上海交通大学学报, 2024, 58(5): 739-746 doi: 10.16183/j.cnki.jsjtu.2022.317

新型电力系统与综合能源

基于多源数据融合的配电网故障诊断技术

张春梅,, 许兴雀, 刘思麟

广东电网有限责任公司中山供电局,广东 中山 528400

Distribution Network Fault Diagnosis Technology Based on Multi-Source Data Fusion

ZHANG Chunmei,, XU Xingque, LIU Silin

Zhongshan Power Supply Bureau of Guangdong Power Grid Co., Ltd., Zhongshan 528400, Guangdong, China

责任编辑: 王历历

收稿日期: 2022-08-19   修回日期: 2022-11-22   接受日期: 2022-12-30  

Received: 2022-08-19   Revised: 2022-11-22   Accepted: 2022-12-30  

作者简介 About authors

张春梅(1978-),高级工程师,从事数字化建设和管理研究;E-mail:29141592@qq.com.

摘要

如何充分利用已有信息提高配电网故障诊断准确性,为配电网抢修提供精准研判是亟待解决的问题.针对已有配电网故障诊断信息来源单一的问题,提出融合配电网中、低压信息与变电站出线电流信息的配电网故障研判模型.该模型首先针对已有过电流诊断方法难以适用于大规模配电网的问题,分层缩减配电网求解规模,提高故障区段定位速率;然后针对过电流告警信息准确性问题,提出基于开关继电保护事件顺序记录(SOE)数据和变电站出线负荷骤降数据的配电网故障辅助研判手段;最后,总结实际工程中多方位信息数据融合配电网故障研判步骤,为调度人员故障诊断提供借鉴.工程实践证明:所提方法能有效进行故障诊断,对于大规模配电网适应性极强;结合开关动作SOE和遥测电压信息的辅助诊断模型,能满足过电流诊断模型对遥信信息准确性要求高的特点,两者互补性较高,工程实践中具有较好的故障诊断效果.

关键词: 大规模配电网; 多源数据; 故障研判; 遥测; 继电保护

Abstract

How to make full use of existing information to improve the accuracy of fault diagnosis in distribution networks, and provide accurate research and judgement for emergency repair of distribution networks, is an urgent problem to be solved. To address the problem of the single source of fault diagnosis information in existing distribution networks, a fault diagnosis model of distribution network is proposed which integrates the medium and low voltage information of the distribution networks and the outgoing current information of the substation. The model first applies the existing overcurrent diagnosis method to the problem of large-scale distribution network, and adopts hierarchical reduction of the size of the distribution networks to improve the location speed of fault section. Then, in view of the accuracy of overcurrent alarm information, an auxiliary fault judgment method for distribution networks based on switch relay protection sequence of events (SOE) data and substation outgoing load sag data is proposed. Finally, the steps for fault diagnosis in distribution networks of multi-directional information and data fusion in practical engineering are summarized, which provides reference for fault diagnosis of dispatchers. Engineering practice proves that the method proposed in this paper can effectively diagnose faults and is very adaptable to large-scale distribution networks. The auxiliary diagnosis model combining switch operation SOE and telemetering voltage information can compensate for the accuracy requirements of the overcurrent diagnosis model for remote communication information, which is complementary to each other and has a good engineering value.

Keywords: large scale distribution network; multi source data; fault diagnosis; telemetry; relay protection

PDF (1475KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

张春梅, 许兴雀, 刘思麟. 基于多源数据融合的配电网故障诊断技术[J]. 上海交通大学学报, 2024, 58(5): 739-746 doi:10.16183/j.cnki.jsjtu.2022.317

ZHANG Chunmei, XU Xingque, LIU Silin. Distribution Network Fault Diagnosis Technology Based on Multi-Source Data Fusion[J]. Journal of Shanghai Jiaotong University, 2024, 58(5): 739-746 doi:10.16183/j.cnki.jsjtu.2022.317

配电网呈现辐射状,具有线路开关密、分支多特点[1],加之建设过程中继电保护装置简单[2]、可靠性低,使得调度人员对现场故障识别与判断困难.随着配电自动化推进,海量终端设备对配电网电气信息进行采集,通过无线通信方式[3]上传主站,为调度人员了解配电网现场情况提供新的可能.但是无线通信稳定性差的问题一直未能得到解决,调度端有海量信息[4]且信息畸变现象严重[5],调度人员难以直接使用这些信息.因此,如何提取调度端海量报文之间关联,正确使用上述信息提高配电网故障研判准确性具有较大的实际意义.

