基于灰色聚類的配網(wǎng)線路跳閘信息快速采集方法

張明 符瑜科 鄧巽江 陳汝佳 朱傳譜 曾穎霓

摘 要： 為提高對(duì)配網(wǎng)線路跳閘故障的分析質(zhì)量，提出以灰度聚類為核心的配網(wǎng)線路跳閘信息快速采集方法。根據(jù)配電網(wǎng)內(nèi)電力節(jié)點(diǎn)分布情況，應(yīng)用電網(wǎng)支路完全可觀原理，合理布置跳閘信息采集點(diǎn)。通過(guò)OPC協(xié)議和異構(gòu)通信網(wǎng)絡(luò)，實(shí)現(xiàn)配網(wǎng)線路運(yùn)行變量信息的抽取與傳輸，結(jié)合傳輸信息的時(shí)空特征構(gòu)造面板數(shù)據(jù)。利用灰色關(guān)聯(lián)聚類算法，提取信息的時(shí)空維度特性，并基于特征權(quán)重因子確定聚類中心，將所有采集信息聚為多個(gè)類，再與標(biāo)準(zhǔn)的跳閘信息特征相匹配，快速篩選出最為貼近的一類信息，作為跳閘信息采集結(jié)果。結(jié)果表明：當(dāng)所提方法采集跳閘信息量達(dá)到3 000條時(shí)，其信息冗余度僅為4.52%，符合跳閘信息采集要求。

關(guān)鍵詞： 灰色聚類；電網(wǎng)；跳閘信息；特征提??；信息采集；面板數(shù)據(jù)

中圖分類號(hào)： TM7；TP392

文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)： 1001-5922（2023）08-0175-05

A fast method for collecting trip information of distribution network based on grey clustering

ZHANG Ming1 ，F(xiàn)U Yuke1 ，DENG Xunjiang2 ，CHEN Rujia3 ，ZHU Chuanpu1 ，ZENG Yingni1

（1.Hainan Power Grid Co.，Ltd.，Haikou 570203，China ）

（2.Danzhou Power Supply Bureau of Hainan Power Grid Co.，Ltd.，Danzhou 571700，Hainan China ）

（3.Jieyang Power Supply Bureau of Guangdong Power Grid Co.，Ltd.，Jieyang 522000，Guangdong China ）

Abstract： In order to improve the analysis quality of distribution network line trip fault，a fast acquisition method of distribution network line trip information based on gray clustering is proposed.According to the distribution of power nodes in the distribution network，the trip information collection points should be reasonably arranged based on the principle of complete observability of grid branches.Through OPC protocol and heterogeneous communication network，the extraction and transmission of distribution network line operation variable information was realized，and the panel data was constructed based on the space-time characteristics of transmission information.The gray correlation clustering algorithm was used to extract the spatio-temporal dimension characteristics of information，and determined the clustering center based on the feature weight factor.All collected information was grouped into multiple classes，and then matched with the standard tripping information features to quickly screen the closest class of information as the tripping information collection result.The simulation results showed that when the amount of trip information collected by the proposed method reached 3 000，the information redundancy was only 4.52%，which meets the requirements of trip information collection.

Key words： grey clustering;power grid;trip information;feature extraction;information collection;panel data

