开(公告)号：CN105471110A
公开(公告)日：2016-04-06
申请号：CN201510992217.X
申请日：2015-12-24
Applicant: 国家电网公司 , 国网青海省电力公司 , 国网青海省电力公司电力科学研究院 , 武汉大学
CPC classification number: Y02E60/723 , Y04S10/16 , H02J13/0006 , G06Q50/06
Abstract: 本发明是将传统低频振荡集中运算方式改进成分布式运算方式，提出的一种电力系统类噪声信号的低频振荡模式分层检测方法，即将低频震荡监测功能布置在变电站层和调度中心层。变电站层利用本站的PMU数据进行局部的低频震荡检测和频谱估计，调度中心层根据变电站层发送的低频震荡结果数据进行综合估计。为了在调度中心层实现对变电站层低频震荡检测结果合成,首先对全系统所有PMU数据进行辨识，然后采用最小二乘支持向量机（LSSVM）与变电站层的低频振荡检测结果进行拟合，最后可以仅根据变电站上传的低频振荡结果对全系统进行快速综合判断，确定整个系统的区间振荡模式和本地振荡模式。
-
公开(公告)号：CN102122824A
公开(公告)日：2011-07-13
申请号：CN201110089037.2
申请日：2011-04-11
Applicant: 武汉大学
IPC: H02J3/24
Abstract: 本发明涉及一种低频振荡模态参数辨识方法及其装置，尤其是涉及一种电力系统低频振荡模态参数辨识方法及其装置。本发明创造性的将一种新的分析非线性、非平稳信号的方法——原子稀疏分解法用于低频振荡模态参数辨识,本方法能够有效辨识出电力系统低频振荡模态参数，包括振幅、衰减系数、频率、阻尼比、相位、开始与结束时刻。因此，本发明具有如下优点：将一种新的分析非线性、非平稳信号的方法即原子稀疏分解法用于低频振荡模态参数辨识,能够有效辨识出电力系统低频振荡模态参数，包括振幅、衰减系数、频率、阻尼比、相位、开始与结束时刻。
-
Patent Agency Ranking
公开(公告)号：CN1529178A
公开(公告)日：2004-09-15
申请号：CN200310111211.4
申请日：2003-10-09
Applicant: 武汉大学
IPC: G01R31/08
Abstract: 本发明涉及一种电力系统输电线路故障诊断及选相方法，包括以下步骤：数据采集以获得被检测线路多端的电压、电流信号；记录并交换故障前后的电气量以获得故障定位所需数据；判别故障相别。本发明提出一种新颖的电力系统输电线路故障诊断及选相方法，在电力系统实际运行中，如何正确地区分故障和振荡并判断出故障相别是一个长期得不到解决的问题，而正确地区分故障和振荡并判断出故障相别可以提高电力系统安全稳定运行的水平，本发明所提出的电力系统输电线路故障诊断及选相方法能够很好地解决这个问题。该方法能够区分电力系统输电线路上发生的振荡与故障，能够区分区内外故障并进行准确的故障判相。
-
公开(公告)号：CN115934520A
公开(公告)日：2023-04-07
申请号：CN202211504644.5
申请日：2022-11-29
Applicant: 国网天津市电力公司电力科学研究院 , 国网天津市电力公司 , 国家电网有限公司 , 武汉大学
Inventor： 王剑锋 , 刘剑 , 张军 , 尚学军 , 马世乾 , 王旭东 , 金尧 , 刘开培 , 龚庆武 , 王天昊 , 晋萃萃 , 肖淞 , 胡志坚 , 郭晓艳 , 金岩 , 李楠 , 王坤 , 吕金炳
Abstract: 本发明涉及一种基于动态自组网的电力物联网测试系统，包括多个测试单元，测试单元之间通过LoRa通信模块实现无线通信；每个测试单元包括一辆巡检车、多个无人机和/或智能机器人；所述巡检车、多个无人机和/或智能机器人内部均集成有LoRa通信模块，其中巡检车内部设置主机LoRa通信模块，无人机和智能机器人内部分别设置有分机LoRa通信模块，所述主机LoRa通信模块分别与各分机LoRa通信模块相连接，用于在进行测试任务时下发控制指令，将无人机和智能机器人要到达的各个位置及要采集的信息的物联网功能及性能测试任务传达给各分机LoRa通信模块。本发明能够解决电力物联网测试过程中的海量数据传输及边缘计算问题。
-
公开(公告)号：CN115730406A
公开(公告)日：2023-03-03
申请号：CN202211504635.6
申请日：2022-11-29
Applicant: 国网天津市电力公司电力科学研究院 , 国网天津市电力公司 , 国家电网有限公司 , 武汉大学
IPC: G06F30/17 , G06F30/23 , G06F111/10 , G06F119/02 , G06F119/14
Abstract: 本发明涉及一种变压器光学传感器选型与布局验证方法及系统，包括以下步骤：步骤1、建立气室和悬臂梁动态过程数学模型，寻找影响气室和悬臂梁性能的主要参数；步骤2、验证悬臂梁与气室的布局和方案的合理性以及气室的选型方案的合理性；步骤3、验证悬臂梁的选型方案的合理性。步骤4、综合步骤2与步骤3仿真所得的变压器光学传感器气室尺寸、悬臂梁相对于气室的最佳位置和悬臂梁传感器形变特性的仿真研究，对比实际变压器光学传感器的选型与布局方案，判断该方案的正确性。本发明验证了变压器光学传感器传感器选型与布局的合理性与可靠性，对检测变压器油中溶解气体实现变压器故障诊断具有重要意义。
-
公开(公告)号：CN115146739A
公开(公告)日：2022-10-04
申请号：CN202210884861.5
申请日：2022-07-26
Abstract: 本发明公开了一种基于堆叠时间序列网络的电力变压器故障诊断方法，包括：采集各变电站中变压器的油中气体；对采集的数据进行z‑score归一化，得到归一化矩阵；将归一化矩阵按比例划分为训练集和测试集；构建基于Xgboost和双向门控循环神经网络的堆叠时间序列网络，输入训练集和测试集进行网络训练；利用实时采集的数据经过归一化后得到可训练的数据，进行故障预测和网络参数的更新。本发明利用Xgboost和门控神经网络对油中气体数据进行预测，由元学习器从两个时间序列网络中获得电力变压器预测数据，并通过Softmax层得到变压器的故障诊断结果。该神经网络具有准确的故障诊断性能和稳定的鲁棒性。
-
公开(公告)号：CN115062538A
公开(公告)日：2022-09-16
申请号：CN202210639082.9
申请日：2022-06-07
Abstract: 本发明公开了一种基于注意力机制和卷积NN的变换器故障诊断方法及系统，步骤为：建立双有源桥变换器的仿真模型，并选择故障诊断信号；收集不同功率开关器件的故障诊断信号样本；利用卷积操作构建特征提取模块，利用注意力机制构建去噪模块和特征融合模块，提取和融合输入诊断样本中三个诊断信号的故障特征，构建多分支卷积神经网络模型；将故障诊断信号样本输入到多分支卷积神经网络中训练，根据训练后的网络对双有源桥变换器的开路故障进行诊断及定位。本发明利用注意力机制构建故障诊断模型，去除了诊断信号中的噪声并融合了多诊断信号的故障特征，有效提高了诊断准确度，且利用卷积神经网络进行诊断，提高了诊断的智能化。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.037 seconds)