目前配电网故障诊断方法主要包括两类.一类是矩阵法[6-7],即构建配电网故障区段矩阵,提取矩阵故障要素对配电网实行研判.该类方法对配电网信息准确性要求高,一旦出线终端关键故障信息丢失情况,则难以适用.另一类方法主要是利用人工智能算法[8-10]模拟故障区段,进而推断出模拟故障情况下的开关信息,使得该开关信息与实际情况最贴近,则认定算法模拟的故障为实际故障.该类方法具有一定容错性,但是随着配电网开关数目增加,智能算法易陷入维数灾难,进而求解效率低下,甚至求解失败.此外,上述两类方法单纯利用配电网终端采集故障电流告警信息,未能充分提取已有系统各类信息价值.

随着营配系统贯通,配电网故障研判从单一故障信息下算法优化问题转变为海量数据挖掘问题.文献[11]中在过电流信息进行故障诊断基础上,采用用电调度系统信息辅助校核分区,提高定位容错性;文献[12]中考虑低压侧用户信息,进一步提高定位精度;文献[13]中针对自动化改造不完全区域,提出自动化终端信息、故障指示器信息及停电事件信息融合模型,对未完全自动化改造区域故障定位展开研究;文献[14]中针对多源异构信息故障诊断提出大数据架构及诊断策略.上述方法均从一定程度上解决了配电网信息丢失与畸变问题,但是信息利用程度较低,采用融合手段以人为判断为主,智能化程度不高,对于调度人员实际指导意义不大.

事实上,配电网故障信息有明显的层次特征.发生故障后,故障点的电流、电压等电气信息会发生明显改变;此外继电保护设备动作时,会上传相关事件顺序记录(SOE)信息给主站系统.因此,调度端蕴藏海量故障信息,相关信息之间具有一定关联性.调度人员若能就其进行深入挖掘,能为故障研判提供进一步支撑.对此构建多源数据融合的配电网故障诊断模型:首先,考虑过电流信息内在联系,将大规模配电网分层处理,提出基于过电流信息大规模配电网故障诊断方法;其次,针对过电流信息畸变问题,充分考虑终端继电保护SOE信息之间关联,利用系统继电保护SOE信息与变电站出线电压遥测信息辅助故障诊断;最后,提出多源信息融合故障定位工程实际步骤,多方位确保故障诊断正确性.

1 大规模配电网故障区段诊断方法

过电流告警信息指配电网发生故障时,故障点至变电站出线之间开关因流过故障电流而上传主站系统的告警信息.主站系统利用该告警信息结合配电网实际拓扑进行故障诊断.实际操作过程中,由于遥信信息畸变率较高,一般在主站采用智能算法进行容错.

假设配电网开关个数为n,其对应智能算法自变量维度为n,存在2n个解.随着n增大,算法极易陷入维数灾难,难以高效求解,针对上述问题现有研究策略主要是改进算法.但根据“无免费午餐定律”[15]:算法效率与准确性之间矛盾永恒存在,单纯改进智能算法在实际工程中效果不佳.因此,针对大规模配电网维数灾难问题,改进求解模型,提出适用于大规模配电网的分层模型,提高效率的同时保持算法准确性.

1.1 基于过电流信息的故障区段诊断基础模型

故障诊断基础模型一般包括开关函数模型和评价函数模型.

开关函数模型主要用于搭建馈线区段与开关过电流信息之间的桥梁.典型开关模型如下:

Ij*(s)= Iju*(s)- Ijd*(s)

式中:

Iju*(s)= uM'1-j,susj,suj,dNsj,d
Ijd*(s)= dN'1-j,sdsj,sdj,uMsj,u

Ij*(s)为开关函数;Iju*(s)、Ijd*(s)分别为从节点j至变电站出线断路器上游开关函数和节点j至负荷(DG)下游开关函数;sj,susj,sd为对应区段状态,1表示故障,0表示正常;su为变电站出线断路器,即主电源;sj为负荷/分布式DG;sdsj下游负荷;sj,dsj,u分别为节点j至下游负荷、变电站出线断路器的对应区段状态;M'N'为上、下游电源个数;MN为上、下游区段个数.

