[go: up one dir, main page]

CN111368933A - 一种基于Softmax回归的配电网暂态过程故障分类方法及系统 - Google Patents

一种基于Softmax回归的配电网暂态过程故障分类方法及系统 Download PDF

Info

Publication number
CN111368933A
CN111368933A CN202010185409.0A CN202010185409A CN111368933A CN 111368933 A CN111368933 A CN 111368933A CN 202010185409 A CN202010185409 A CN 202010185409A CN 111368933 A CN111368933 A CN 111368933A
Authority
CN
China
Prior art keywords
fault
distribution network
softmax regression
transient process
phase
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.)
Withdrawn
Application number
CN202010185409.0A
Other languages
English (en)
Inventor
张超
董新华
陈子健
侯良霄
刘兆栋
宋娜
吴旋旋
张术鹏
孙泉
张国超
杜晓光
刘梦瑶
王怀宇
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and 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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010185409.0A priority Critical patent/CN111368933A/zh
Publication of CN111368933A publication Critical patent/CN111368933A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开公开了一种基于Softmax回归的配电网暂态过程故障分类方法及系统，包括获取配电网中历史故障节点的三相电流，构建训练数据集；将所述训练数据集中三相电流分解为正序分量、负序分量和零序分量；根据正序分量、负序分量和零序分量的幅度和相位定义分类变量，并将分类变量作为输入数据训练Softmax回归模型；获取配电网发生故障时，处于暂态过程的故障数据，利用训练后的Softmax回归模型对所述故障数据进行故障类别的分类。在对配电网中的故障检测分类时，由于故障发生中的暂态过程很长，通过引入Softmax回归，建立Softmax回归模型的离线部分和故障在线检测、分类部分，解决因为暂态变化过程中的电流波动导致故障分类结果存在误差的问题。