目前，針對(duì)跳閘信息的采集方案較少，通常是針對(duì)用電信息展開(kāi)采集，根據(jù)采集結(jié)果預(yù)測(cè)跳閘故障。如文獻(xiàn)[1]中設(shè)計(jì)了一種線路跳閘故障預(yù)測(cè)方法，該方法利用改進(jìn)的堆棧Informer網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)驅(qū)動(dòng)，通過(guò)構(gòu)建堆疊Informer網(wǎng)絡(luò)提取線路長(zhǎng)序列時(shí)間序列數(shù)據(jù)的底層特征，再通過(guò)網(wǎng)絡(luò)訓(xùn)練預(yù)測(cè)線路跳閘故障序列。該方法是針對(duì)線路時(shí)間序列進(jìn)行采集和提取，然后對(duì)跳閘故障展開(kāi)預(yù)測(cè)。文獻(xiàn)[2]中將光纖技術(shù)應(yīng)用于電能信息采集通訊模塊中，自上而下的對(duì)采集終端和電能信息采集通訊模塊中的主站進(jìn)行時(shí)間同步處理，建立完整的電能信息采集通訊模塊，實(shí)時(shí)獲取目標(biāo)信息。文獻(xiàn)[3]中結(jié)合了分布式架構(gòu)、異步網(wǎng)絡(luò)和并行計(jì)算技術(shù)，設(shè)計(jì)了一種高頻具有高頻實(shí)時(shí)采集特征的主站系統(tǒng)，用于實(shí)時(shí)信息采集用電信息。文獻(xiàn)[4]中以云平臺(tái)為基礎(chǔ)，結(jié)合設(shè)備采集終端配置需求，為電力計(jì)量數(shù)據(jù)的采集和分析提供支撐。

為此，本文提出將灰色聚類方法融入到信息采集過(guò)程中，通過(guò)分析實(shí)時(shí)抽取的線路信息的特征，將跳閘信息快速、準(zhǔn)確地采集出來(lái)。

1 方法設(shè)計(jì)

1.1 布置配網(wǎng)線路跳閘信息采集點(diǎn)

跳閘信息是包含在實(shí)時(shí)配網(wǎng)線路運(yùn)行信息之中的，為了避免采集的跳閘信息不完整，文中引入電網(wǎng)支路完全可觀原理，分析當(dāng)前配網(wǎng)線路的最優(yōu)信息采集點(diǎn)布置方案，通過(guò)信息采集結(jié)果抽取所有電力線路節(jié)點(diǎn)的電壓、電流等信息。實(shí)際采集點(diǎn)布置過(guò)程中，需要了解配電網(wǎng)內(nèi)電力節(jié)點(diǎn)數(shù)量和分布情況，結(jié)合數(shù)值分析原理，定義電網(wǎng)量測(cè)模型為：

α=Qs+d ??（1）

式中： α 表示線路電壓觀測(cè)值； Q 表示雅克比矩陣； s 表示配網(wǎng)線路節(jié)點(diǎn)電壓狀態(tài)； d 表示量測(cè)誤差。倘若雅克比矩陣符合滿秩條件，通過(guò)式（1）可以客觀的求解出配網(wǎng)線路內(nèi)包含的所有電壓狀態(tài)變量。

由于當(dāng)前配網(wǎng)線路越來(lái)越復(fù)雜，為了得到更加真實(shí)、全面的跳閘信息，文中提出以支路可觀為基礎(chǔ)的信息采集點(diǎn)布置模型：

F= min ∑ m j=1 X jA m×1X m×1≥C m×1 ????（2）

式中： F 表示跳閘采集點(diǎn)布置模型； X j 表示第 j 個(gè)信息采集點(diǎn)的信息向量； m 表示配網(wǎng)線路中電力節(jié)點(diǎn)數(shù)量； A 表示網(wǎng)絡(luò)描述矩陣； C 表示支路完全可觀性矩陣。

同時(shí)，在上述信息采集點(diǎn)布置模型求解過(guò)程中，需要根據(jù)當(dāng)前配電網(wǎng)絡(luò)線路的組成結(jié)構(gòu)，添加約束條件，形成如下所示的跳閘信息采集點(diǎn)布置優(yōu)化模型：

