CN101923139A - 一种输电线路单端行波故障测距智能方法 - Google Patents
一种输电线路单端行波故障测距智能方法 Download PDFInfo
- Publication number
- CN101923139A CN101923139A CN201010149567.7A CN201010149567A CN101923139A CN 101923139 A CN101923139 A CN 101923139A CN 201010149567 A CN201010149567 A CN 201010149567A CN 101923139 A CN101923139 A CN 101923139A
- Authority
- CN
- China
- Prior art keywords
- fault
- wave
- neural network
- sample
- line
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 10
- 230000004807 localization Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000008676 import Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000003491 array Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 241000931526 Acer campestre Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000030279 gene silencing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Locating Faults (AREA)
Abstract
本发明是一种输电线路单端行波故障测距智能方法。它将输电线路故障行波前三个波头的极性和时差作为样本属性,采用BP神经网络实现故障测距。输电线路故障,当最短健全线路的长度大于故障线路全长的四分之一且次短健全线路长度大于故障线路全长的二分之一时,保护安装处检测到的前3个波头一定含有至少2个来自故障线路的行波;当上述条件不满足时,用方向行波识别行波是否来自故障线路。选取后2个波头与首波头的时间差,以及其波头极性作为样本属性,训练、测试故障测距神经网络,实现故障距离初测,以此为基础,应用故障距离与波速、传输时间的关系正确辨识第二个行波波头性质,继而求得精确的故障距离。大量仿真结果表明,本发明效果良好。
Description
技术领域
本发明涉及电力系统高压输电线路继电保护技术领域,具体地说是一种输电线路单端行波故障测距智能方法。
背景技术
随着我国各大电力系统的容量和电网区域不断扩大,电网运行管理也更加复杂,电力系统的安全稳定问题日益突出。线路故障后迅速、准确地判断出故障位置,不仅可以减轻巡线负担,及时修复线路,保证可靠供电,而且可以减少因停电造成的综合经济损失。因此快速、准确的故障测距对电力系统安全稳定和经济运行具有十分重要的意义。
输电线路行波故障测距包括单端法和双端法,单端故障测距法较之双端法不需通信通道和信号同步,从而降低了成本和提高了可靠性,故单端法行波故障测距的研究具有很强的现实意义。
单端法行波测距的关键是如何区分第二个行波究竟是故障点反射的行波、对端母线反射的行波还是其它健全线路的反射波。
发明内容
本发明的目的是提供一种输电线路单端行波故障测距智能方法,将输电线路故障行波作为神经网络样本属性,采用BP神经网络实现故障线路测距。
本发明的技术方案为:首先,对各种故障条件仿真建立神经网络样本;其次,对得到的样本数据进行离散小波变换,取电流行波线模分量的前三个波头和时差作为神经网络样本属性;然后对神经网络训练、测试建立测距神经网络模型,利用该模型可以实现故障距离的初测;再次,利用初测结果判断故障发生在保护线路全长的前半段或后半段,若故障发生在前半段则利用式式中lf为故障距离;v为线模行波波速;Δt为故障点反射波和初始行波的时间差,对神经网络属性中的2个时间差分别计算故障距离,将得到的2个故障距离与神经网络输出的故障距离取绝对差值,绝对差值最小的计算距离判定为故障距离。若神经网络预测的故障距离在保护线路后半段,则利用式式中lf为故障距离;v为线模行波波速;Δt为对端母线反射波和初始行波的时间差,对神经网络属性中的2个时间差分别计算故障距离,将得到的2个故障距离与神经网络输出的故障距离取绝对差值,绝对差值最小的计算距离判定为故障距离。理论分析和仿真验证结果表明,本发明有效。