Description

一种基于Softmax回归的配电网暂态过程故障分类方法及 系统
技术领域
本公开涉及配电网故障分类技术领域，特别是涉及一种基于Softmax回归的配电网暂态过程故障分类方法及系统。
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。
随着智能电网的出现，配电网的建设规模不断扩大，由于分布式电源的加入，配电网成为了非常复杂的多源系统，因此在配电网中是否发生故障以及发生故障的类型的故障诊断成为了一个复杂的难题。配电网的故障响应时间往往比输电网络短，但有时暂态过程可能会比较长，受电力电子设备控制策略的影响也较大，这就意味着输电网的一些故障诊断方法不能直接适用于配电网。
电力系统从一种稳定状态都另一种稳定状态的过渡过程称为暂态过程，暂态过程中，电网运行参量会发生较大的变化。而且发明人发现，在配电网发生故障时，暂态数据对故障诊断有很大的负面影响，现有的方法都是基于故障发生后的稳态数据在理想条件下进行判断的，并没有考虑到暂态效应，而故障发生时，电网达到稳态过程的时间点相对于暂态过程会发生时间滞后的问题，以稳态数据为基础进行故障诊断，不可避免的会导致诊断误差；在实际配电网故障发生中的暂态过程相当长，在故障分类中不应被忽略。暂态变化过程中的电流波动导致现有方法产生不正确的分类结果。其次，现有的方法通过提取暂态数据中的数据，并将其与建立的阈值进行比较以获得分类结果，但是故障类型的不同导致使得很难选择固定的阈值。
发明内容
为了解决上述问题，本公开提出了一种基于Softmax回归的配电网暂态过程故障分类方法及系统，在对配电网中的故障检测分类时，由于故障发生中的暂态过程很长，通过引入Softmax回归，建立Softmax回归模型的离线部分和故障在线检测、分类部分，解决因为暂态变化过程中的电流波动导致故障分类结果存在误差的问题。
为了实现上述目的，本公开采用如下技术方案：
第一方面，本公开提供一种基于Softmax回归的配电网暂态过程故障分类方法，包括：
获取配电网中历史故障节点的三相电流，构建训练数据集；
将所述训练数据集中三相电流分解为正序分量、负序分量和零序分量；根据正序分量、负序分量和零序分量的幅度和相位定义分类变量，并将分类变量作为输入数据训练Softmax回归模型；
获取配电网发生故障时，处于暂态过程的故障数据，利用训练后的Softmax回归模型对所述故障数据进行故障类别的分类。
第二方面，本公开提供一种基于Softmax回归的配电网暂态过程故障分类系统，包括：
样本数据构建模块，被配置为获取配电网中历史故障节点的三相电流，构建训练数据集；
回归模型构建模块，被配置为将所述训练数据集中三相电流分解为正序分量、负序分量和零序分量；根据正序分量、负序分量和零序分量的幅度和相位定义分类变量，并将分类变量作为输入数据训练Softmax回归模型；
故障分类模块，被配置为获取配电网发生故障时，处于暂态过程的故障数据，利用训练后的Softmax回归模型对所述故障数据进行故障类别的分类。
第三方面，本公开提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于Softmax回归的配电网暂态过程故障分类方法所述的步骤。
第四方面，本公开提供一种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，完成一种基于Softmax回归的配电网暂态过程故障分类方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开在配电网故障分类过程中，建立Softmax回归模型来处理暂态数据，暂态过程中，电网运行参量会发生较大的变化，对故障诊断产生的影响不可忽略，本公开方法使电网处于暂态过程或稳态过程时都能得到正确的故障分类结果。
2、本公开的配电网故障暂态过程分析方法，不受故障类型、分布式电源运行方式和故障点故障电阻等因素的影响，在平衡和不平衡配电网中具备更好的故障诊断性能。
3、本公开在对配电网中的故障检测分类时，通过引入Softmax回归，还解决故障数据采集时存在的时间滞后问题，并且以Softmax函数指示数据样本属于每个簇的概率，并确定故障类别为概率值最大的簇；解决了在稳态过程中，通过定义的四个分类变量作为常量，导致的不正确分类结果的问题。
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1提供的基于Softmax回归的配电网暂态过程故障分类方法流程图；
图2为本公开实施例1提供的由AG故障获得的故障特征的数据样本的散点图。
具体实施方式：
下面结合附图与实施例对本公开做进一步说明。
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。
实施例1
如图1所示，本实施例提供一种基于Softmax回归的配电网暂态过程故障分类方法，在对配电网中的故障检测分类时，由于故障发生中的暂态过程很长，所以本实施例通过引入Softmax回归，以处理暂态数据样本对故障分类的负面影响，具体步骤包括：
S1：获取配电网中历史故障节点的三相电流，构建训练数据集；