F= （Qs+d）α A m×1 ?min ∑ m j=1 d j ??（3）

在式（3）所示的優(yōu)化模型求解后，確定合理的配網(wǎng)線路信息采集點(diǎn)布置方案，進(jìn)行后續(xù)線路跳閘信息采集處理。

1.2 線路運(yùn)行信息的抽取與傳輸

結(jié)合微軟對(duì)象連接與嵌入技術(shù)（OLE）、組件對(duì)象模型（COM）、分布式組件對(duì)象模型（DCOM），建立OPC（用于控制過(guò)程的對(duì)象連接與嵌入）協(xié)議，在每個(gè)信息采集點(diǎn)抽取當(dāng)前線路運(yùn)行信息。配網(wǎng)線路運(yùn)行信息抽取過(guò)程中，OLE的實(shí)現(xiàn)需要依托于3個(gè)自動(dòng)化標(biāo)準(zhǔn)接口，分別負(fù)責(zé)獲取線路運(yùn)行信息、存儲(chǔ)整體抽取信息和分類存儲(chǔ)抽取信息。

實(shí)際操作過(guò)程中，設(shè)置OPC客戶端為現(xiàn)場(chǎng)采樣信息傳輸服務(wù)器，將OPC協(xié)議直接應(yīng)用到視窗控制中心（WinCC）服務(wù)器內(nèi)，搜索全部變量狀態(tài)信息，作為抽取的配網(wǎng)線路運(yùn)行信息，形成信息數(shù)據(jù)庫(kù)[5]。數(shù)據(jù)轉(zhuǎn)存模式如圖1所示。

按照上述信息采樣和轉(zhuǎn)存模式，抽取配網(wǎng)線路實(shí)時(shí)運(yùn)行狀態(tài)信息后，需要進(jìn)行全部信息的通信。異構(gòu)網(wǎng)絡(luò)的普及極大地提高了移動(dòng)通信技術(shù)的性能[6]，文中結(jié)合采樣點(diǎn)分布密度，搭建合適的異構(gòu)通信網(wǎng)絡(luò)，用以實(shí)現(xiàn)現(xiàn)場(chǎng)抽取信息的傳輸?？紤]到當(dāng)前配電網(wǎng)絡(luò)線路組成復(fù)雜，實(shí)時(shí)抽取的信息量極大，為了保證所有信息有序通過(guò)異構(gòu)網(wǎng)絡(luò)傳輸，文中引入了一種新的高效通信和隱私保護(hù)框架，稱為擁擠信息獲取（CIA）[7]，在此基礎(chǔ)上維護(hù)信息傳輸順序。

此外，在線路運(yùn)行信息傳輸過(guò)程中，還需要對(duì)信息進(jìn)行有效的壓縮處理。在確定異構(gòu)通信網(wǎng)絡(luò)的基礎(chǔ)通信性能后，提出了一種線性網(wǎng)絡(luò)系統(tǒng)通信性能的新度量，即信息增益[8]。在網(wǎng)絡(luò)鄰接矩陣的影響下，分析信息增益度量的變化情況，根據(jù)信息增益的上限和下限，確定該通信網(wǎng)絡(luò)的信息傳輸性能?；诖耍_定數(shù)據(jù)壓縮的約束條件，本文重點(diǎn)介紹了霧計(jì)算的聯(lián)合優(yōu)化研究[9]，應(yīng)用聯(lián)合計(jì)算卸載、能量收集等算法，構(gòu)建數(shù)據(jù)壓縮相關(guān)模型。按照霧計(jì)算的方式計(jì)算信息壓縮成本，以最小壓縮成本為目標(biāo)確定最優(yōu)控制策略，簡(jiǎn)化上文抽取的線路運(yùn)行信息，將其快速傳輸至后臺(tái)，進(jìn)行跳閘信息的篩選和采集。

1.3 構(gòu)造配電線路面板數(shù)據(jù)