具体步骤如下:
(1)建立输电线路仿真模型,其采样频率为1MHz,对单相接地时各种故障条件仿真建立神经网络输入样本:
①沿线路全程选取故障点,故障距离变化步长为1km;
②故障过渡电阻分别取20Ω、100Ω;
③故障合闸角分别取-70°、0°、70°;
取不同故障条件下的电流经组合后形成测距神经网络的样本数组共600个;
(2)对步骤(1)中得到的样本数据根据下式进行离散小波变换,
(3)选取小波变换后得到的前三个波头的极性和时差作为神经网络样本属性;
(4)输电线路故障测距模型的输出矢量设置为故障点距离母线检测点相对于故障线路总长度的百分比,使输出矢量值范围在[0,1]之间;
(5)选用三层BP神经网络模型,网络拓扑结构为5×12×1,第一层为输入层,选取保护安装处检测到的前三个波头的极性和时差作为神经网络样本属性;第二层为隐含层,节点个数为12,传递函数为tansigmoid;第三层为输出层,传递函数为logsigmoid,训练算法选用自适应学习速度算法,最大训练次数选为10000次,目标函数误差设定为1e-5;
(6)取总样本的80%作为训练样本,剩余的作为验证样本,首先输入已随机划分好的480个训练样本的输入矢量P及其对应的输出矢量T,其中P为480×5维矩阵,T为480×1维矩阵;
(7)将随机选取的480个训练样本输入神经网络进行训练,取120个验证样本对训练好的神经网络进行验证,得到故障测距网络;
(8)将故障数据输入故障测距网络就可以实现对故障位置的初测;
(9)利用初测结果判断故障发生在保护线路全长的前半段或后半段,再利用单端测距公式和式中lf为故障距离;v为线模行波波速;Δt1为故障点反射波和初始行波的时间差;Δt2为对端母线反射波和初始行波的时间差,对神经网络属性中的两个时间差分别计算故障距离,将得到的故障距离与神经网络预测的故障距离取绝对差值,绝对差值最小的计算距离判定为故障距离。
工作原理:
1、行波信号的小波变换
(1)小波变换理论基础
设为一平方可积函数,若其傅里叶变换ψ(ω)满足可容许性条件,即:
式中,t为时间,ω为频谱,
则称满足可容许性条件的函数为一个基本小波,或者小波母函数;
对于任意的函数f(t)的连续小波变换为:
相应的函数f(t)的离散小波变换函数Wf(j,d),可表示为:
(2)信号的小波消噪预处理
小波分解具有自适应的时-频局部化功能,在信号的突变部分,某些小波分量表现幅度大,与噪声在高频部分的均匀表现正好形成明显的对比,因此小波分解能有效地区分信号中的突变部分和噪声,达到消噪预处理的效果。
利用小波分析进行消噪,目前常用的有两种方法:第一种是强制消噪处理方法,第二种是门限消噪处理方法。门限消噪处理方法要根据经验或某种依据设定阀值,对信号小波分解中的最高频系数用阀值处理,即大于阀值的部分保留,低于阀值的系数变为0值,这符合噪声在高频部分均匀密集的特点。该方法通常考虑3个简单的阀值处理法:硬阀值处理,软阀值处理,百分阀值处理。为了取得较理想的消噪效果,本发明采用软阀值消噪方法。
软阀值函数是把信号的绝对值与阀值进行比较,小于或等于阀值变为0,大于阀值的点变为该点值与阀值的差值。软阀值函数可由下式表示:
式中,λ是阀值,x为信号值,sgn(x)为x的符号函数,f(|x|-λ)为取信号的绝对值与阀值的差值函数。
(3)信号的小波变换模极大值
2、故障测距神经网络样本属性的选取
建立如图1的输电线路仿真模型。在输电线路发生故障时,故障产生的电流行波会在故障点及母线之间来回反射,装设于母线处的测距装置接入来自电流互感器二次侧的暂态行波信号,由于母线波阻抗一般低于线路波阻抗,电流行波在母线与故障点都是产生正反射,故故障点反射波与故障初始行波同极性,而故障初始行波脉冲与由故障点反射回来的行波脉冲之间的时间差Δt对应行波在母线与故障点之间往返一趟的时间,可以用来计算故障距离。单端测距算法原理如图2所示。
设故障线路长度为L,波速度为v,故障初始行波与由故障点反射波到达母线的时间分别为ts1和ts2,Δt为ts1和ts2的差值,则故障距离XM为:
如果发生的是远端故障,则来自线路方向的第二个行波波头是来自故障线路对端的反射波,计算出故障距离XM为:
ts1和t′s2分别是故障点起始行波和对端线路反射波到达母线的时间,Δt′为ts1和t′s2的差值。
单端测距的难点是区分保护安装处检测到的第二个行波是健全线路反射波、故障点反射波还是对端母线反射波,本发明讨论不同母线结构时母线处检测到的各个行波波头极性间的关系。
输电线路发生故障,当电流行波到达母线时,其将发生折反射,反射系数α如公式(9)所示.