S2：将所述训练数据集中三相电流分解为正序分量、负序分量和零序分量；根据正序分量、负序分量和零序分量的幅度和相位定义分类变量，并将分类变量作为输入数据训练Softmax回归模型；
S3：获取配电网发生故障时，处于暂态过程的故障数据，利用训练后的Softmax回归模型对所述故障数据进行故障类别的分类。
所述步骤S1中，根据实际配电网的结构和参数构建配电网仿真模型，本实施例中采用电力系统仿真软件，如Matlab/Simulink；所述配电网可为含分布式电源配电网；所述配电网参数包括但不限于历史故障点位置、与历史故障点近邻的变电站、变压器等、线路长度等。
根据配电网仿真模型，收集历史故障数据，通过情况下采集故障节点处的电流数据，但是在实际配电网中，由于线路复杂，并且多为架空线路、杆塔等，所以导致故障点的发生位置不易采集到电压电流数据，在本实施例中称为不可测电流；所以本实施例采集故障节点的可测三相电流，所述可测三相电流即为与故障节点发生位置相邻的变压器、变电站等处的电压电流数据。另外还可以根据线路长度、故障节点位置以及阻抗、电容等电路信息，得出可测电流和不可测电流的关系。
在本实施例中，根据历史故障节点的可测三相电流，构建训练数据集。根据电网中可测电流分别计算相量形式的电流
Figure BDA0002414009060000051
以母线Ι处的
Figure BDA0002414009060000052
和A相电流iAI(t)为例，使用标准傅立叶变换从iAI(t)计算振幅IAI和相位
Figure BDA0002414009060000068
即：
Figure BDA0002414009060000061
Figure BDA0002414009060000062
Figure BDA0002414009060000063
其中，f是电网基频。
所述步骤S2中，对训练数据集进行数据处理：
首先，将训练数据集中三相电流分解为正序分量、负序分量和零序分量，正序、负序和零序分量是为了分析在系统电压、电流出现不对称现象时，把三相的不对称分量分解成对称分量，即正序和负序，以及同向的零序分量，类似于力的合成和分解，在三相系统中分解出上述三个分量。
对于理想的电力系统，由于三相对称，因此负序和零序分量的数值都为零，当系统出现故障时，三相变为不对称，这时就能分解出有幅值的负序和零序分量，因此通过检测这两个不应正常出现的分量，就可得知电力系统出现故障。
在电力系统中，正序、负序和零序分量的相互关系为：
Figure BDA0002414009060000064
其中，
Figure BDA0002414009060000065
0、1、2表示对称分量的顺序号，A、B、C表示相位坐标的相位，
Figure BDA0002414009060000066
表示对于序列m∈{0,1,2}和总线n∈{I，II}的A相的序分量电流，a是变量，
Figure BDA0002414009060000067
表示配电网中三相电流的相量形式。
其次，根据正序分量、负序分量和零序分量的幅度和相位定义分类变量，
在对配电网的故障进行检测分类中，不同的短路故障可以通过序分量的幅度和相位来区分，由此本实施例定义了四个分类变量α、β、γ和δ用于故障分类，即：
Figure BDA0002414009060000071
其中，
Figure BDA0002414009060000072
表示
Figure BDA0002414009060000073
和
Figure BDA0002414009060000074
之间的相位差。
在本实施例中，将
Figure BDA0002414009060000075
转换为正、负和零序列分量
Figure BDA0002414009060000076
通过分类变量的计算公式，从
Figure BDA0002414009060000077
的振幅和相位中得到四个变量α、β、γ和δ。
最后，将四个分类变量作为输入数据训练Softmax回归模型，针对无故障和有十个短路故障的场景生成一系列仿真数据，以通过最小化损失函数J(θ)估计Softmax回归模型参数θ。
设{(x1，y1)，.，(xm，ym)}是包含M个训练样本的数据集，其中第m个输入样本xm包含α、β、γ和δ的值，第m个输出样本ym是对应的故障类别。Softmax回归的损失函数是：
Figure BDA0002414009060000078
其中，θ是回归模型参数向量，1{·}是指标函数，1{表达是为真}＝1,1{表达式为假}＝0，M是训练样本的数据集个数，m是第m个样本，j是故障类别，ym是输出样本对应的故障类别，xm是输入样本，T是θj转置符号。
通过最小化J(θ)，θ可以得到样本x属于类j的概率是：
Figure BDA0002414009060000081
其中，θ是参数向量，j是故障类别，ym是输出样本对应的故障类别，xm是输入样本。
Softmax回归产生的分类结果是概率值最大的分类结果：
Figure BDA0002414009060000082
所述步骤S3中：电力系统暂态是从一种稳定状态都另一种稳定状态的过渡过程，过渡过程其运行参量会发生较大的变化。暂态过程有两种，一种是电力系统中转动元件，如发电机和电动机，其暂态过程由于机械转矩或电磁转矩之间不平衡引起的，通常称为机电暂态；另一种是电压器、输电线等原件中，并不牵涉角位移、角速度等，其暂态过程称为电磁暂态。