图1所示简单配电网为例,假设L4区段发生故障,区段编码为[0 0 0 1 0 0],则开关1告警期望为

I1u*(s)=(1-0) j=16sj=1
I1d*(s)=(1-s1s2s3s6)(1-s1s2s3s4)0=0
I1*(s)= I1u*(s)- I1d*(s)=1-0=1

图1

图1   简单辐射状配电网

Fig.1   Simple radial distribution network


根据式(1)~(3),得到对应开关故障告警期望编码为[1 1 1 1 0 -1].

评价函数主要用于评价假设故障区段对应开关信息与实际开关信息之间的相似度,即越相似则认为假设故障区段为实际故障.因此,典型适应度函数如下:

f(x)= i=1nZi-Zi*+w k=1mx(k)

式中:m为区间数;Zi为各开关设备期望的状态值;Zi*为各开关设备实际上传的状态值;x(k)为区段值;w为权系数,其取值为0.5.式(7)右侧分为两部分:前一项用以评价相似程度;后一项为故障区间的状态值,体现故障诊断理论中的“最小集”.

图1为例,当实际故障区段向量为[0 0 0 1 0 0]时,若不考虑故障告警信息丢失与畸变,则主站接受过电流告警信息为[1 1 1 1 0 -1];当智能算法假设故障区段为[0 0 0 1 0 0]时,此时评价函数出现全局最小值,为0.5,则认为假设故障区段L4为实际故障区段,诊断结束.

1.2 大规模辐射状配电网分层方法

随着配电网规模增长,网内开关数目大幅增加,导致智能算法陷入维数灾难.相关学者研究发现:当配电网开关数目增长到一定程度[16],其运算速率会急剧下降,运算准确性也难以保证.因此需要另行处理.

图1所示配电网分支2中L5故障与L4故障时,对应分支1、2的上开关1、2、3均会流过故障电流.换言之,分支2中单点故障、多点故障对外影响一致.因此,采取“对外等效”方式,可将分支2等效为一个节点.

同理可得分支3具有同样性质.因此,图1中配电网可等效为图2所示.

图2

图2   配电网分层等效模型

Fig.2   Hierarchical equivalent model of distribution network


此时在图2配电网中,分支2、3可视为2个等效开关,其内部任意故障对分支1中开关故障期望影响一致.然后再对分层等效模型进行智能算法寻优,找寻故障分支.如果通过智能算法发现故障在分支1中,即输出故障结果.若故障在分支2、3中,则针对分支2、3进一步诊断即可定位.

2 多源信息辅助研判

第1节所提适用于大规模配电网的过电流信息诊断方法的准确性依赖于配电网过电流告警信息.实际上,过电流告警信息属于遥信数据,在无线通信情况下准确性不高.因此,针对过电流遥信信息准确性不满足要求的情况,要充分利用已有其他数据进行辅助研判.

目前,自动化改造区域的开关大多采用三段式电流保护.采用三段式电流保护能有效隔离故障,并把动作SOE上传主站.因此,三段式电流保护动作SOE时序潜藏着故障区域信息.此外,SOE信息准确性远高于过电流告警,因此先建立三段式电流保护动作SOE模型辅助故障研判.

对于终端不在线,即开关所有数据均无法上传主站的情况,考虑配电变压器均装设计量装置,其遥测数据能实时上传计量系统,利用该遥测数据,分析负载骤降情况,辅助配电网故障研判.

2.1 基于继电保护动作的配电网故障研判

三段式电流保护包括电流速断保护(电流 I 段保护)、限时限速断保护(电流 II 段保护)和定时限过电流保护(电流 III 段保护),其相互配合时间特性如图3所示.图中:I'act为电流速断保护(电流 I 段保护);Iact为限时限速断保护(电流 II 段保护);Ik为故障电流;tPD为电流保护的时间;t为动作时间,上标单撇号、双撇号、三撇号分别代表 I~III 段,下标数字为开关编号;l为距离.