其中,Z1为入射线路波阻抗;Z2为透射线路波阻抗。
由于母线上通常接有变压器和其他输电线路等电力设备,变压器的波阻抗远大于输电线路波阻抗,所以认为变压器支路在行波分析中等效为开路。这样,母线处的反射系数可简化为母线上总出线数N的函数,如公式(10)所示。
由公式(10)可见:当母线出现数不同时,反射行波的极性也不同。当N=1,即母线上只有一回出线时,α>0,反射行波极性与初始行波极性相同;当N=2,即母线上为一进一出两回出线时,α=0,反射行波不存在;当N≥3,即母线上有三回或三回以上出线时,α<0,反射行波极性与初始行波极性相反。
由单端行波测距原理知,测距需要初始行波和故障点反射波或者对端母线反射波的时刻,由反射系数知行波的极性是行波属性的标识。因此取后2个波头与首波头的时间差及其波头极性作为神经网络样本属性。
3、故障测距神经网络的训练
BP神经网络是一种多层前馈型神经网络,其神经元的传递函数是S型函数,输出量为0到1之间的连续量,它可以实现从输入到输出的任意非线性映射。由于权值的调整采用反向传播学习算法,因此也常称其为BP网络,其算法的流程如图3。应用BP网络进行故障测距,其具体的训练过程如下:
(1)建立如图1的输电线路仿真模型,设该模型的采样频率为1MHz。对以下各种故障条件仿真建立神经网络输入样本:
①沿线路MN全程选取故障点,故障距离变化步长为1km;
②故障过渡电阻分别取20Ω、100Ω;
③故障合闸角分别取-70°、0°、70°
取不同故障条件下的电流经组合后形成测距神经网络的训练样本数据组共600个。
(2)对步骤(1)中得到的样本数据进行小波变换,实现信号消噪,并取信号模极大值。
①信号的小波分解。选择三次B样条小波基函数并确定分解的层数为3层,然后利用公式(5)进行小波分解。
②小波分解高频系数的阀值量化。对各个分解尺度下的高频系数选择一个阀值进行阀值量化处理。根据公式(11)选择阈值λ:
式中:n为采样点个数。
由公式(7)和公式(8)知,单端行波测距,需要初始行波和故障点反射波或者对端母线反射波的时刻,由公式(10)知行波的极性是行波属性的标识。因此取小波变换后的前三个波头到达的时刻及其极性。将后2个波头与首波头的时间差及其波头极性作为神经网络样本属性,由此可以得到输入层的节点数为5。
(3)输电线路故障测距网路的输出矢量为故障点距离母线检测点相对于故障线路总长度的百分比,使输出矢量值范围在[0,1]之间,从而加速神经网络收敛。
(4)神经网络需要将数据划分为训练样本和验证样本两部分,取总样本的80%作为训练样本,剩余的作为验证样本。首先输入已随机划分好的480个训练样本的数据及其输出矢量,即两个矩阵P和T,P为480×5维训练样本输入数据矩阵,T为480×1维训练样本输出数据矩阵。在数据输入之后,需要对矩阵P进行归一化的数据预处理,以方便后续计算。
MATLAB中数据预处理的归一化命令格式为:
[pn,ps]=mapminmax(p,0,1)
[tn,ts]=mapminmax(t,0,1)
其中,pn为归一化处理后的输入样本数据矩阵,其取值范围是[0,1],ps为归一化的规则。tn为归一化处理后的输入样本数据矩阵,其取值范围是[0,1],ts为归一化的规则。
(5)神经元的传递函数反映了神经元输出与其启动状态之间的关系,本发明隐含层和输出层的传递函数分别为logsig函数,即对数sigmoid传递函数,以及purelin函数,即纯线性传递函数。BP神经网络的权值和阈值的调节规则采用的是误差反向传播算法,通常具有收敛速度慢、易陷入局部极小值等缺点。因此,本方法采用matlab神经网络工具箱提供的trainlm快速学习算法,来保证较好的收敛性和稳定性。
(6)利用MATLAB中的newff函数生成BP网络,其格式为:
net=newff(minmax(pn),[12 1],{′tansig′′logsig′},′trainlm′)
minmax(pn)表示输入矩阵中每维输入的最小值和最大值之间的范围;[121]表示隐含层节点数为12,输出层节点数为l;{′tansig′′logsig′}表示隐含层的传递函数为tansig,输出层的传递函数为logsig;′trainlm′表示训练函数为trainlm。
(7)在该网络进行训练之前,需要对一些参数进行定义,并对神经网络的权值和阈值进行随机初始化,以期寻找最优随机权值和阈值矩阵。MATLAB中BP神经网络参数的设置如下:
BP神经网络的最大训练次数为10000次;
BP神经网络误差性能目标为1e-5;
BP神经网络两次显示之间的训练次数为50。
(8)参数设置之后,将随机选取的480个输入变量样本代入神经网络进行训练、验证,得到故障测距网络。
(9)利用神经网络初测结果判断故障发生在保护线路全长的前半段或后半段,再利用单端测距公式(7)或(8)对神经网络属性中的两个时间差分别计算故障距离,将得到的故障距离与神经网络预测的故障距离取绝对差值,绝对差值最小的计算距离判定为故障距离。
本发明与现有技术相比具有如下优点:
1)、利用人工神经网络的非线性函数逼近拟合能力,消除了健全线路反射波对测距结果的影响;
2)、本发明解决了单端行波法中识别故障点反射波和对端母线反射波的难题。
3)、本发明的测距结果不受故障类型、故障过渡电阻、故障合闸角的影响;
4)、利用小波变换处理行波信号,有效的提取到输电线路故障行波特征并消除行波色散对定位精度的影响;
附图说明
图1为输电系统结构图。图中M表示M端母线,N表示N端母线,F为线路故障点。
图2为单端测距原理图。图中ts1为故障初始行波到达母线M的时间,ts2为故障点反射波到达母线M的时间,t′s2为对端线路反射波到达母线M的时间。
图3为BP网络算法流程图。