本实施例获取配电网发生故障时，处于暂态过程的故障数据。在本实施例中，根据上一个时间段1/f秒内的最新故障数据样本计算α、β、γ和δ的实时值，使用公式(7)估计j＝0，…，10的概率值P(y＝j|x)；并在公式(8)中第
Figure BDA0002414009060000083
类型具有最大概率值，取移动时间窗口中
Figure BDA0002414009060000084
的最近样本的最频繁值(模式)作为分类结果；其中，时间窗口取决于用户的选择；本实施例默认值取为4/f秒，f是电网基频。
在本实施例中，建立Softmax回归模型的离线部分以及在线检测和分类发生的故障部分，具体包括：
离线部分：
步骤1：使用电力系统仿真软件(如Matlab/Simulink)根据实际配电网的结构和参数建立仿真模型；
步骤2：根据电网中可测电流分别计算相量形式的电流
Figure BDA0002414009060000085
以母线Ι处的
Figure BDA0002414009060000091
和A相电流
Figure BDA0002414009060000092
为例，使用标准傅立叶变换从iAI(t)计算振幅IAI和相位
Figure BDA0002414009060000093
步骤3：使用公式(4)将
Figure BDA0002414009060000094
转换为正、负和零序列分量
Figure BDA0002414009060000095
Figure BDA0002414009060000096
步骤4：通过计算公式(5)从
Figure BDA0002414009060000097
的振幅和相位中得到四个变量α、β、γ和δ；
步骤5：取公式(5)中α、β、γ和δ作为输入，并针对无故障和有十个短路故障的场景生成一系列仿真数据，以通过最小化公式(6)中的损失函数J(θ)来估计Softmax回归模型参数θ。
故障部分：
步骤6：在线重复步骤2-5，根据上一个时间段1/f秒内的最新数据样本计算α、β、γ和δ的实时值；
步骤7：使用公式(7)估计j＝0，…，10的概率值P(y＝j|x)。并在公式(8)中第
Figure BDA0002414009060000098
类型具有最大概率值；
步骤8：取移动时间窗口中
Figure BDA0002414009060000099
的最近样本的最频繁值(模式)作为分类结果。
其中，在离线部分，实际上需要一系列模拟来实现对Softmax回归模型参数向量θ的可靠估计，由于不同仿真的瞬态和稳态数据的固有变化，θ的估计也与估计不确定性有关。如果元素θ的样本均值相对于自身的样本标准偏差相对较大，那么估计的不确定性是可以容忍的，θ的估计是可靠的。假设检验可以基于变异系数的置信区间来制定。
在本实施例中，以A相单相接地故障(AG故障)发生为例：
当A相单相接地故障(AG故障)发生时，获得表示故障特征的一组数据。首先考虑分类变量的α和β，如图2所示的散点图给出了α和β的一些数据样本，图中标有×的三个点是单相接地故障AG、BG、CG的理想点；在实际配电网中(α，β)很难落在理想点上；相反，将形成孤立的簇，例如图2中的三个类别。
本实施例给出十个故障类别，如表1所示，使得j＝0，1，2，.，10分别代表无故障，单相接地故障AG、BG、CG，两相接地故障ABG、BCG、CAG，两相短路故障AB，BC，CA和三相短路故障ABC故障。
表1：不同故障类型的类别编号
故障类型 类别编号 故障类型 类别编号
无故障 0 CA 6
AG 1 ABG 7
BG 2 BCG 8
CG 3 CAG 9
AB 4 ABC 10
BC 5
Softmax函数用于指示数据样本属于每个簇的概率，并确定故障类别为概率值最大的簇，选择四个变量α、β、γ和δ作为Softmax回归的输入x，目标是估计每个故障类j的概率值P(y＝j|x)，其中y是Softmax回归的输出，建立Softmax回归模型来处理暂态数据的负面影响，使暂态和稳态数据都能得到正确的故障分类结果。
在更多实施例中，还提供：
一种基于Softmax回归的配电网暂态过程故障分类系统，包括：
样本数据构建模块，被配置为获取配电网中历史故障节点的三相电流，构建训练数据集；
回归模型构建模块，被配置为将所述训练数据集中三相电流分解为正序分量、负序分量和零序分量；根据正序分量、负序分量和零序分量的幅度和相位定义分类变量，并将分类变量作为输入数据训练Softmax回归模型；
故障分类模块，被配置为获取配电网发生故障时，处于暂态过程的故障数据，利用训练后的Softmax回归模型对所述故障数据进行故障类别的分类。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于Softmax回归的配电网暂态过程故障分类方法所述的步骤。
一种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，完成一种基于Softmax回归的配电网暂态过程故障分类方法所述的步骤。
以上仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
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)