图3

图3   三段式电流保护特性

Fig.3   Feature of three-stage current protection


由图可知,当故障发生在E点时,开关3的 I、II、III 段保护与开关4的 II、III 段保护均能隔离故障,但是由于时限约束,由开关3的 I 段保护跳开故障.

此时,终端会将开关3继电保护 I 段保护动作SOE信息上传至主站,该信息包含动作时间和动作对象.因此认为保护启动时序与故障位置相关.三段式电流保护范围如表1所示.由表可知,一般故障可由本线保护 I 段启动处理.换言之,本线保护 I 段启动,其开关对应区段必然存在故障.此外,若故障逃离本线保护 I 段范围,如G点,可由本线保护 II 段切除.最后,若开关3拒动, 则开关4通过 II、 III 段保护跳开.

表1   三段式电流保护范围

Tab.1  Range of three-stage current protection

保护动作情况故障位置
上级II、III段,本级I、II、III段本级线路上级II段后备保护范围内
上级III段,本级I、II、III段本级线路上级II段后备保护范围外,本级I段范围内
上级III段,本级II、III段本级线路I段保护范围外

新窗口打开| 下载CSV


也就是说,本线保护 I 段动作启动,必然对应开关上游所有开关过电流告警;保护 II 段动作启动,可能是本线远离开关处故障,也可能是下级开关拒动,本线跳开;保护 III 段动作启动,一般情况下对应该开关下游区段可能存在故障.如此一来,利用继电保护动作SOE可以辅助解决过电流告警信息畸变问题,即:

(1) 存在保护 I 段SOE信息的开关及其上游所有开关均过电流告警.

(2) 存在保护 II 段动作,则其开关对应下游第1个开关区段可能故障,即开关对应下游第1个开关拒动;或故障在对应区段保护 I~II 范围,如图3G点故障.具体可对照过电流信息可进一步研判.

(3) 存在保护Ⅲ段动作,则其开关对应下游第1个开关区段故障.由于同时躲避保护 I 段、II 段可能性过小,所以大概率是该开关下游第1个开关拒动.

如此一来,继电保护SOE辅助诊断模型不但可以校正对应开关上游过电流告警信息,提高基于过电流信息故障诊断准确性,保护动作SOE还可以在开关区段范围内进一步提高故障精度,根据保护范围可判断是在EFG点.

2.2 基于负荷骤降的配电网故障研判

配电网故障后,继电保护动作会第一时间切除故障区域,恢复非故障区域供电.此时,配电网对应变电站出线电流骤降.该电流由变电站内电流互感器采集并上传,精度与准确性高.因此考虑利用该电流解决配电网开关通信丢失问题.

一般情况下,当故障隔离后配电网出线处负载会急剧下降,如图4所示.经分析发现该电流下降是由于故障区段对应开关调整,故障区段及其下游负荷从该配电网馈线切除,所以导致出线功率骤降.

图4

图4   故障后配电网出线实时电流情况

Fig.4   Real-time current situation of outgoing lines of distribution networks after fault


若知道负载下降情况及馈线每个开关下游负载情况,则可推断配电网开关跳闸情形.例如对于图1所示配电网,为方便计算,可假设节点1~6负载相等.此时,若故障发生在L2区域,则开关2跳开,开关1不动作,对应变电站出线负载由100%降至1/6,这是因为馈线仅供节点1负载,其他负载均由于开关2跳开而切除.同理可得,当故障发生在 L3~L6区域时,出线负载率分别为 [2/6 4/6 5/6 5/6].

然而,上述方法需要知道每个节点对应配变功率情况.考虑到国家电网和南方电网均已完成计量系统与配电系统的数据贯穿,即计量数据可以实时在配电系统显示,因此每个节点实时数据均可利用配变计量采集装置轻易得出.

此外,针对非故障负荷骤降,即无故障情况下,但大用户因工作停止/换班等自主原因产生的停止用电,考虑到负荷预测技术尤其是大用户负荷预测已成熟,将上述方法与负荷预测数据进行比对,能精准快速区别负荷骤降原因.

通过该方法,能较好地辅助配电网故障诊断,尤其适用于配电网可能故障区域开关通信丢失,导致的相关区域信息盲区问题.

3 配电网综合研判步骤

配电网综合研判以基于过电流信息的配电网故障诊断为主,辅以开关SOE信息校验告警畸变、出线电流骤降数据补全信息丢失.具体步骤见图5.