為了從配網(wǎng)線路運(yùn)行信息中準(zhǔn)確選擇出跳閘信息，文中提出將傳輸?shù)降男畔⑥D(zhuǎn)換為面板數(shù)據(jù)，也可以稱之為時(shí)間序列截面數(shù)據(jù)，其可以將原始信息的時(shí)間和截面空間上的特點(diǎn)描述出來(lái)，便于刻畫配網(wǎng)線路運(yùn)行信息的復(fù)雜的時(shí)空維度特性。正常情況下，面板數(shù)據(jù)模型可以表示為：

y ot=η ot+∑ L l=1 θ lotx lot+λ ot ??（4）

式中： o 表示采集信息個(gè)體； t 表示時(shí)間； l 表示解釋變量的個(gè)數(shù)； L 表示解釋變量集； x 表示解釋變量； y 表示被解釋變量； η 表示截距項(xiàng)； θ 表示待估計(jì)系數(shù)； λ 表示隨機(jī)誤差項(xiàng)。

考慮到傳輸至調(diào)度中心的采樣數(shù)據(jù)，來(lái)自不同位置的信息采集點(diǎn)，這就是橫截面數(shù)據(jù)。同時(shí)，根據(jù)信息采樣順序，從時(shí)間上入手定義時(shí)序數(shù)據(jù)。這兩方面的特性結(jié)合起來(lái)，可以形成標(biāo)準(zhǔn)的面板數(shù)據(jù)，直觀表現(xiàn)出每條采樣信息的特征。為了保證面板數(shù)據(jù)的平穩(wěn)性和均衡性。文中對(duì)面板數(shù)據(jù)的分析常用3個(gè)步驟：?jiǎn)挝桓鶛z驗(yàn)[10]、協(xié)整檢驗(yàn)和回歸分析參數(shù)估計(jì)。當(dāng)部分面板數(shù)據(jù)符合單位根檢驗(yàn)要求后，表明當(dāng)前信息序列屬于非平穩(wěn)序列，但這些信息之間又存在互相制衡的關(guān)系，表明基于抽取的線路運(yùn)行信息構(gòu)造的面板數(shù)據(jù)符合要求。

1.4 基于灰色聚類實(shí)現(xiàn)跳閘信息快速采集

將面板數(shù)據(jù)投射為空間四面體網(wǎng)格[11-12]，對(duì)其進(jìn)一步分析可知，提取采樣信息中包含的電壓幅值、有功功率等基礎(chǔ)特征。針對(duì)面板數(shù)據(jù)的高維度性，歸納部分特征組成原始特征集，與跳閘信息的典型特征相匹配，聚類得到所有符合要求的特征信息，并將其對(duì)應(yīng)的信息快速采集出來(lái)，再分析不同特征量之間的灰色關(guān)聯(lián)度，剔除部分關(guān)聯(lián)度較低的數(shù)據(jù)，得到跳閘信息采集結(jié)果[13-14]。

灰色聚類方法，作為衡量因素間關(guān)聯(lián)程度的一種方法[15]，可以輔助跳閘信息采集。其中，信息特征量可以定義為如下特征序列：

ψ 1=（I 1（1），I 1（2），I 1（3），…，I 1（n））ψ 2=（I 2（1），I 2（2），I 2（3），…，I 2（n））…ψ r=（I r（1），I r（2），I r（3），…，I r（n）） ?????（5）

式中： I 表示配網(wǎng)線路采集信息的基礎(chǔ)特征； n 表示信息采集點(diǎn)總數(shù)量； ψ 表示特征序列； r 表示特征序列總數(shù)量。

結(jié)合規(guī)范性等原則[16]，定義灰色關(guān)聯(lián)度計(jì)算公式為：

ε=0.5× ?min ?u ?min ?k ?I 1（k）-I u（k） +σ max ?u ?max ?k ?I 1（k）-I u（k） ??I 1（k）-I u（k） +σ max ?u ?max ?k ?I 1（k）-I u（k） ????（6）

式中： ε 表示2個(gè)隨機(jī)選擇的特征序列之間的灰色關(guān)聯(lián)度； u 表示特征序列； k 表示觀測(cè)對(duì)象； σ 表示分布系數(shù)。