图4为A相接地暂态电流行波及其小波变换结果。图中I/kA为电流/千安;t/μs为时间/微秒。图中(a)为暂态电流故障行波;(b)为小波变换结果。
具体实施方式:
输电线路仿真模型如图1所示。线路近端,离保护安装处35km处,发生A相接地故障,故障过渡电阻为50Ω,故障角为30°。
(1)输电线路发生故障,保护安装处检测到电流行波。对该电流行波小波变换,电流行波波形及其小波变换如图4所示。
(2)取保护安装处检测到后2个波头与首波头的时间差及其波头极性作为神经网络样本属性[2.04×10-4 2.35×10-4 1 -1 1]。
(3)对该属性进行归一化处理,将处理后的数据放入训练好的网络中计算就可以得到实现对故障位置的初测结果为0.3524即初测的故障距离为35.24km。
(5)由神经网络的初测结果知,故障发生在保护线路的前半段,利用单端测距公式(7)对神经网络属性中的两个时间差分别计算故障距离,第一个时间差对应的故障距离为30.396km,第二个时间差对应的故障距离为35.015km。将计算的故障距离与神经网络预测的故障距离取绝对差值,第二个时间差对应的故障距离与神经网络的初测结果绝对差值最小的,因此可以判断出第二个行波波头为母线上健全线路反射波,第三个波头为故障点反射波。由故障点反射波与初始行波时间差就可以得到精确的故障距离35.015km。
Claims (1)
1.一种输电线路单端行波故障测距智能方法,其特征在于按以下步骤进行:
(1)建立输电线路仿真模型,其采样频率为1MHz,对单相接地时各种故障条件仿真建立神经网络输入样本:
①沿线路全程选取故障点,故障距离变化步长为1km;
②故障过渡电阻分别取20Ω、100Ω;
③故障合闸角分别取-70°、0°、70°;
取不同故障条件下的电流经组合后形成测距神经网络的样本数组共600个;
(2)对步骤(1)中得到的样本数据根据下式进行离散小波变换,
(3)选取小波变换后得到的前三个波头的极性和时差作为神经网络样本属性;
(4)输电线路故障测距模型的输出矢量设置为故障点距离母线检测点相对于故障线路总长度的百分比,使输出矢量值范围在[0,1]之间;
(5)选用三层BP神经网络模型,网络拓扑结构为5×12×1,第一层为输入层,选取保护安装处检测到的前三个波头的极性和时差作为神经网络样本属性;第二层为隐含层,节点个数为12,传递函数为tansigmoid;第三层为输出层,传递函数为logsigmoid,训练算法选用自适应学习速度算法,最大训练次数选为10000次,目标函数误差设定为1e-5;
(6)取总样本的80%作为训练样本,剩余的作为验证样本,首先输入已随机划分好的480个训练样本的输入矢量P及其对应的输出矢量T,其中P为480×5维矩阵,T为480×1维矩阵;
(7)将随机选取的480个训练样本输入神经网络进行训练,取120个验证样本对训练好的神经网络进行验证,得到故障测距网络;
(8)将故障数据输入故障测距网络就可以实现对故障位置的初测;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101495677A CN101923139B (zh) | 2010-04-19 | 2010-04-19 | 一种输电线路单端行波故障测距智能方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101495677A CN101923139B (zh) | 2010-04-19 | 2010-04-19 | 一种输电线路单端行波故障测距智能方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101923139A true CN101923139A (zh) | 2010-12-22 |
CN101923139B CN101923139B (zh) | 2012-05-16 |
Family
ID=43338186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101495677A Active CN101923139B (zh) | 2010-04-19 | 2010-04-19 | 一种输电线路单端行波故障测距智能方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101923139B (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135590A (zh) * | 2011-02-22 | 2011-07-27 | 四川电力科学研究院 | 一种用于对行波测距装置的技术性能进行检测的方法 |
CN102288869A (zh) * | 2011-05-10 | 2011-12-21 | 山东大学 | 一种输电线路单端行波故障测距方法 |
CN102313858A (zh) * | 2011-07-15 | 2012-01-11 | 山东大学 | 一种初始反极性方向行波的辨识方法 |
CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
CN103163428A (zh) * | 2013-03-26 | 2013-06-19 | 昆明理工大学 | 一种提高单端行波测距可靠性的方法 |
CN103278742A (zh) * | 2013-05-10 | 2013-09-04 | 国家电网公司 | 利用电压降虚部特性实现线路单相接地故障单端测距方法 |
CN103364693A (zh) * | 2013-07-15 | 2013-10-23 | 国家电网公司 | 一种基于区域数据的输电线路行波故障测距方法 |