1.一种基于Softmax回归的配电网暂态过程故障分类方法，其特征在于，包括：
获取配电网中历史故障节点的三相电流，构建训练数据集；
将所述训练数据集中三相电流分解为正序分量、负序分量和零序分量；根据正序分量、负序分量和零序分量的幅度和相位定义分类变量，并将分类变量作为输入数据训练Softmax回归模型；
获取配电网发生故障时，处于暂态过程的故障数据，利用训练后的Softmax回归模型对所述故障数据进行故障类别的分类。
2.如权利要求1所述的一种基于Softmax回归的配电网暂态过程故障分类方法，其特征在于，所述正序分量、负序分量和零序分量的关系为：
Figure FDA0002414009050000011
其中，0、1、2表示对称分量的顺序号，A、B、C表示相位坐标的相位，
Figure FDA0002414009050000012
表示对于序列m∈{0,1,2}和总线n∈{I，II}的A相的序分量电流，a是变量，
Figure FDA0002414009050000013
表示配电网中三相电流的相量形式。
3.如权利要求1所述的一种基于Softmax回归的配电网暂态过程故障分类方法，其特征在于，所述分类变量包括4个变量，即α、β、γ和δ：
Figure FDA0002414009050000014
其中，0、1、2表示对称分量的顺序号，A表示相位坐标的相位，
Figure FDA0002414009050000015
表示对于序列m∈{0,1,2}和总线n∈{I，II}的A相的序分量电流。
4.如权利要求1所述的一种基于Softmax回归的配电网暂态过程故障分类方法，其特征在于，所述训练Softmax回归模型，以分类变量作为输入，最小化Softmax回归模型的损失函数，优化Softmax回归模型参数向量θ，所述参数向量θ用于输出输入样本属于故障类的概率。
5.如权利要求4所述的一种基于Softmax回归的配电网暂态过程故障分类方法，其特征在于，所述Softmax回归模型的损失函数为：
Figure FDA0002414009050000021
其中，θ是参数向量，1{·}是指标函数，M是训练样本的数据集个数，m是第m个样本，j是故障类别，ym是输出样本对应的故障类别，xm是输入样本。
6.如权利要求1所述的一种基于Softmax回归的配电网暂态过程故障分类方法，其特征在于，将对所述故障数据计算得到的分类变量输入训练后的Softmax回归模型中，得到的概率值最大的故障类即为该故障数据所属的故障类别；
或，在Softmax回归模型中添加时间窗口，选取时间窗口中概率值最大的故障类作为分类结果。
7.如权利要求1所述的一种基于Softmax回归的配电网暂态过程故障分类方法，其特征在于，所述故障数据属于故障类别j的概率为：
Figure FDA0002414009050000022
其中，θ是参数向量，j是故障类别，ym是输出样本对应的故障类别，xm是输入样本；
或，所述故障类别包括无故障、单相接地故障、两相接地故障、两相短路故障和三相短路故障。
8.一种基于Softmax回归的配电网暂态过程故障分类系统，其特征在于，包括：
样本数据构建模块，被配置为获取配电网中历史故障节点的三相电流，构建训练数据集；
回归模型构建模块，被配置为将所述训练数据集中三相电流分解为正序分量、负序分量和零序分量；根据正序分量、负序分量和零序分量的幅度和相位定义分类变量，并将分类变量作为输入数据训练Softmax回归模型；
故障分类模块，被配置为获取配电网发生故障时，处于暂态过程的故障数据，利用训练后的Softmax回归模型对所述故障数据进行故障类别的分类。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。
CN202010185409.0A 2020-03-17 2020-03-17 一种基于Softmax回归的配电网暂态过程故障分类方法及系统 Withdrawn CN111368933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010185409.0A CN111368933A (zh) 2020-03-17 2020-03-17 一种基于Softmax回归的配电网暂态过程故障分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010185409.0A CN111368933A (zh) 2020-03-17 2020-03-17 一种基于Softmax回归的配电网暂态过程故障分类方法及系统