图5

图5   配电网综合研判流程

Fig.5   Comprehensive research and judgment process of distribution network


4 工程实例

首先对基于过电流信息的大规模配电网诊断模型进行验证,采用常见粒子群算法作为求解智能算法.然后,针对可能存在畸变和丢失情况,以应用后的工程实例进行相关验证.

4.1 大规模配电网故障诊断

首先对IEEE 69节点拓扑进行大规模配电网故障诊断仿真.对该拓扑图进行分层后,如图6所示,A1~A9为分支区域.

图6

图6   IEEE 69节点分层拓扑图

Fig.6   IEEE 69-node hierarchical topology


图6分层可等效为图7所示结构.与图6相比,图7自变量维度由69维降低至17维.此外,不同分支区域可以并行穷举,大大提高定位速率.

图7

图7   分层等效拓扑图

Fig.7   Hierarchical equivalent topology


为了验证图7分层结构,采用该结构与文献[16-17]所示算法进行单点、多点故障.考虑到算法随机性,相同故障重复 1 000 次,统计结果如表2所示.由表可知,由于测试模型IEEE 69节点规模过大,虽然通过算法优化可以一定程度提高故障诊断效率,但是随着规模增大,单纯算法优化难以满足工程需要.而图7分层结构可以有效降低网络规模,从而提高故障诊断效率与准确性.

表2   IEEE 69节点故障诊断统计

Tab.2  Statistics of IEEE 69-node fault diagnosis

算法单点故障多点故障
时间/s准确率/%时间/s准确率/%
本文方法3.671004.07100
膜算法27.8487.3230.9277.62
和声算法78.871.282.268.21

新窗口打开| 下载CSV


4.2 故障综合研判

故障综合研判采用某地区工程运用实例进行说明.其中示例1为结合继电保护动作SOE信息的诊断实例;示例2为结合馈线负荷骤降的诊断实例.

示例1 某实际配电自动化改造线路如图8所示.采用故障重现方式进行分析.某日开关24后发生故障,开关均在线.主站出线开关1、2、3、4、16、22故障告警.同时主站SOE出现开关24保护 I 段动作.采用所提方法可以得知开关24上游所有开关均出现过电流告警,即过电流信息为 [1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0].然后将上述信息结合所提分层诊断方法,迅速定位故障为开关24下游馈线,与实际情况一致.

图8

图8   某地区A实际线路化简图

Fig.8   A simplified diagram of the actual circuit in a certain city A


后期现场人员排查信息畸变开关5、6、17、21发现:开关5、6为同一环网柜两个分支开关;17、21为同一环网柜两个分支开关.上述环网柜所处电磁环境较恶劣,旁边有运营商基站,导致过电流告警信息畸变率高,未成功告警;开关24遥信变位信号发死,恒定为0.如若未采用所提补充信息方法进行辅助诊断,极易产生错误诊断.而所提方法为故障研判提供新思路,可操作性强,具有一定的实际意义.

示例2图9为某条实际线路简化图,CB1~3和SB1~5均为开关.某日凌晨发生故障,但是开关CB3离线,即其“三遥”信息无法上传主站.此时,主站接受到的开关CB1、CB2、CB3的过电流信息为[1 1 *],其中*表示离线.按照过电流信息诊断为开关CB2后出线故障.

图9

图9   某地市B实际线路化简图

Fig.9   A simplified diagram of the actual circuit in a certain city B


考虑到CB3离线,用所提方法对其故障电流告警信息进行补全.故障时刻配变实际负荷与预测负荷统计表如表3所示.故障后,馈线负荷骤降度为 28.6%,与表3中CB3负荷占比为27.40%最接近,则可以初步估算是CB3断开,其后负荷全部切除.如此一来,通过故障时刻负荷骤降可以顺利补全CB3过电流故障信息至1,从而精准定位.

表3   故障时刻实际负荷统计

Tab.3  Actual load statistics at the time of failure

开关编号实际负荷/kW占比/%
SB185.5110.19
SB228.983.56
SB325.233.02
SB41.020.12
CB2486.7760.42
SB5120.8415.08
CB3221.6227.40

新窗口打开| 下载CSV


考虑到随着配电网规模增大,调度人员可先行针对离线开关计算其下游负载占比,然后与负荷骤降情况比对,能迅速补全过电流故障信息,提高定位效率.同时也能为调度人员了解现场故障情况提供多方位信息支持.