CN103809082A (zh) * | 2014-02-17 | 2014-05-21 | 四川大学 | 一种基于线模行波突变的配电网单相接地故障的测距方法 |
CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
CN103913676A (zh) * | 2014-04-10 | 2014-07-09 | 山东大学 | 基于可变行波辨识时窗的输电线路单端故障定位方法 |
CN104360227A (zh) * | 2014-10-31 | 2015-02-18 | 国家电网公司 | 基于行波法和暂态主频法的变电站电缆出线故障监测方法 |
CN105067957A (zh) * | 2015-09-01 | 2015-11-18 | 华北电力大学(保定) | 基于色散校正的双端行波故障测距方法 |
CN105116294A (zh) * | 2015-09-18 | 2015-12-02 | 国家电网公司 | 基于行波极性测度的配电网电缆故障监测方法 |
CN105353268A (zh) * | 2015-10-10 | 2016-02-24 | 电子科技大学 | 一种用于输电线路分布式行波故障判断及定位方法 |
CN105610132A (zh) * | 2014-11-13 | 2016-05-25 | 郭振威 | 基于故障初始角过渡电阻与机器学习的线路母线保护方法 |
CN105866618A (zh) * | 2016-03-25 | 2016-08-17 | 华北电力大学(保定) | 一种基于小波域行波信号色散校正的双端行波测距方法 |
CN106054028A (zh) * | 2016-07-29 | 2016-10-26 | 咸亨国际(杭州)电气制造有限公司 | 一种基于时域特征和小波分析的电缆故障自动测距方法 |
CN103852692B (zh) * | 2014-03-12 | 2016-11-30 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
CN106443540A (zh) * | 2016-09-06 | 2017-02-22 | 昆明理工大学 | 一种基于仿真数据的行波单端测距装置测试方法 |
CN106989709A (zh) * | 2017-03-31 | 2017-07-28 | 昆明理工大学 | 一种基于故障实测数据的输电线路线长校验方法 |
CN107037316A (zh) * | 2016-11-23 | 2017-08-11 | 国网湖北省电力公司检修公司 | 一种适应于输电线路行波测距的单端波形自动识别方法 |
CN107632236A (zh) * | 2017-07-26 | 2018-01-26 | 云南电网有限责任公司 | 一种基于对端母线反射波识别的单出线输电线路单端故障测距方法 |
CN107730148A (zh) * | 2017-11-08 | 2018-02-23 | 海南电网有限责任公司电力科学研究院 | 一种输电线路隐患预警方法和系统 |
CN108120899A (zh) * | 2017-12-21 | 2018-06-05 | 国网宁夏电力公司中卫供电公司 | 一种配电网单相接地故障单端区段定位方法 |
CN108896874A (zh) * | 2018-07-10 | 2018-11-27 | 中国矿业大学 | 一种末端连接短线路的输电线路故障测距方法 |
CN109116186A (zh) * | 2018-08-10 | 2019-01-01 | 重庆邮电大学 | 一种基于单端行波法和固有频率法的单端故障测距方法 |
CN109284830A (zh) * | 2018-11-27 | 2019-01-29 | 广东电网有限责任公司 | 一种组合单端行波故障定位算法 |
CN110895299A (zh) * | 2018-09-12 | 2020-03-20 | 中国石油化工股份有限公司 | 一种电力电缆测距识别方法 |
CN111065932A (zh) * | 2017-09-22 | 2020-04-24 | 施瓦哲工程实验有限公司 | 用于电力系统保护的使用失真进行的行波识别 |
CN112070268A (zh) * | 2020-07-31 | 2020-12-11 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
CN112946425A (zh) * | 2021-02-08 | 2021-06-11 | 长沙理工大学 | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 |
US11061062B2 (en) | 2016-12-28 | 2021-07-13 | Abb Power Grids Switzerland Ag | Travelling wave based method for locating a fault in a transmission line and device therefor |
CN116087693A (zh) * | 2023-04-13 | 2023-05-09 | 昆明理工大学 | 一种lcc-hvdc输电线路单端测距方法及系统 |