對(duì)于任意一個(gè)特征序列來(lái)說(shuō)，可以將其長(zhǎng)度表示為以下數(shù)學(xué)公式：

p u=∫n 1（ψ u-I u（1）） ??（7）

式中： p 表示特征量序列的長(zhǎng)度。需要注意的是，如果選定的特征序列屬于單調(diào)遞增序列，式（7）計(jì)算結(jié)果將會(huì)大于0，而選定的特征序列為單調(diào)遞減序列時(shí)，可以確定式（7）計(jì)算結(jié)果會(huì)大于0。

倘若選定的2個(gè)信息特征序列長(zhǎng)度完全一致，可以將二者之間的灰色絕對(duì)關(guān)聯(lián)度表示為：

ε 0u= 1+ p 0 + p u ?1+ p 0 + p u + p u-p 0 ????（8）

根據(jù)灰色絕對(duì)關(guān)聯(lián)度計(jì)算結(jié)果，將抽取的配網(wǎng)線路運(yùn)行信息特征劃分為多個(gè)類別，每個(gè)類別之間區(qū)別較大，選取與標(biāo)準(zhǔn)跳閘信息表現(xiàn)出的特征最為相近的信息聚類類別，作為跳閘信息快速采集結(jié)果。跳閘信息聚類過(guò)程中，需要定義式（9）所示的灰色絕對(duì)關(guān)聯(lián)度矩陣。

rr= ??ε 11 ε 12 … ε 1r0 ε 22 … ε 2r… … … …0 … 0 ε rr ?????（9）

式中： E 表示灰色絕對(duì)關(guān)聯(lián)度矩陣。當(dāng)關(guān)聯(lián)度計(jì)算結(jié)果大于預(yù)先設(shè)定的閾值，表明此2個(gè)特征序列同屬一類，同樣這2個(gè)特征序列對(duì)應(yīng)的配網(wǎng)線路運(yùn)行信息也是一類。經(jīng)過(guò)上述處理，將所有抽取的配網(wǎng)線路信息聚為多類。對(duì)比標(biāo)準(zhǔn)的跳閘信息特征，篩選出與之相近的一類信息，作為跳閘信息采集結(jié)果。

2 仿真實(shí)驗(yàn)

2.1 仿真環(huán)境

為了驗(yàn)證文中研究信息快速采集方法的可行性，文中針對(duì)該方法展開(kāi)仿真實(shí)驗(yàn)。以某條10 kV 配電線路為參考，該配電網(wǎng)共包含48 條分支線路。由于該區(qū)域?qū)儆诘湫偷膹?qiáng)雷區(qū)，近3年內(nèi)常常出現(xiàn)因雷擊而跳閘的情況，每條配網(wǎng)線路的跳閘率統(tǒng)計(jì)結(jié)果如圖2所示。

由圖2可知，不同分支的線路跳閘率存在差異，平均跳閘率統(tǒng)計(jì)結(jié)果為17次/（100 km·a）。

參考10 kV 配電線路的運(yùn)行模式，并定義跳閘率為17次/（100 km·a），在MATLAB環(huán)境下搭建仿真測(cè)試環(huán)境，該線路的負(fù)載工作原理如圖3所示。

考慮到作為參考的配電線路的供電臺(tái)區(qū)屬于環(huán)形迂回結(jié)構(gòu)，本次實(shí)驗(yàn)也按照合理的連接方式，將多個(gè)仿真配網(wǎng)線路連接起來(lái)，形成仿真組網(wǎng)，作用后續(xù)跳閘信息快速采集測(cè)試的基礎(chǔ)。

2.2 跳閘信息快速采集結(jié)果

定義配網(wǎng)線路的信息采集時(shí)間間隔為120 s，停滯時(shí)間為100～150 s，單次采樣時(shí)長(zhǎng)為1 150 s。基于這些信息采集參數(shù)，抽取所有線路運(yùn)行信息。對(duì)這些采集信息進(jìn)行灰色關(guān)聯(lián)度分析，按照?qǐng)D4所示的特征提取流程得到信息基本特征量。