5 结语

随着城市化进程,配电网规模日趋增大,大规模配电网故障研判的时效性与准确性受到重视.提出一种适用于大规模配电网故障诊断的分层模型,利用继电保护动作SOE信息校验过电流告警信息,采用负荷骤降数据补全开关不在线电流信息,通过上述辅助手段保证过电流信息准确性,从而提高故障研判能力.实际工程验证了所提方法的可行性.

未来针对海量信息涌入的情况下如何进一步深入挖掘相关信息关联性、辅助调度人员在同一系统无缝切换操作将作进一步研究.

参考文献

LI C B, TANG S W, CAO Y J, et al.

A new stepwise power tariff model and its application for residential consumers in regulated electricity markets

[J]. IEEE Transactions on Power Systems, 2013, 28(1): 300-308.

[本文引用: 1]

LI C B, CAO Y J, ZHANG M, et al.

Hidden benefits of electric vehicles for addressing climate change

[J]. Scientific Reports, 2015, 5: 9213.

DOI:10.1038/srep09213      PMID:25790439      [本文引用: 1]

There is an increasingly hot debate on whether the replacement of conventional vehicles (CVs) by electric vehicles (EVs) should be delayed or accelerated since EVs require higher cost and cause more pollution than CVs in the manufacturing process. Here we reveal two hidden benefits of EVs for addressing climate change to support the imperative acceleration of replacing CVs with EVs. As EVs emit much less heat than CVs within the same mileage, the replacement can mitigate urban heat island effect (UHIE) to reduce the energy consumption of air conditioners, benefitting local and global climates. To demonstrate these effects brought by the replacement of CVs by EVs, we take Beijing, China, as an example. EVs emit only 19.8% of the total heat emitted by CVs per mile. The replacement of CVs by EVs in 2012 could have mitigated the summer heat island intensity (HII) by about 0.946 degrees C, reduced the amount of electricity consumed daily by air conditioners in buildings by 14.44 million kilowatt-hours (kWh), and reduced daily CO2 emissions by 10,686 tonnes.

林君豪, 张焰, 赵腾, .

基于改进卷积神经网络拓扑特征挖掘的配电网结构坚强性评估方法

[J]. 中国电机工程学报, 2019, 39(1): 84-96.

[本文引用: 1]

LIN Junhao, ZHANG Yan, ZHAO Teng, et al.

Structure strength assessment method of distribution network based on improved convolution neural network and network topology feature mining

[J]. Proceedings of the CSEE, 2019, 39(1): 84-96.

[本文引用: 1]

刘健, 张志华, 芮骏, .

基于限流级差配合的城市配电网高选择性继电保护方案

[J]. 电力系统自动化, 2019, 43(5): 101-106.

[本文引用: 1]

LIU Jian, ZHANG Zhihua, RUI Jun, et al.

Highly selective relay protection scheme for urban distribution network based on current limiting difference

[J]. Automation of Electric Power Systems, 2019, 43(5): 101-106.

[本文引用: 1]

张建雨, 姜睿智, 李俊刚, .

基于5G通信的配电网差动保护技术研究

[J]. 电力系统保护与控制, 2021, 49(7): 17-23.

[本文引用: 1]

ZHANG Jianyu, JIANG Ruizhi, LI Jungang, et al.

Research on differential protection of a distribution network based on 5G communication

[J]. Power System Protection & Control, 2021, 49(7): 17-23.

[本文引用: 1]

屈志坚, 范明明, 周锐霖, .

海量配电网调度监测信息的非主行键倒排索引查询技术

[J]. 电力系统保护与控制, 2018, 46(23): 162-168.

[本文引用: 1]

QU Zhijian, FAN Mingming, ZHOU Ruilin, et al.

Inverted index query technique of non-primary key for mass dispatch and monitoring information of distribution network

[J]. Power System Protection & Control, 2018, 46(23): 162-168.

[本文引用: 1]

郑涛, 马龙, 李博文.