CN117892117A (zh) * | 2024-03-13 | 2024-04-16 | 国网山东省电力公司邹城市供电公司 | 一种配电网输电线路故障定位方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198881B (zh) * | 2014-07-01 | 2017-09-12 | 昆明理工大学 | 一种基于单端行波波头相对极性和时差的ann故障测距方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5903155A (en) * | 1996-08-29 | 1999-05-11 | Asea Brown Boveri Ab | Method of measurement for fault-distance determination on a HVDC power transmission line having at least two lines connected in parallel |
CN1605878A (zh) * | 2004-11-17 | 2005-04-13 | 天津大学 | 基于小波分解频带特征的馈线单相及多相故障测距方法 |
CN1896756A (zh) * | 2006-03-16 | 2007-01-17 | 重庆大学 | 基于人工神经网络模型的电缆故障在线测距方法 |
-
2010
- 2010-04-19 CN CN2010101495677A patent/CN101923139B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5903155A (en) * | 1996-08-29 | 1999-05-11 | Asea Brown Boveri Ab | Method of measurement for fault-distance determination on a HVDC power transmission line having at least two lines connected in parallel |
CN1605878A (zh) * | 2004-11-17 | 2005-04-13 | 天津大学 | 基于小波分解频带特征的馈线单相及多相故障测距方法 |
CN1896756A (zh) * | 2006-03-16 | 2007-01-17 | 重庆大学 | 基于人工神经网络模型的电缆故障在线测距方法 |
Non-Patent Citations (2)
Title |
---|
《云南电力技术》 20001231 杨家兴等 基于人工神经网络的输电线路单端故障测距方法 20-21,25 1 第28卷, 第4期 2 * |
《电工技术学报》 20001231 束洪春等 人工神经网络应用于输电线路故障测距研究 61-64 1 第15卷, 第6期 2 * |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135590A (zh) * | 2011-02-22 | 2011-07-27 | 四川电力科学研究院 | 一种用于对行波测距装置的技术性能进行检测的方法 |
CN102288869A (zh) * | 2011-05-10 | 2011-12-21 | 山东大学 | 一种输电线路单端行波故障测距方法 |
CN102288869B (zh) * | 2011-05-10 | 2013-08-21 | 山东大学 | 一种输电线路单端行波故障测距方法 |
CN102313858B (zh) * | 2011-07-15 | 2013-10-30 | 山东大学 | 一种初始反极性方向行波的辨识方法 |
CN102313858A (zh) * | 2011-07-15 | 2012-01-11 | 山东大学 | 一种初始反极性方向行波的辨识方法 |
CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
CN103091603B (zh) * | 2013-01-14 | 2015-01-07 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
CN103163428B (zh) * | 2013-03-26 | 2016-03-30 | 昆明理工大学 | 一种提高单端行波测距可靠性的方法 |
CN103163428A (zh) * | 2013-03-26 | 2013-06-19 | 昆明理工大学 | 一种提高单端行波测距可靠性的方法 |
CN103278742A (zh) * | 2013-05-10 | 2013-09-04 | 国家电网公司 | 利用电压降虚部特性实现线路单相接地故障单端测距方法 |
CN103364693A (zh) * | 2013-07-15 | 2013-10-23 | 国家电网公司 | 一种基于区域数据的输电线路行波故障测距方法 |
CN103364693B (zh) * | 2013-07-15 | 2015-11-04 | 国家电网公司 | 一种基于区域数据的输电线路行波故障测距方法 |
CN103809082A (zh) * | 2014-02-17 | 2014-05-21 | 四川大学 | 一种基于线模行波突变的配电网单相接地故障的测距方法 |
CN103809082B (zh) * | 2014-02-17 | 2016-06-22 | 四川大学 | 一种基于线模行波突变的配电网单相接地故障的测距方法 |
CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