基于圖4所示的特征提取流程，對(duì)所有采集的配網(wǎng)線路信息進(jìn)行處理，確定與跳閘信息采集相關(guān)的5個(gè)基礎(chǔ)特征為相對(duì)功角、發(fā)電機(jī)轉(zhuǎn)速、機(jī)端電壓、機(jī)端電流、機(jī)械功率與有功功率。其中，選取特征的單位根檢驗(yàn)結(jié)果如表1所示。

表1中，“*[KG-*3]*”代表在0.01以下顯著水平，而括號(hào)內(nèi)的數(shù)據(jù)代表假設(shè)成立的可能性。整體來(lái)看，相對(duì)功角、發(fā)電機(jī)轉(zhuǎn)速2項(xiàng)基礎(chǔ)特征的一階差分值序列表現(xiàn)出平穩(wěn)特點(diǎn)，而其他特征的水平值就表現(xiàn)出平穩(wěn)的特點(diǎn)。

基于灰色聚類算法進(jìn)行跳閘信息采集時(shí)，設(shè)置因變量為相對(duì)功角，其他幾項(xiàng)特征均為自變量，進(jìn)行線性回歸分析后，可得到：

ξ ot=E（1） ω[TX-1.92mm] ot t +E（2）υ ot+E（3）H ot+E（4）G ot+E（5）R ot+e ot ??（10）

式中： ξ 表示相對(duì)功角； ω 、υ、H、G、R 分別表示轉(zhuǎn)速、機(jī)端電壓、機(jī)端電流、有功功率和機(jī)械功率； e 表示誤差項(xiàng)。

通過(guò)上述分析，確定作為自變量的5個(gè)基本特征對(duì)攻角的影響程度，從而確定其權(quán)重因子分別為3.811、-4.324、-1.827、-0.534、0.645。在此基礎(chǔ)上，運(yùn)用灰色聚類算法進(jìn)行特征聚類處理，從而將其對(duì)應(yīng)的線路跳閘信息快速整合在一起，完成信息采集處理，最終形成的跳閘信息快速采集結(jié)果。

根據(jù)圖5可知，采用文中設(shè)計(jì)的信息采集方法，可以快速采集配網(wǎng)線路跳閘信息，基于此確定每個(gè)跳閘事件的產(chǎn)生原因，作為后續(xù)跳閘故障處理的基礎(chǔ)。

2.3 采集信息冗余度對(duì)比

以體現(xiàn)本文設(shè)計(jì)采集方法的優(yōu)越性為目標(biāo)，實(shí)驗(yàn)選用基于云平臺(tái)的信息流采集方法、基于分布式技術(shù)的用電信息采集方法作為對(duì)照組，分別在上述仿真環(huán)境下進(jìn)行信息采集實(shí)驗(yàn)，對(duì)比三種方法的信息采集結(jié)果，通過(guò)公式（11）計(jì)算不同方法采集信息的冗余度。

A=1- θ φ ×100 % ???（11）

式中： A 表示信息冗余度； θ 表示有效信息量； φ 表示采集的跳閘信息總量。經(jīng)過(guò)計(jì)算，得到圖5所示的冗余度對(duì)比結(jié)果。

由圖5可知，在采集信息量不斷增長(zhǎng)的情況下，采集結(jié)果中包含的冗余信息也越來(lái)越多；但本文方法采集信息的冗余度明顯低于其他2種方法。當(dāng)采集跳閘信息量達(dá)到3 000條時(shí)所提方法采集配網(wǎng)線路跳閘信息的冗余度為4.52%，相比其他2種方法降低了12.62%、16.46%。綜上所述，應(yīng)用灰色聚類算法快速采集的配網(wǎng)線路跳閘信息，更加符合要求。

3 結(jié)語(yǔ)

配網(wǎng)跳閘信息是線路跳閘故障分析的基礎(chǔ)，本文為了快速獲取有效跳閘信息，提出一種結(jié)合灰色聚類算法的信息快速采集方法。從實(shí)驗(yàn)測(cè)試結(jié)果可以看出，該方法應(yīng)用后，所采集的信息中包含的冗余信息較少，可以在后續(xù)故障分析與處理過(guò)程中發(fā)揮更好的指導(dǎo)作用。

【參考文獻(xiàn)】

［1］ ?GUO L I，LI R Z，JIANG B.A data-driven long time-series electrical line trip fault prediction method using an Improved stacked-Informer network[J].Sensors （Basel，Switzerland），2021，21（13）：4466.