基于馈线终端装置信息畸变校正的有源配电网故障区段定位

[J]. 电网技术, 2021, 45(10): 3926-3934.

[本文引用: 1]

ZHENG Tao, MA Long, LI Bowen.

Fault section location of active distribution network based on feeder terminal unit information distortion correction

[J]. Power System Technology, 2021, 45(10): 3926-3934.

[本文引用: 1]

ADEWOLE A C, TZONEVA R, BEHARDIEN S.

Distribution network fault section identification and fault location using wavelet entropy and neural networks

[J]. Applied Soft Computing, 2016, 46: 296-306.

[本文引用: 1]

XU H H.

Fastest adaptive estimation algorithms for topological structure errors in smart grid networks

[J]. Computer Communications, 2020, 160: 197-203.

[本文引用: 1]

苏译, 彭敏放, 朱亮, .

基于信息还原与膜计算的配电网故障定位

[J]. 仪器仪表学报, 2014, 35(12): 2700-2708.

[本文引用: 1]

SU Yi, PENG Minfang, ZHU Liang, et al.

Fault section location for distribution networks based on information restoration and membrane computing

[J]. Chinese Journal of Scientific Instrument, 2014, 35(12): 2700-2708.

[本文引用: 1]

王秋杰, 金涛, 谭洪, .

基于分层模型和智能校验算法的配电网故障定位技术

[J]. 电工技术学报, 2018, 33(22): 5327-5337.

[本文引用: 1]

WANG Qiujie, JIN Tao, TAN Hong, et al.

The technology on fault location of distribution network based on hierarchical model and intelligent checking algorithm

[J]. Transactions of China Electrotechnical Society, 2018, 33(22): 5327-5337.

[本文引用: 1]

吉兴全, 张朔, 张玉敏, .

基于IELM算法的配电网故障区段定位

[J]. 电力系统自动化, 2021, 45(22): 157-166.

[本文引用: 1]

JI Xingquan, ZHANG Shuo, ZHANG Yumin, et al.

Fault section location for distribution network based on improved electromagnetism-like mechanism algorithm

[J]. Automation of Electric Power Systems, 2021, 45(22): 157-166.

[本文引用: 1]

程云祥, 李阳, 卢芳, .

多源信息辅助分区的主动配电网故障区段定位

[J]. 电力系统保护与控制, 2020, 48(17): 147-154.

[本文引用: 1]

CHENG Yunxiang, LI Yang, LU Fang, et al.

Fault-section location for active distribution networks assisted by multi-source information

[J]. Power System Protection & Control, 2020, 48(17): 147-154.

[本文引用: 1]

孙志达, 杨涛, 吴栋萁, .

基于多源信息和遗传算法的配电网故障定位模型

[J]. 智慧电力, 2021, 49(12): 104-110.

[本文引用: 1]

SUN Zhida, YANG Tao, WU Dongqi, et al.

Fault location model for distribution networks based on multi-source information and genetic algorithm

[J]. Smart Power, 2021, 49(12): 104-110.

[本文引用: 1]

汪文达, 张伟.

基于多源非健全信息融合的配电网主动故障研判方法

[J]. 电气传动, 2021, 51(12): 47-51.

[本文引用: 1]

WANG Wenda, ZHANG Wei.

Active fault diagnosis method for distribution network based on multi-source imperfect information fusion

[J]. Electric Drive, 2021, 51(12): 47-51.

[本文引用: 1]

马洲俊, 樊飞龙, 王勇, .

基于多源异构数据的配电网故障信息挖掘与诊断

[J]. 供用电, 2018, 35(8): 31-39.

[本文引用: 2]

MA Zhoujun, FAN Feilong, WANG Yong, et al.

Distribution network fault information mining and diagnosis based on multi-source heterogeneous data

[J]. Distribution & Utilization, 2018, 35(8): 31-39.

[本文引用: 2]

崔建双, 车梦然.

基于多分类支持向量机的优化算法智能推荐系统与实证分析

[J]. 计算机工程与科学, 2019, 41(1): 153-160.

[本文引用: 1]

CUI Jianshuang, CHE Mengran.

An intelligent recommendation system for optimization algorithms based on multi-classification support vector machine and its empirical analysis

[J]. Computer Engineering & Science, 2019, 41(1): 153-160.

[本文引用: 1]

/