CN103852692B (zh) * | 2014-03-12 | 2016-11-30 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
CN103913676B (zh) * | 2014-04-10 | 2016-06-01 | 山东大学 | 基于可变行波辨识时窗的输电线路单端故障定位方法 |
CN103913676A (zh) * | 2014-04-10 | 2014-07-09 | 山东大学 | 基于可变行波辨识时窗的输电线路单端故障定位方法 |
CN104360227A (zh) * | 2014-10-31 | 2015-02-18 | 国家电网公司 | 基于行波法和暂态主频法的变电站电缆出线故障监测方法 |
CN105610132A (zh) * | 2014-11-13 | 2016-05-25 | 郭振威 | 基于故障初始角过渡电阻与机器学习的线路母线保护方法 |
CN105067957B (zh) * | 2015-09-01 | 2017-11-07 | 华北电力大学(保定) | 基于色散校正的双端行波故障测距方法 |
CN105067957A (zh) * | 2015-09-01 | 2015-11-18 | 华北电力大学(保定) | 基于色散校正的双端行波故障测距方法 |
CN105116294A (zh) * | 2015-09-18 | 2015-12-02 | 国家电网公司 | 基于行波极性测度的配电网电缆故障监测方法 |
CN105353268A (zh) * | 2015-10-10 | 2016-02-24 | 电子科技大学 | 一种用于输电线路分布式行波故障判断及定位方法 |
CN105353268B (zh) * | 2015-10-10 | 2018-04-06 | 电子科技大学 | 一种用于输电线路分布式行波故障判断及定位方法 |
CN105866618A (zh) * | 2016-03-25 | 2016-08-17 | 华北电力大学(保定) | 一种基于小波域行波信号色散校正的双端行波测距方法 |
CN105866618B (zh) * | 2016-03-25 | 2018-11-09 | 华北电力大学(保定) | 一种基于小波域行波信号色散校正的双端行波测距方法 |
CN106054028A (zh) * | 2016-07-29 | 2016-10-26 | 咸亨国际(杭州)电气制造有限公司 | 一种基于时域特征和小波分析的电缆故障自动测距方法 |
CN106054028B (zh) * | 2016-07-29 | 2018-12-21 | 咸亨国际(杭州)电气制造有限公司 | 一种基于时域特征和小波分析的电缆故障自动测距方法 |
CN106443540B (zh) * | 2016-09-06 | 2019-07-05 | 昆明理工大学 | 一种基于仿真数据的行波单端测距装置测试方法 |
CN106443540A (zh) * | 2016-09-06 | 2017-02-22 | 昆明理工大学 | 一种基于仿真数据的行波单端测距装置测试方法 |
CN107037316A (zh) * | 2016-11-23 | 2017-08-11 | 国网湖北省电力公司检修公司 | 一种适应于输电线路行波测距的单端波形自动识别方法 |
US11061062B2 (en) | 2016-12-28 | 2021-07-13 | Abb Power Grids Switzerland Ag | Travelling wave based method for locating a fault in a transmission line and device therefor |
CN106989709A (zh) * | 2017-03-31 | 2017-07-28 | 昆明理工大学 | 一种基于故障实测数据的输电线路线长校验方法 |
CN107632236A (zh) * | 2017-07-26 | 2018-01-26 | 云南电网有限责任公司 | 一种基于对端母线反射波识别的单出线输电线路单端故障测距方法 |
CN107632236B (zh) * | 2017-07-26 | 2020-02-07 | 云南电网有限责任公司 | 一种基于对端母线反射波识别的单出线输电线路单端故障测距方法 |
CN111065932A (zh) * | 2017-09-22 | 2020-04-24 | 施瓦哲工程实验有限公司 | 用于电力系统保护的使用失真进行的行波识别 |
CN107730148A (zh) * | 2017-11-08 | 2018-02-23 | 海南电网有限责任公司电力科学研究院 | 一种输电线路隐患预警方法和系统 |
CN108120899A (zh) * | 2017-12-21 | 2018-06-05 | 国网宁夏电力公司中卫供电公司 | 一种配电网单相接地故障单端区段定位方法 |
CN108120899B (zh) * | 2017-12-21 | 2019-11-12 | 国网宁夏电力公司中卫供电公司 | 一种配电网单相接地故障单端区段定位方法 |
CN108896874A (zh) * | 2018-07-10 | 2018-11-27 | 中国矿业大学 | 一种末端连接短线路的输电线路故障测距方法 |
CN109116186A (zh) * | 2018-08-10 | 2019-01-01 | 重庆邮电大学 | 一种基于单端行波法和固有频率法的单端故障测距方法 |
CN110895299A (zh) * | 2018-09-12 | 2020-03-20 | 中国石油化工股份有限公司 | 一种电力电缆测距识别方法 |
