一种基于数据驱动的配电变压器运行状态趋势预测方法

    公开(公告)号:CN113393102A

    公开(公告)日:2021-09-14

    申请号:CN202110615550.4

    申请日:2021-06-02

    申请人: 重庆大学

    摘要: 本发明公开一种基于数据驱动的配电变压器运行状态趋势预测方法,主要步骤为:1)构建一套配电变压器运行状态评估指标体系;2)利用层次分析‑德尔菲算法(AHP‑Delphi)计算指标权重值;3)建立配电变压器运行状态实时评估模型;4)利用LSTM‑SVM算法建立指标预测模型;5)将指标预测值输入步骤3配电变压器运行状态实时评估模型中,得到配电变压器运行状态的预测结果。本发明具有较好的通用性和应用性,适用于油浸式配电变压器和干式配电变压器,能够及时反映配电变压器未来运行状态的变化趋势,预测结果能在满足准确性要求的前提下为配电运维管理人员提供辅助决策支撑。

    一种基于图神经网络的配电网故障线路定位方法

    公开(公告)号:CN117347783A

    公开(公告)日:2024-01-05

    申请号:CN202311285589.X

    申请日:2023-10-07

    申请人: 重庆大学

    摘要: 本发明公开了一种基于图神经网络的配电网故障线路定位方法,主要步骤为:1)将配电网抽象为图数据;2)提取图的结构信息和节点的属性信息作为模型的输入;3)利用变分图自编码器(VGAE)对图中的节点特征进行抽象和压缩;4)基于GraphSAGE模型实现配电网故障线路定位。本发明充分挖掘了配电网线路之间的关联关系,能够更加自然地反映现实场景下的配电网运行规律,并且在噪声干扰、高阻接地故障、分布式电源接入等情况下均能准确定位到故障线路区段。预测结果能在满足准确性要求的前提下为配电运维管理人员提供辅助决策支撑。

    一种配电网10kV馈线故障停电预测方法

    公开(公告)号:CN115598459A

    公开(公告)日:2023-01-13

    申请号:CN202110719470.3

    申请日:2021-06-28

    IPC分类号: G01R31/08

    摘要: 本发明公开一种配电网10kV馈线故障停电预测方法,包括以下步骤:1)获取配电网基本数据;2)对配电网基本数据进行预处理;3)对预处理后的配电网基本数据进行特征提取,得到若干特征数据;4)以配电网一条馈线对应的特征数据建立样本数据向量,并集成若干条馈线对应的样本数据向量,建立数据集F;5)对数据集F中的配电网馈线故障停电数据进行数据扩充,并建立数据集F2;6)基于数据集F2,建立RandomCost‑CNN故障停电预测模型;7)获取待预测的配电网馈线数据,并输入到RandomCost‑CNN故障停电预测模型中,从而预测出馈线发生故障停电的概率。本发明的预测结果能在满足准确性要求的前提下为配电网人员提供辅助决策支撑。

    一种基于数据驱动的配电变压器运行状态趋势预测方法

    公开(公告)号:CN113393102B

    公开(公告)日:2022-08-12

    申请号:CN202110615550.4

    申请日:2021-06-02

    申请人: 重庆大学

    摘要: 本发明公开一种基于数据驱动的配电变压器运行状态趋势预测方法,主要步骤为:1)构建一套配电变压器运行状态评估指标体系;2)利用层次分析‑德尔菲算法(AHP‑Delphi)计算指标权重值;3)建立配电变压器运行状态实时评估模型;4)利用LSTM‑SVM算法建立指标预测模型;5)将指标预测值输入步骤3配电变压器运行状态实时评估模型中,得到配电变压器运行状态的预测结果。本发明具有较好的通用性和应用性,适用于油浸式配电变压器和干式配电变压器,能够及时反映配电变压器未来运行状态的变化趋势,预测结果能在满足准确性要求的前提下为配电运维管理人员提供辅助决策支撑。

    一种基于深度学习的多特征融合单相接地故障类型辨识方法

    公开(公告)号:CN114755529A

    公开(公告)日:2022-07-15

    申请号:CN202210355956.8

    申请日:2022-04-06

    申请人: 重庆大学

    摘要: 本发明公开一种基于深度学习的多特征融合单相接地故障类型辨识方法,主要步骤为:1)获取现场故障录波装置采集的故障录波数据;2)进行故障录波数据预处理,并对预处理后的故障录波数据进行基于HHT的时频分解,得到对应的时频信息特征;3)将步骤2处理得到的故障录波数据的时频信息特征构造为初级数据集;4)搭建并训练基础学习器Resnet18,提取数据集中的复杂非线性特征;5)搭建并训练基础学习器LSTM,提取数据集中的时序关联特征;6)将步骤4、5中学习并提取得到的复杂非线性特征和时序关联特征进行拼接融合,构造次级数据集,并结合决策树模型辨识出具体的单相接地故障类型。本发明具有良好的精确度和鲁棒性能,通用性好。适用于包括间歇性弧光接地故障和高阻接地故障在内的多种单相接地故障类型的辨识,辨识结果可为后续制定有针对性的故障处理措施提供可靠依据。