Publications (1)

Publication Number Publication Date
CN111368933A true CN111368933A (zh) 2020-07-03

Family

ID=71211966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010185409.0A Withdrawn CN111368933A (zh) 2020-03-17 2020-03-17 一种基于Softmax回归的配电网暂态过程故障分类方法及系统

Country Status (1)

Country Link
CN (1) CN111368933A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924813A (zh) * 2021-01-28 2021-06-08 国网浙江省电力有限公司绍兴供电公司 基于电气数据的配电网短路故障监控方法及装置
CN115684760A (zh) * 2022-08-24 2023-02-03 深圳供电局有限公司 一种电容器故障识别方法及相关装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924813A (zh) * 2021-01-28 2021-06-08 国网浙江省电力有限公司绍兴供电公司 基于电气数据的配电网短路故障监控方法及装置
CN115684760A (zh) * 2022-08-24 2023-02-03 深圳供电局有限公司 一种电容器故障识别方法及相关装置
CN115684760B (zh) * 2022-08-24 2026-02-03 深圳供电局有限公司 一种电容器故障识别方法及相关装置

Similar Documents

Publication Publication Date Title
Tong et al. Detection and classification of transmission line transient faults based on graph convolutional neural network
Soltani et al. Simultaneous robust state estimation, topology error processing, and outage detection for unbalanced distribution systems
CN110943453B (zh) 面向迁移学习的电力系统故障样本生成和模型构建方法
CN108667005B (zh) 一种计及新能源影响的电网静动态结合脆弱性评估方法
CN108732528A (zh) 一种基于深度置信网络的数字化电能表故障诊断方法
CN111679158A (zh) 基于同步量测数据相似度的配电网故障辨识方法
Yang et al. Monitoring data factorization of high renewable energy penetrated grids for probabilistic static voltage stability assessment
Wang et al. An identification method for anomaly types of active distribution network based on data mining
CN114186849B (zh) 一种计及二次系统影响的电力系统连锁故障风险评估方法及其系统
CN112749744B (zh) 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统
CN109635430B (zh) 电网输电线路暂态信号监测方法和系统
CN111190121A (zh) 基于序分量的含分布式电源配电网故障分类方法及系统
Shahriyari et al. A novel fast transient stability assessment of power systems using fault-on trajectory
CN105656036B (zh) 考虑潮流和灵敏度一致性等值的概率静态安全分析方法
CN111585277B (zh) 一种基于混合集成模型的电力系统动态安全评估方法
Qu et al. Anomaly-resistant decentralized state estimation under minimum error entropy with fiducial points for wide-area power systems
CN111368933A (zh) 一种基于Softmax回归的配电网暂态过程故障分类方法及系统
Li et al. Machine learning-based fault diagnosis for distribution networks with distributed renewable energy resources
CN110309873B (zh) 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统
Zhang et al. ELM model for power system transient stability assessment
CN120124448B (zh) 一种继电保护仿真系统
Hogan et al. Towards effective clustering techniques for the analysis of electric power grids
Isnaadh et al. Generator coherency identification using a deep learning technique
Ananthan et al. Novel system model‐based fault location approach using dynamic search technique
Wang et al. Data Pre-Processing Method for Distribution Networks Based on the CNN-LSTM Considering the Spatial Properties

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200703