[2] 鄭國(guó)權(quán)，唐悅，劉宣.基于光纖技術(shù)的電能信息采集系統(tǒng)設(shè)計(jì)[J].激光雜志，2020，41（5）：173-177.

[3] 錢奇，閆海峰，唐偉寧，等.基于分布式技術(shù)的用電信息采集主站系統(tǒng)設(shè)計(jì)與應(yīng)用[J].電力系統(tǒng)自動(dòng)化，2021，45（23）：170-178.

[4] ?劉麗娜，周一飛，王韜，等.基于云平臺(tái)的用電計(jì)量采集信息流分析系統(tǒng)[J].電子器件，2021，44（4）：953-958.

[5] 杜炤鑫，謝海寧，宋杰，等.基于圖像處理和深度學(xué)習(xí)的配網(wǎng)跳閘故障識(shí)別方法[J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2020，50（1）：39-48.

[6] 舒征宇，汪俊，許欣慧，等.基于VMD-DTW聚類的配電網(wǎng)故障選線方法研究[J].三峽大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，43（3）：65-71.

[7] 唐波，劉子怡，彭友仙，等.考慮多參數(shù)影響的輸電線路繞擊跳閘率求解算法[J].電瓷避雷器，2020（6）：151-158.

[8] ?史澤兵，丁曉兵，余江，等.基于功角聚類分析的配電網(wǎng)選線保護(hù)方法[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2020，35（3）：29-35.

[9] 劉蓓，尚銀輝，劉絢，等.配電線路跳閘填報(bào)文本智能挖掘方法[J].高電壓技術(shù)，2021，47（2）：445-454.

[10] 羅寧，陳露東，盧嗣斌，等.基于聚類分析和改進(jìn)灰色關(guān)聯(lián)的配電網(wǎng)運(yùn)行可靠性評(píng)價(jià)[J].武漢大學(xué)學(xué)報(bào)（工學(xué)版），2020，53（7）：636-642.

[11] 陳黎麗，王震，郭云川，等.安全數(shù)據(jù)采集代理頑健部署策略研究[J].通信學(xué)報(bào)，2019，40（6）：51-65.

[12] 吳瓊，余文鋮，洪海生，等.基于XGBoost算法的配網(wǎng)臺(tái)區(qū)低壓跳閘概率預(yù)測(cè)[J].中國(guó)電力，2020，53（4）：105-113.

[13] 徐海波，方勇杰，崔曉丹.適用于穩(wěn)控裝置的逆變站送出交流線路故障跳閘判據(jù)[J].電力系統(tǒng)自動(dòng)化，2020，44（9）：151-157.

[14] ?WANG Y X，LIU M Q，BAO Z J，et al.Stacked sparse autoencoder with PCA and SVM for data-based line trip fault diagnosis in power systems[J].Neural Computing and Applications，2019，31（10）：6719-6731.

[15] 張凌浩，張明，嵇文路，等.基于灰色關(guān)聯(lián)理論和BP神經(jīng)網(wǎng)絡(luò)的分布式光伏電站運(yùn)維數(shù)據(jù)虛擬采集方法[J].電力建設(shè)，2021，42（1）：125-131.

[16] ?劉建明，趙子巖，季翔.物聯(lián)網(wǎng)技術(shù)在電力輸配電系統(tǒng)中的研究與應(yīng)用[J].物聯(lián)網(wǎng)學(xué)報(bào)，2018，2（1）：88-102.