CN109284830A (zh) * | 2018-11-27 | 2019-01-29 | 广东电网有限责任公司 | 一种组合单端行波故障定位算法 |
CN112070268A (zh) * | 2020-07-31 | 2020-12-11 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
CN112070268B (zh) * | 2020-07-31 | 2024-01-12 | 浙江大有实业有限公司杭州科技发展分公司 | 基于酒店需求侧响应的电力负荷预测方法及装置 |
CN112946425A (zh) * | 2021-02-08 | 2021-06-11 | 长沙理工大学 | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 |
CN116087693A (zh) * | 2023-04-13 | 2023-05-09 | 昆明理工大学 | 一种lcc-hvdc输电线路单端测距方法及系统 |
CN116087693B (zh) * | 2023-04-13 | 2023-08-04 | 昆明理工大学 | 一种lcc-hvdc输电线路单端测距方法及系统 |
CN117892117B (zh) * | 2024-03-13 | 2024-05-31 | 国网山东省电力公司邹城市供电公司 | 一种配电网输电线路故障定位方法及系统 |
CN117892117A (zh) * | 2024-03-13 | 2024-04-16 | 国网山东省电力公司邹城市供电公司 | 一种配电网输电线路故障定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101923139B (zh) | 2012-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101923139B (zh) | 一种输电线路单端行波故障测距智能方法 | |
CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN101975910B (zh) | 一种特高压直流输电线路故障智能分类与测距方法 | |
CN102129013B (zh) | 一种利用自然频率和人工神经网络的配网故障测距方法 | |
CN103267927B (zh) | 一种利用工频分量小波系数直线拟合检测的小电流接地系统故障选线方法 | |
CN101924354B (zh) | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 | |
Hizman et al. | Fault section identification and location on a distribution feeder using travelling waves | |
CN105445624A (zh) | 结合小波变换及曲线拟合的电缆故障定位方法 | |
CN103913676B (zh) | 基于可变行波辨识时窗的输电线路单端故障定位方法 | |
CN103941153B (zh) | 一种基于波形相似性的k-NN算法的多出线辐射网故障测距方法 | |
CN111766470B (zh) | 高压直流输电线路的故障定位方法、系统及直流输电线路 | |
CN113985194A (zh) | 一种基于堆栈自编码器的配电网故障定位方法 | |
CN105933035A (zh) | 一种基于网络参数的电力线信道特性分析方法 | |
CN102135588B (zh) | 一种利用s变换频谱特性的辐射网故障智能测距方法 | |
CN110488152A (zh) | 一种基于自适应神经模糊推理系统的配电网故障选线方法 | |
Chen et al. | A novel method for SLG fault location in power distribution system using time lag of travelling wave components | |
CN106093516B (zh) | 基于多频带分解的输电线路故障电流行波波形的重现方法 | |
Razzaghi et al. | Electromagnetic time reversal applied to fault location in power networks | |
CN104198881A (zh) | 一种基于单端行波波头相对极性和时差的ann故障测距方法 | |
CN117434385A (zh) | 一种基于虚拟过渡电阻的有源配电网高阻故障区段定位方法及系统 | |
CN105891668A (zh) | 一种基于群体比幅比相的故障测距方法 | |
Liang et al. | Monitoring power line faults using impedance estimation algorithms in power line communication equipment | |
CN105389441A (zh) | 1553b网络中指定位置的反射电压的获取方法及装置 | |
CN115356593A (zh) | 基于电压行波相似度的直流配电网故障定位方法及系统 | |
CN111796165B (zh) | 一种基于自适应傅里叶变换的配电网故障定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |